flink-拉钩教育-颗粒归仓-待续

大数据实时计算领域

    流式及批量分析应用：数据实时采集、计算和下游发送

实时数据仓库和ETL（extract transform load）

核心概念

streams：有界流（固定大小的数据），无界流(随时间增加而增长)

state:进行流式计算过程中的信息

time：event time、ingestion time、processing time，判断业务状态是否滞后、延迟的依据

api：不同抽象级别支持开发流式或批处理程序

算子链：多个算子放在一个任务中，由同一个线程执行，减少线程间的切换、消息序列反序列化、数据在缓冲区的交换，减少延迟的同时提高吞吐量

集群中两类进程

• jobmanager集群管理者，负责调度任务、协调checkpoints、协调故障恢复、收集job状态信息，管理flink集群从节点taskManager
• taskmanager，jvm进程；执行计算的worker，执行flink job上的一组task，所在节点的管理员，负责将本节点服务器信息：内存、磁盘、任务运行情况告诉jobManager
• client用户先创建客户端再提交flink工程

task slot：计算资源子集；taskmanager使用独立线程执行task，为控制taskmanager能接受*个task提出task slot概念，一个taskmanager的计算资源被task slot平分，不同的task在不同的slot执行，用来做内存隔离，对cpu不起作用，so同一个jvm的task共享tcp连接，提高运行效率、降低资源消耗

• 分布式缓存：flink提供分布式缓存类型hadoop，分布式环境中每一个taskmanager保存同一份数据或文件，当前计算节点的task像读取本地文件一样拉取这些配置
• 故障恢复：配置jobmanager.execution.failover-strategy值可为full(task故障时所有task重启)region局部重启
• 重启策略：restart-strategy值可为none(任务直接退出)fixed-delay(据用户配置重试次数隔*时间重试)failure-rate(失败率重启,指定时间内超过*次失败了job失败)
• 并行度：算子级别>执行环节级别>提交任务级别>系统配置级别
• 水印watermark，解决实时计算中数据乱序问题，本质是datastream中带时间戳的元素，是flink判断迟到数据的标准，也是窗口触发的标记