flink入门-流式计算概念

Posted 2021-04-13 曾二爷

一、流式计算的世界观

1.1 万物皆流

只要时间不停万事万物都没有静止。我们所以为的静态，不过是流中的一个片段。
意味着流的世界，不在乎所谓的状态，在乎的是变化，也就是事件的发生，通过事件来表示。

1.2 升维

批量的时代，我们只记录关键的信息，只在乎当前的状态，不会去记录状态是如何一步步变化至当前状态的，计算所面向的数据也是静态的，从一个态的数据变化到另一个静态的数据。

流的时代我们在乎的是变化，也就是一系列的事件，我们计算所面临将是时时刻刻在更新流动的数据。

这完全就上升了一个维度，就像四维生物可以穿梭于时间之中。

1.3 流的时间观念

时间对流来说是至关重要的，因为这关系事件与事件之间的顺序关系，一旦错乱便有可能导致计算出的当前状态是错误的。时间让事件有了秩序。

二、流式计算的实体

2.1 架构

数据源不断产生数据形成流，通过计算生成新的流，不断去更新目标数据源，实现结果数据的实时更新。

2.2 计算

流式计算和批量计算的算子无外乎都是那些数据的操作。区别就是批量面向的数据是一坨一坨打包好的，静态的；流式面向的是流无限的数据。在分布式环境中批量计算是将计算移动到相应的数据上进行运行，而流式计算是将定义好的计算部署到分布式的节点上，让数据在上面流动。

• Map类：数据只依赖于当前这条数据。

• agg：聚合操作

• window：部分数据的聚到一起进行计算

• join：不同的数据源通过相同的key进行融合

• cep：例如，事件的模式匹配，例如给做了事件A之后做了事件B的用户发生运营短信。

• 其他

2.2 应用场景

1.低延时。比如实时的pv、uv。
2.实时ETL。例如行为数据join维表，近实时落入hdfs。
3.事件驱动场景。例如上面的cep。

三、流计算的难点

3.1 时间

第一部分说时间在流的世界观中代表了事件的秩序，因为实时的环境会由于各种各样的原因（比如网络延时）导致事件到达计算节点的顺序和发生的顺序很可能是不一样的。

3.2 有限的内存&无限的数据

流计算面临的是源源不断流入的数据，而如果还像批量计算那样的操作方式来计算的化，很可能就会导致计算根本无法结束，或者随着时间的推移需要保存的数据越来越多，导致内存爆掉。

3.3 longlive&错误恢复

因为数据是不断产生的，所以需要计算是longlive的，一直存在。但时间长了出问题的概率大大增加，一旦挂掉，一些计算过程缓存的数据怎么保存、怎么恢复机会是个比较大的问题。

3.4 分布式环境

分布式环境下，共享数据实时同步，实现协同，这又是另一个故事了。

3.5 动态扩容

流是实时的，那数据的速率就是不稳定的，就像明星结婚啥的，会有突发的高峰，如何能实时适应这样的突发。

四、总结

本文希望同学们能对流计算有个大概的了解，了解它的应用场景、架构、所面临的难点。了解了这些接下来学习就有了方向。

做题吗→_→ ，

学spark吗→_→   ，