Apache Flink 數據流編程模型

抽象等級(Levels of Abstraction)

Flink提供不同級別的抽象來開發流/批處理應用程序。

Statefule Stream Processing: 是最低級別（底層）的抽象，只提供有狀態的流。它通過ProcessFunction嵌入到DataStream API之中。它使得用戶可以自由處理來源於一個或者多個流的事件

DataStream/DataSet API: 在我們的實際工作中，大多數的應用程序是不需要上文所描述的低級別（底層）抽象，而是相對於諸如DataStream API（有界/無界流）和DataSet API（有界數據集）的Core API進行編程。這些API提供了用於數據處理的通用模塊，如各種指定的transformations, joins, aggregations, windows, state等。在API中，這些處理的數據類型都是一個具體的實體類(class)。

底層的Process Function與DataStream API集成在一起，可以僅對一些操作進行底層抽象。

Table API: 是圍繞著table的申明性DSL，可以被動態的改變（當其表示流時）。Table API遵循（擴展）關係模型:表有一個模式鏈接（類似與在關係資料庫中的表），API也提供了一些類似的操作:select, project, join, group-by, aggregate等。Table API程序申明定義了怎麼做是規範的，而不是明確指定應該是什麼樣子的。雖然Table API可以通過各種類型的用戶定義的函數進行擴展，但它比Core API表達的更少，但使用起來更簡潔（少寫代碼）。另外，Table API程序也會通過一個優化器，在執行之前應用優化規則。

可以在表和DataStream / DataSet之間進行無縫轉換，允許程序混合使用Table API和DataStream 和DataSet API。

Flink提供的最高級抽象是SQL。 這種抽象在語義和表現力方面與Table API類似，但是將程序表示為SQL查詢表達式。在SQL抽象與Table API緊密地相互作用，另外，SQL查詢可以在Table API中定義的表上執行。

程序和數據流(Programs and Dataflows)

Flink可以說是由流(streams)和轉換(transformations)為基礎構建的（請注意，Flink的DataSet API中使用的數據集也是內部的流 ）。從概念上講，流是數據記錄（可能是永無止境的）流，而轉換是將一個或多個流作為輸入，併產生一個或多個輸出流。

執行時，Flink程序被映射到由流和轉換運算符組成的流式數據流。每個數據從一個或多個源(sources)開始，並在一個或者多個接收器(sinks)中結束。數據流類似於一個任意有向無環圖(DAG)。儘管通過迭代構造允許特殊形式的循環，但是為了簡單起見，我們姑且先忽視這種情況。

程序中的轉換與數據流中的操作符通常是一一對應的。然而，有時候，一個轉換可能由多個轉換操作符組成。

信號源(sources)和接收器(sinks)記錄在流式連接器和批量連接器文檔中。DataStream運算符和DataSet轉換中記錄了轉換。

並行數據流(Parallel Dataflows)

Flink中的程序本質上是並行和分布的。在執行過程中，一個流有一個或者多個流分區，每個運算符有一個或者多個子任務。操作符子任務彼此獨立，並且在不同的線程中執行，並且可能在不同的機器或容器上執行。

操作符子任務的數量是該特定操作符的並行度。流的並行性總是由生產它的操作符決定。同一個程序的不同運算符可能有不同的並行級別。

流可以以一對一(One-to-one)或者重新分配(Redistributing)的模式在兩個操作符之間傳輸：

One-to-one: 保留了元素的分區和順序，如上圖中source —>map。這意味著map運算符的subtask[1]將按照源運算符的subtask[1]所產生順序相同。

Redistributing: 如上圖所示，map和keyBy/window之間，以及keyBy/window和Sink之間重新分配流，將會改變流的分區。每個操作符子任務根據所選的轉換將數據發送到不同的目標子任務。比如 keyBy()（其通過哈希重新分區），broadcast(), or rebalance() （其隨機重新分區）。在重新分配 交換中，元素之間的排序只保存在每對發送和接收的子任務中（例如map() 的subtask[1] 和 keyBy /window的subtask [2]）。所以在這個例子里，每個關鍵字中的排序都被保留下來，但是並行性確實造成了不同關鍵字彙總結果後順序的非確定性。

有關配置和控制並行的細節可以在並行執行的文檔中找到。

窗口(Windows)

聚合事件(如：sum，count，etc)在流上的工作方式與批處理中的不同。例如，我們不能夠去統計流中的所有元素，因為流一般是無限的（無界的）。因而，流中的一些aggregate操作,是由Windows控制的，例如：計算過去五分鐘或者最後100個元素的總和。

Windows可以是由時間驅動的（例如，每30秒）或者數據驅動（例如每100個元素）。這可以用來區分不同類型的Windows，例如：tumbling windows (no overlap), sliding windows (with overlap), and session windows (punctuated by a gap of inactivity).

更多的窗口示例可以在這篇博客文章中找到。更多細節在窗口文檔。

時間(Time)

當我們在流式編程中談及時間時，可以參考不同的時間概念:

Event Time， 是事件創建的時間，通常用時間戳表示。Flink通過時間戳分配器來訪問事件時間戳。

Ingestion time， 是事件進入Flink的時間，在源操作中每個記錄都會獲得源的當前時間作為時間戳，後續基於時間的操作(如: time window)會依賴這個時間戳

Processing Time， 是指each operator 執行程序時對應的物理機的系統時間

有關如何處理時間的更多細節，請參閱event time 文檔。

有狀態的操作(Stateful Operations)

儘管數據流中很多操作看起來像一個單獨的事件，但是一些操作會跨越幾個事件記下相關的的信息（比如像window operators）。這種操作被稱為有狀態的(stateful)。

這種有狀態的操作，被保存在一種key/value的存儲結構之中。狀態與有狀態操作符讀取的流嚴格分區和分配。只有在keyed()函數之後才能訪問key/value狀態。並且僅限於與當前事件的鍵相關的值。流和狀態的keys的匹配保證了所有狀態更新都是本地操作，保證了一致性，所以不需要事務的開銷。這種匹配還允許flink重新分配狀態，並公開的調整分區。

有關更多信息，請參閱有關狀態的文檔。

檢查點容錯(Checkpoints for Fault Tolerance)

Flink使用流重播（stream replay） 和 檢查點（checkpointing） 的組合來實現容錯。檢查點與每個輸入流中的特定點以及每個操作元的相應狀態有關。數據流可以從檢查點恢復，同時保持一致性（exactly-once processing語義），方法是恢復operators 的狀態並從檢查點重放事件。

檢查點間隔是在執行恢復時間（需要被重放的事件的數量）的情況下折衷的容錯開銷手段。

容錯內部的描述提供了有關Flink如何管理檢查點和相關主題的更多信息。有關啟用和配置檢查點的詳細信息位於檢查點API文檔中。

批處理流(Batch on Streaming)

Flink執行批處理程序作為流程序的特殊情況，它是有限的（元素是有限的）。ADataSet 在內部視為數據流。因此，上述概念同樣適用於批處理程序，就像適用於流式處理程序一樣，但有一點例外：

• 批處理程序的容錯不使用檢查點。通過完全重放流來恢復。這是可能的，因為輸入是有限的。這將成本更多推向recovery，但是使常規地處理更便宜，因為它避免了檢查點。
• DataSet API中的有狀態操作使用簡化的內存/外核數據結構，而不是鍵/值索引。
• DataSet API引入了特殊的同步（超級）iterations，這隻能在有界的流上進行。有關詳細信息，請查看iterations文檔。

作者：FlinkMe

原文：https://www.cnblogs.com/bigdata1024/p/10217015.html

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！