Flink的应用场景和架构模型

?????Flink可以完成数据的实时采集、实时计算和下游发送。

一、应用场景
1、实时计算
Flink 在实时数仓和实时 ETL 中有天然的优势：

• 状态管理，实时数仓里面会进行很多的聚会计算，这些都需要对于状态进行访问和管理，Flink支持强大的状态管理
• 丰富的API，Flink提供极为丰富的多层底API，包括Stream API，Table API以及Flink SQL
• 生态完善，实时数仓的用途广泛，Flink支持多种存储（HDFS、ES等）
• 批流一体，Flink已经在将流计算和批计算的API进行统一

2、事件驱动
????? 事件驱动型应用是一类具有状态的应用，他从一个或多个事件流提取数据，并根据到来的事件出发计算、状态更新或其他外部动作。
Flink的以下特性完美的支持了事件驱动应用：

• 高效的状态管理，Flink自带的State Backend可以很好的存储中间状态信息
• 丰富的窗口支持，Flink支持包含滚动窗口、滑动窗口已经其他窗口
• 多种时间语义，Flink支持Event Time，Processing Time和Ingestion Time
• 不同级别的容错，Flink支持At least once或Exactly once容错级别

二、架构模型
1、Flink的分层模型

Flink提供了不同级别的抽象来支持开发流式或批量处理程序，如上图。
一般完美不需要上图最低级别的Low-level抽象，而是针对Core API编程，比如DataStream API和DataSet API。Table API和SQL是Flink更高级的API操作。

2、Flink的数据流模型
Flink程序的基础构建模块是流（Streams）和转换（transformations），每一个数据流起始于一个或多个Source，并终止与一个或多个Sink，类似有向无环图（DAG）。

3、Flink中的窗口和时间
Flink支持流多种窗口模型，比如滚动窗口（Tumbling Window）、滑动窗口（Sliding Window）以及会话窗口（Session Window）等。

同时Flink支持事件时间（Event Time）、摄取时间（Ingestion Time）和处理时间（Processing Time）这三种语义来满足实际生产中对于时间的特殊需求。

Flink的应用场景和架构模型

原文：https://www.cnblogs.com/liufei-yes/p/13696983.html