前言
Flink 是一種流式計算框架笔宿，為什么我會接觸到 Flink 呢？因為我目前在負(fù)責(zé)的是監(jiān)控平臺的告警部分棱诱，負(fù)責(zé)采集到的監(jiān)控數(shù)據(jù)會直接往 kafka 里塞泼橘，然后告警這邊需要從 kafka topic 里面實時讀取到監(jiān)控數(shù)據(jù)，并將讀取到的監(jiān)控數(shù)據(jù)做一些 聚合/轉(zhuǎn)換/計算 等操作迈勋，然后將計算后的結(jié)果與告警規(guī)則的閾值進(jìn)行比較炬灭，然后做出相應(yīng)的告警措施（釘釘群、郵件靡菇、短信重归、電話等）。畫了個簡單的圖如下：
目前告警這塊的架構(gòu)是這樣的結(jié)構(gòu)厦凤，剛進(jìn)公司那會的時候鼻吮，架構(gòu)是所有的監(jiān)控數(shù)據(jù)直接存在 ElasticSearch 中，然后我們告警是去 ElasticSearch 中搜索我們監(jiān)控指標(biāo)需要的數(shù)據(jù)较鼓，幸好 ElasticSearch 的搜索能力夠強(qiáng)大椎木。但是你有沒有發(fā)現(xiàn)一個問題，就是所有的監(jiān)控數(shù)據(jù)從采集博烂、采集后的數(shù)據(jù)做一些 計算/轉(zhuǎn)換/聚合香椎、再通過 Kafka 消息隊列、再存進(jìn) ElasticSearch 中禽篱，再而去 ElasticSearch 中查找我們的監(jiān)控數(shù)據(jù)畜伐，然后做出告警策略。整個流程對監(jiān)控來說看起來很按照常理谆级，但是對于告警來說，如果中間某個環(huán)節(jié)出了問題讼积，比如 Kafka 消息隊列延遲肥照、監(jiān)控數(shù)據(jù)存到 ElasticSearch 中寫入時間較長、你的查詢姿勢寫的不對等原因勤众，這都將導(dǎo)致告警從 ElasticSearch 查到的數(shù)據(jù)是有延遲的舆绎。也許是 30 秒、一分鐘们颜、或者更長吕朵，這樣對于告警來說這無疑將導(dǎo)致告警的消息沒有任何的意義猎醇。
為什么這么說呢？為什么需要監(jiān)控告警平臺呢努溃？無非就是希望我們能夠盡早的發(fā)現(xiàn)問題硫嘶，把問題給告警出來，這樣開發(fā)和運維人員才能夠及時的處理解決好線上的問題梧税，以免給公司造成巨大的損失沦疾。
更何況現(xiàn)在還有更多的公司在做那種提前預(yù)警呢！這種又該如何做呢第队？需要用大數(shù)據(jù)和機(jī)器學(xué)習(xí)的技術(shù)去分析周期性的歷史數(shù)據(jù)哮塞，然后根據(jù)這些數(shù)據(jù)可以整理出來某些監(jiān)控指標(biāo)的一些周期性（一天/七天/一月/一季度/一年）走勢圖，這樣就大概可以繪圖出來凳谦。然后根據(jù)這個走勢圖忆畅，可以將當(dāng)前時間點的監(jiān)控指標(biāo)的數(shù)據(jù)使用量和走勢圖進(jìn)行對比，在快要達(dá)到我們告警規(guī)則的閾值時尸执，這時就可以提前告一個預(yù)警出來家凯，讓運維提前知道預(yù)警，然后提前查找問題剔交，這樣就能夠提早發(fā)現(xiàn)問題所在肆饶，避免損失，將損失降到最嗅！驯镊！當(dāng)然，這種也是我打算做的竭鞍，應(yīng)該可以學(xué)到不少東西的板惑。
于是乎，我現(xiàn)在就在接觸流式計算框架 Flink偎快，類似的還有常用的 Spark 等冯乘。
自己也接觸了 Flink 一段時間了，這塊中文資料目前書籍是只有一本很薄的晒夹，英文書籍也是三本不超過裆馒。
我自己整理了些 Flink 的學(xué)習(xí)資料，目前已經(jīng)全部放到微信公眾號了丐怯。你可以關(guān)注我的公眾號：zhisheng喷好，然后回復(fù)關(guān)鍵字：Flink?即可無條件獲取到。
另外這里也推薦一些博客可以看看：
1读跷、官網(wǎng)：https://flink.apache.org/
2梗搅、GitHub:?https://github.com/apache/flink
3、https://blog.csdn.net/column/details/apacheflink.html
4、https://blog.csdn.net/lmalds/article/category/6263085
6荡短、https://blog.csdn.net/liguohuabigdata/article/category/7279020
下面的介紹可能也有不少參考以上所有的資料，感謝他們哆键！在介紹 Flink 前掘托，我們先看看?數(shù)據(jù)集類型?和?數(shù)據(jù)運算模型?的種類。
無窮數(shù)據(jù)集：無窮的持續(xù)集成的數(shù)據(jù)集合
有界數(shù)據(jù)集：有限不會改變的數(shù)據(jù)集合
那么那些常見的無窮數(shù)據(jù)集有哪些呢洼哎？
用戶與客戶端的實時交互數(shù)據(jù)
應(yīng)用實時產(chǎn)生的日志
金融市場的實時交易記錄
…
數(shù)據(jù)運算模型有哪些呢：
流式：只要數(shù)據(jù)一直在產(chǎn)生烫映，計算就持續(xù)地進(jìn)行
批處理：在預(yù)先定義的時間內(nèi)運行計算，當(dāng)完成時釋放計算機(jī)資源
Flink 它可以處理有界的數(shù)據(jù)集噩峦、也可以處理無界的數(shù)據(jù)集锭沟、它可以流式的處理數(shù)據(jù)、也可以批量的處理數(shù)據(jù)识补。
上面三張圖轉(zhuǎn)自 云邪 成都站 《Flink 技術(shù)介紹與未來展望》，侵刪凭涂。
從下至上祝辣，F(xiàn)link 整體結(jié)構(gòu)
從下至上：
1、部署：Flink 支持本地運行切油、能在獨立集群或者在被 YARN 或 Mesos 管理的集群上運行蝙斜， 也能部署在云上。
2澎胡、運行：Flink 的核心是分布式流式數(shù)據(jù)引擎孕荠，意味著數(shù)據(jù)以一次一個事件的形式被處理。
3攻谁、API：DataStream稚伍、DataSet、Table戚宦、SQL API个曙。
4、擴(kuò)展庫：Flink 還包括用于復(fù)雜事件處理受楼，機(jī)器學(xué)習(xí)垦搬，圖形處理和 Apache Storm 兼容性的專用代碼庫。
Flink 提供了不同的抽象級別以開發(fā)流式或批處理應(yīng)用艳汽。
最底層提供了有狀態(tài)流猴贰。它將通過 過程函數(shù)（Process Function）嵌入到 DataStream API 中。它允許用戶可以自由地處理來自一個或多個流數(shù)據(jù)的事件骚灸，并使用一致糟趾、容錯的狀態(tài)慌植。除此之外甚牲，用戶可以注冊事件時間和處理事件回調(diào)义郑，從而使程序可以實現(xiàn)復(fù)雜的計算。
DataStream / DataSet API 是 Flink 提供的核心 API 丈钙，DataSet 處理有界的數(shù)據(jù)集非驮，DataStream 處理有界或者無界的數(shù)據(jù)流。用戶可以通過各種方法（map / flatmap / window / keyby / sum / max / min / avg / join 等）將數(shù)據(jù)進(jìn)行轉(zhuǎn)換 / 計算雏赦。
Table API?是以?表?為中心的聲明式 DSL劫笙，其中表可能會動態(tài)變化（在表達(dá)流數(shù)據(jù)時）。Table API 提供了例如 select星岗、project填大、join、group-by俏橘、aggregate 等操作允华，使用起來卻更加簡潔（代碼量更少）。
你可以在表與?DataStream/DataSet?之間無縫切換寥掐，也允許程序?qū)?Table API?與?DataStream?以及?DataSet?混合使用靴寂。
Flink 提供的最高層級的抽象是?SQL?。這一層抽象在語法與表達(dá)能力上與?Table API?類似召耘，但是是以 SQL查詢表達(dá)式的形式表現(xiàn)程序百炬。SQL 抽象與 Table API 交互密切，同時 SQL 查詢可以直接在 Table API 定義的表上執(zhí)行污它。
Flink 程序與數(shù)據(jù)流結(jié)構(gòu)
Flink 應(yīng)用程序結(jié)構(gòu)就是如上圖所示：
1剖踊、Source: 數(shù)據(jù)源，F(xiàn)link 在流處理和批處理上的 source 大概有 4 類：基于本地集合的 source轨蛤、基于文件的 source蜜宪、基于網(wǎng)絡(luò)套接字的 source、自定義的 source祥山。自定義的 source 常見的有 Apache kafka圃验、Amazon Kinesis Streams、RabbitMQ缝呕、Twitter Streaming API澳窑、Apache NiFi 等，當(dāng)然你也可以定義自己的 source供常。
2摊聋、Transformation：數(shù)據(jù)轉(zhuǎn)換的各種操作，有 Map / FlatMap / Filter / KeyBy / Reduce / Fold / Aggregations / Window / WindowAll / Union / Window join / Split / Select / Project 等栈暇，操作很多麻裁，可以將數(shù)據(jù)轉(zhuǎn)換計算成你想要的數(shù)據(jù)。
3、Sink：接收器煎源，F(xiàn)link 將轉(zhuǎn)換計算后的數(shù)據(jù)發(fā)送的地點 色迂，你可能需要存儲下來，F(xiàn)link 常見的 Sink 大概有如下幾類：寫入文件手销、打印出來歇僧、寫入 socket 、自定義的 sink 锋拖。自定義的 sink 常見的有 Apache kafka诈悍、RabbitMQ、MySQL兽埃、ElasticSearch侥钳、Apache Cassandra、Hadoop FileSystem 等柄错，同理你也可以定義自己的 sink慕趴。
Flink 是一個開源的分布式流式處理框架：
①提供準(zhǔn)確的結(jié)果鄙陡，甚至在出現(xiàn)無序或者延遲加載的數(shù)據(jù)的情況下冕房。
②它是狀態(tài)化的容錯的，同時在維護(hù)一次完整的的應(yīng)用狀態(tài)時趁矾，能無縫修復(fù)錯誤耙册。
③大規(guī)模運行，在上千個節(jié)點運行時有很好的吞吐量和低延遲毫捣。
更早的時候详拙，我們討論了數(shù)據(jù)集類型（有界 vs 無窮）和運算模型（批處理 vs 流式）的匹配。Flink 的流式計算模型啟用了很多功能特性蔓同，如狀態(tài)管理饶辙，處理無序數(shù)據(jù)，靈活的視窗斑粱，這些功能對于得出無窮數(shù)據(jù)集的精確結(jié)果是很重要的弃揽。
Flink 保證狀態(tài)化計算強(qiáng)一致性≡虮保”狀態(tài)化“意味著應(yīng)用可以維護(hù)隨著時間推移已經(jīng)產(chǎn)生的數(shù)據(jù)聚合或者矿微，并且 Filnk 的檢查點機(jī)制在一次失敗的事件中一個應(yīng)用狀態(tài)的強(qiáng)一致性。
Flink 支持流式計算和帶有事件時間語義的視窗尚揣。事件時間機(jī)制使得那些事件無序到達(dá)甚至延遲到達(dá)的數(shù)據(jù)流能夠計算出精確的結(jié)果涌矢。
除了提供數(shù)據(jù)驅(qū)動的視窗外，F(xiàn)link 還支持基于時間快骗，計數(shù)娜庇，session 等的靈活視窗塔次。視窗能夠用靈活的觸發(fā)條件定制化從而達(dá)到對復(fù)雜的流傳輸模式的支持。Flink 的視窗使得模擬真實的創(chuàng)建數(shù)據(jù)的環(huán)境成為可能名秀。
Flink 的容錯能力是輕量級的俺叭，允許系統(tǒng)保持高并發(fā)，同時在相同時間內(nèi)提供強(qiáng)一致性保證泰偿。Flink 以零數(shù)據(jù)丟失的方式從故障中恢復(fù)，但沒有考慮可靠性和延遲之間的折衷蜈垮。
Flink 能滿足高并發(fā)和低延遲（計算大量數(shù)據(jù)很快）耗跛。下圖顯示了 Apache Flink 與 Apache Storm 在完成流數(shù)據(jù)清洗的分布式任務(wù)的性能對比。
Flink 保存點提供了一個狀態(tài)化的版本機(jī)制攒发，使得能以無丟失狀態(tài)和最短停機(jī)時間的方式更新應(yīng)用或者回退歷史數(shù)據(jù)调塌。
Flink 被設(shè)計成能用上千個點在大規(guī)模集群上運行。除了支持獨立集群部署外惠猿，F(xiàn)link 還支持 YARN 和Mesos 方式部署羔砾。
Flink 的程序內(nèi)在是并行和分布式的，數(shù)據(jù)流可以被分區(qū)成?stream partitions偶妖，operators 被劃分為operator subtasks; 這些 subtasks 在不同的機(jī)器或容器中分不同的線程獨立運行姜凄；operator subtasks 的數(shù)量在具體的 operator 就是并行計算數(shù)，程序不同的 operator 階段可能有不同的并行數(shù)趾访；如下圖所示态秧，source operator 的并行數(shù)為 2，但最后的 sink operator 為1扼鞋；
自己的內(nèi)存管理
Flink 在 JVM 中提供了自己的內(nèi)存管理申鱼，使其獨立于 Java 的默認(rèn)垃圾收集器。 它通過使用散列云头，索引捐友，緩存和排序有效地進(jìn)行內(nèi)存管理。
豐富的庫
Flink 擁有豐富的庫來進(jìn)行機(jī)器學(xué)習(xí)溃槐，圖形處理匣砖，關(guān)系數(shù)據(jù)處理等。 由于其架構(gòu)昏滴，很容易執(zhí)行復(fù)雜的事件處理和警報脆粥。
flink 作業(yè)提交架構(gòu)流程可見下圖：
1、Program Code：我們編寫的 Flink 應(yīng)用程序代碼
2影涉、Job Client：Job Client 不是 Flink 程序執(zhí)行的內(nèi)部部分变隔，但它是任務(wù)執(zhí)行的起點。 Job Client 負(fù)責(zé)接受用戶的程序代碼蟹倾，然后創(chuàng)建數(shù)據(jù)流匣缘，將數(shù)據(jù)流提交給 Job Manager 以便進(jìn)一步執(zhí)行猖闪。 執(zhí)行完成后，Job Client 將結(jié)果返回給用戶
3肌厨、Job Manager：主進(jìn)程（也稱為作業(yè)管理器）協(xié)調(diào)和管理程序的執(zhí)行培慌。 它的主要職責(zé)包括安排任務(wù)，管理checkpoint 柑爸，故障恢復(fù)等吵护。機(jī)器集群中至少要有一個 master，master 負(fù)責(zé)調(diào)度 task表鳍，協(xié)調(diào) checkpoints 和容災(zāi)馅而，高可用設(shè)置的話可以有多個 master，但要保證一個是 leader, 其他是 standby; Job Manager 包含 Actor system譬圣、Scheduler瓮恭、Check pointing 三個重要的組件
4、Task Manager：從 Job Manager 處接收需要部署的 Task厘熟。Task Manager 是在 JVM 中的一個或多個線程中執(zhí)行任務(wù)的工作節(jié)點屯蹦。 任務(wù)執(zhí)行的并行性由每個 Task Manager 上可用的任務(wù)槽決定。 每個任務(wù)代表分配給任務(wù)槽的一組資源绳姨。 例如登澜，如果 Task Manager 有四個插槽，那么它將為每個插槽分配 25％ 的內(nèi)存飘庄。 可以在任務(wù)槽中運行一個或多個線程帖渠。 同一插槽中的線程共享相同的 JVM。 同一 JVM 中的任務(wù)共享 TCP 連接和心跳消息竭宰。Task Manager 的一個 Slot 代表一個可用線程空郊，該線程具有固定的內(nèi)存，注意 Slot 只對內(nèi)存隔離切揭，沒有對 CPU 隔離狞甚。默認(rèn)情況下，F(xiàn)link 允許子任務(wù)共享 Slot廓旬，即使它們是不同 task 的 subtask哼审，只要它們來自相同的 job。這種共享可以有更好的資源利用率孕豹。
本文主要講了我接觸到 Flink 的緣由涩盾，然后從數(shù)據(jù)集類型和數(shù)據(jù)運算模型開始講起，接著介紹了下 Flink 是什么励背、Flink 的整體架構(gòu)春霍、提供的 API、Flink 的優(yōu)點所在以及 Flink 的分布式作業(yè)運行的方式叶眉。水文一篇址儒，希望你能夠?qū)?Flink 稍微有一點概念了芹枷。
轉(zhuǎn)載請務(wù)必注明原創(chuàng)地址為：http://www.54tianzhisheng.cn/2018/10/13/flink-introduction/
微信公眾號：zhisheng
