数据流编程模型

抽象层次

Flink提供不同级别的抽象来开发流/批处理应用程序。

编程抽象级别

  • 最低级抽象只提供有状态流。它通过Process Function嵌入到DataStream API中。它允许用户自由处理来自一个或多个流的事件，并使用一致的容错状态。此外，用户可以注册事件时间和处理时间回调，允许程序实现复杂的计算。__

  • 实际上，大多数应用程序不需要上述低级抽象，而是针对Core API编程，如DataStream API（有界/无界流）和DataSet API（有界数据集）。这些流畅的API提供了用于数据处理的通用构建块，例如各种形式的用户指定的转换，连接，聚合，窗口，状态等。在这些API中处理的数据类型在相应的编程语言中表示为类。

低级Process Function与DataStream API集成，因此只能对某些 算子操作进行低级抽象。该数据集API提供的有限数据集的其他原语，如循环/迭代。

  • 该 Table API是为中心的声明性DSL 表，其可被动态地改变的表（表示流时）。该 Table API遵循（扩展）关系模型：表有一个模式连接（类似于在关系数据库中的表）和API提供可比的 算子操作，如选择，项目，连接，分组依据，聚合等 Table API程序以声明方式定义应该执行的逻辑 算子操作，而不是准确指定 算子操作代码的外观。虽然 Table API可以通过各种类型的用户定义函数进行扩展，但它的表现力不如Core API，但使用更简洁（编写的代码更少）。此外， Table API程序还会通过优化程序，在执行之前应用优化规则。

可以在表和DataStream / DataSet之间无缝转换，允许程序混合 Table API以及DataStream和DataSet API。

  • Flink提供的最高级抽象是SQL。这种抽象在语义和表达方面类似于 Table API，但是将程序表示为SQL查询表达式。在SQL抽象与 Table API紧密地相互作用，和SQL查询可以通过定义表来执行 Table API。

程序和数据流

Flink程序的基本构建块是流和转换。（请注意，Flink的DataSet API中使用的DataSet也是内部流 - 稍后会详细介绍。）从概念上讲，流是（可能永无止境的）数据记录流，而转换是将一个或多个流作为一个或多个流的 算子操作。输入，并产生一个或多个输出流。

执行时，Flink程序映射到流数据流，由流和转换 算子组成。每个数据流都以一个或多个源开头，并以一个或多个接收器结束。数据流类似于任意有向无环图（DAG）。尽管通过迭代结构允许特殊形式的循环，但为了简单起见，我们将在大多数情况下对此进行掩饰。

DataStream程序及其数据流。

通常，程序中的转换与数据流中的 算子之间存在一对一的对应关系。但是，有时一个转换可能包含多个转换 算子。

源流和接收器记录在流连接器和批处理连接器文档中。DataStream 算子和DataSet转换中记录了转换。

并行数据流

Flink中的程序本质上是并行和分布式的。在执行期间，流具有一个或多个流分区，并且每个 算子具有一个或多个 算子子任务。 算子子任务彼此独立，并且可以在不同的线程中执行，并且可能在不同的机器或容器上执行。

算子子任务的数量是该特定 算子的并行度。流的并行性始终是其生成 算子的并行性。同一程序的不同 算子可能具有不同的并行级别。

并行数据流

流可以以一对一（或转发）模式或以重新分发模式在两个算子之间传输数据：

  • 一对一流（例如，在上图中的Source和map（） 算子之间）保存数据元的分区和排序。这意味着map（） 算子的subtask [1] 将以与Source 算子的subtask [1]生成的顺序相同的顺序看到相同的数据元。

  • 重新分配流（在上面的map（）和keyBy / window之间，以及keyBy / window和Sink之间）重新分配流。每个 算子子任务将数据发送到不同的目标子任务，具体取决于所选的转换。实例是keyBy（） （其通过散列Keys重新分区），广播（） ，或Rebalance （） （其重新分区随机地）。在重新分配交换中，数据元之间的排序仅保存在每对发送和接收子任务中（例如，map（）的子任务[1] 和子任务[2]keyBy / window）。因此，在此示例中，保存了每个Keys内的排序，但并行性确实引入了关于不同Keys的聚合结果到达接收器的顺序的非确定性。

有关配置和控制并行性的详细信息，请参阅并行执行的文档。

窗口

聚合事件（例如，计数，总和）在流上的工作方式与批处理方式不同。例如，不可能计算流中的所有数据元，因为流通常是无限的（无界）。相反，流上的聚合（计数，总和等）由窗口限定，例如“在最后5分钟内计数”或“最后100个数据元的总和”。

Windows可以是时间驱动的（例如：每30秒）或数据驱动（例如：每100个数据元）。一个典型地区分不同类型的窗口，例如翻滚窗口（没有重叠），滑动窗口（具有重叠）和会话窗口（由不活动的间隙打断）。

时间和计数Windows

更多窗口示例可以在此博客文章中找到。更多详细信息在窗口文档中。

时间

当在流程序中引用时间（例如定义窗口）时，可以参考不同的时间概念：

  • 事件时间是创建事件的时间。它通常由事件中的时间戳描述，例如由生产传感器或生产服务附加。Flink通过时间戳分配器访问事件时间戳。

  • 摄取时间是事件在源算子处输入Flink数据流的时间。

  • 处理时间是执行基于时间的 算子操作的每个算子的本地时间。

事件时间，摄取时间和处理时间

有关如何处理时间的更多详细信息，请参阅事件时间文档。

有状态的 算子操作

虽然数据流中的许多 算子操作只是一次查看一个单独的事件（例如事件解析器），但某些 算子操作会记住多个事件（例如窗口算子）的信息。这些 算子操作称为有状态。

状态 算子操作的状态保持在可以被认为是嵌入式键/值存储的状态中。状态被分区并严格地与有状态算子读取的流一起分发。因此，只有在keyBy（）函数之后才能在被Key化的数据流上访问键/值状态，并且限制为与当前事件的键相关联的值。对齐流和状态的Keys可确保所有状态更新都是本地 算子操作，从而保证一致性而无需事务开销。此对齐还允许Flink重新分配状态并透明地调整流分区。

状态和分区

有关更多信息，请参阅有关状态的文档。

容错检查点

Flink使用流重放和检查点的组合实现容错。检查点与每个输入流中的特定点以及每个算子的对应状态相关。通过恢复 算子的状态并从检查点重放事件，可以从检查点恢复流数据流，同时保持一致性（恰好一次处理语义）。

检查点间隔是在执行期间用恢复时间（需要重放的事件的数量）来折衷容错开销的手段。

容错内部的描述提供了有关Flink如何管理检查点和相关主题的更多信息。有关启用和配置检查点的详细信息，请参阅检查点API文档。

流处理批处理

Flink执行批处理程序作为流程序的特殊情况，其中流是有界的（有限数量的数据元）。一个数据集在内部视为数据流。因此，上述概念以相同的方式应用于批处理程序，并且它们适用于流程序，除了少数例外：

  • 批处理程序的容错不使用检查点。通过完全重放流来恢复。这是可能的，因为输入有限。这会使成本更多地用于恢复，但使常规处理更便宜，因为它避免了检查点。

  • DataSet API中的有状态 算子操作使用简化的内存/核外数据结构，而不是键/值索引。

  • DataSet API引入了特殊的同步（超级步骤）迭代，这些迭代只能在有界流上进行。有关详细信息，请查看迭代文档。

下一步

继续使用Flink的Distributed Runtime中的基本概念。