Flink 大数据 学习详情

参考视频：

         尚硅谷大数据Flink1.17实战教程从入门到精通_哔哩哔哩_bilibili

核心目标：

        数据流上的有状态的计算

        具体说明： Apache Flink是一个 框架 和 分布式处理引擎，用于对 无界（eg：kafka） 和 有界（eg：文本） 数据流进行有状态计算

        有状态： 存储中间的结果或者计算结果，保存在flink内部(内存/RockSDB)，定期存储到磁盘

        状态在内存中： 速度快，但可靠性差

        状态在分布式系统中：速度慢，但可靠性高

特点：

        高吞吐和低延迟：

                每秒处理数百万个事件，毫秒级延迟

        结果的准确性：

                Flink提供了事件时间（event-time） 和处理时间（processing-time）语义。对于乱序事件流，事件时间语义仍然能提供一致且准确的结果

精确一次(exactly-once)的状态一致性保证

可以连接到最常用的存储系统：

        Kafka，Hive，JDBC，HDFS，Redis等

高可用：

        本身高可用的设置，加上与 K8s，YARN和Mesos的紧密集成，再加上从故障中快速恢复和动态扩展任务的能力，Flink能做到以极少的停机时间7*24全天候运行

Flink和SparkStreaming比较

        本质：spark streaming是批处理（RDD模型），flink是流处理

	Flink	Streaming
计算模型	流计算	微批处理
时间语义	事件时间，处理时间	处理时间
窗口	多，灵活	少，不灵活（窗口必须是批次的整数倍）
状态	有	无
流式sql	有	无

ps：

Flink提供了三种时间语义，以满足不同计算场景的需求：处理时间，事件时间和注入时间。

• 处理时间(Processing Time)：一种直观的时间语义，表示数据进入算子并开始处理的实际时间点。
• 事件时间(Event Time)：表示事件实际发生的时间，通常在消息的时间戳字段中找到。由于可能会有数据乱序的问题，但它能保证精确度高的计算场景。
• 注入时间(Ingestion Time)：介于处理时间和事件时间之间的折中选择，代表数据进入Flink处理系统的时间。

Flink分层API

最高层	SQL（最好用）
声明式领域专用语言	Table API（像表一样处理数据，还不够好用）
核心APIs	DataStream（数据流，流计算，高版本一般都用流计算） / DataSet API（数据集，批处理）
底层APIs（处理函数）	有状态流处理

有状态流处理：

        通过底层API（处理函数），对最原始数据加工处理。底层API与DataStream API相集成，可以处理复杂的计算

DataStream API(流处理) 和 DataSet API（批处理）

         封装了底层处理函数，提供了通用的模块，比如转换(transformations,包括map,flatmap等) ，连接(join),聚合(aggregations)，窗口(windows)操作等。

        注意：Flink1.12以后，DataStream API已经实现真正的批流一体，所以DataSet API已经过时

Table API

        以表未中心的声明式编程，其中表可能会动态变化。 Table API遵循关系模型：表有二维数据结构，类似于关系数据库中的表；同时API提供可比较的操作，例如：select,project,group-by,aggregate等。 我们可以在表与 DataStream / DataSet之间无缝切换，以允许程序将Table API 与DataStream / DataSet 混合使用

SQL

        这一层在语法与表达能力上与Table API类似，但是以SQL查询表达式的形式表现程序。

        SQL抽象与Table API交互密切，同时SQL查询可以直接在Table API定义的表上执行

Flink快速上手

		<dependency><groupId>org.apache.flink</groupId><artifactId>flink-streaming-java</artifactId><version>1.17.0</version></dependency><dependency><groupId>org.apache.flink</groupId><artifactId>flink-clients_2.10</artifactId><version>1.17.0</version></dependency>

看视频吧，不同的引包写法有差异

Flink集群部署

组件流程介绍    

flink提交作业和执行任务，需要几个关键组件：

        客户端（client）：代码由客户端获取并作转换，之后提交给 jobManager

        JobManager：就是flink集群里的“管事人”，对作业进行中央调度管理；而它获取到要执行的作业后，会进一步处理转换，然后分发任务给众多的TaskManager

        TaskManager：就是真正“干活的人”，数据的处理操作都是它们来做的

注意：

       

       流程：

                 Flink Client -> 一个JobManager（协调调度中心） -> N个TaskManager(工作节点)

                多个备用 JobManager

Flink是一个非常灵活的处理框架，它支持多种不同的部署场景，还可以和不同的资源管理平台方便地集成

集群搭建：

集群规划：

节点服务器	hadoop102	hadoop103	hadoop104
角色	JobManager,TaskManager	TaskManager	TaskManager

下载解压安装包

        eg：flink-1.17.0-bin-scala_2.12.tgz

vim flink-conf.yaml

jobmanager.rpc.address: hadoop102 （rpc连接的地址）
jobmanager.bind-host: 0.0.0.0 （任何机器都可以访问）
rest.address: hadoop102 （Rest Api访问地址）
rest.bind-address: 0.0.0.0taskmanager.bind-host: 0.0.0.0
taskmanager.host: hadoop102 (不同服务器配置相应的ip)还可更改
jobmanager.rpc.port:6123
jobmanager.memory.process.size：48g
taskmanager.memory.process.size：8g
taskmanager.numberOfTaskSlots: 24
parellelism.default: 8 # 并行数量
high-availability: zookeeper
high-availability.storageDir: ftp://sjsy:chianoly@139.6.0.224:6600/flink/ha/
high-availability.zookeeper.quorum: zk01:2181,zk02:2181,zk03:2181
jobmanager.execution.failover-strategy: region
#历史服务器
jobmanager.archive.fs.dir: ftp://sjsy:chianoly@139.6.0.224:6600/flink/completed-jobs/
historyserver.web.address: 0.0.0.0
historyserver.web.port: 8082
historyserver.archive.fs.dir: ftp://sjsy:chianoly@139.6.0.224:6600/flink/completed-jobs/
heartbeat.timeout: 180000
akka.ask.timeout: 60s
web.timeout: 1000000
state.checkpoints.num-retained: 3

vim workers

hadoop102
hadoop103
hadoop104

vim masters(jobmanager)

hadoop102:8081
//可以多个
hadoop105:8081
hadoop106:8081
...

webUI访问:

http://hadoop:8081/

参考文档：

【大数据】Flink 架构（三）：事件时间处理-CSDN博客

Flink架构、原理与部署测试_未来链flink-CSDN博客