大数据流处理选择Apache Flink的原因是什么

随着这几年大数据技术的迅猛发展，人们对于处理数据的要求也越来越高，由最早的MapReduce，到后来的hive、再到后来的spark，为了获取更快、更及时的结果，计算模型也在由以前的T+1的离线数据慢慢向流处理转变，比如每年双十一阿里的实时大屏，要求秒级的输出结果；再比如当我们以100迈的速度开车的时候，我们希望地图导航软件能给我们毫秒级延迟的导航信息。

那么对于已经有了storm、spark streaming这样的流处理框架之后，我们为什么还要选择Apache Flink来作为我们的流处理框架呢？

真正的流处理

低延迟

对于spark streaming来说，虽然也是一个流处理框架，但是他的底层是一个微批的模式，只是这个批足够小，使我们看起来像一个流处理，这种对于我们普通的需求来说已经足够了，但是对于我们上面所说的地图导航软件来说，我们需要的延迟是毫秒级别的，因为如果你延迟了半分钟，我可能已经开出来好远了，你给我的导航信息也没什么用了。
所以对于微批处理的框架，天生是会造成数据延迟的，flink作为一个真正的流处理框架，可以每来一个数据处理一个，实现真正的流处理、低延迟。

高吞吐

就像我们前面说的，阿里双十一的数据计算是很大的，这个时候对这么庞大的数据进行计算，就需要我们有一个支持高吞吐量的计算框架来满足更实时的需求。

多种窗口

flink本身提供了多种灵活的窗口,我们结合实际来讲讲这几个窗口的含义.

• 滚动窗口：每隔五分钟计算当前这五分钟内的销售总额。
• 滑动窗口：每隔五分钟计算一下前一个小时的销售总额。
• session窗口 ：统计用户在他登录的这段时间里，他的访问总次数
• 全局窗口：我们可以统计自程序上线以来的一些数值。

除了时间窗口（time window），还有计数窗口（count window），count window窗口也可以有滚动和滑动窗口，比如我们每隔100个数来统计一下这100个数的平均值。

自带状态(state)

何为状态，白话讲一下，比如我们从kafka消费了一条条的数据，然后又一条条的写入了文件，这种是没有状态的计算，因为单条数据不需要依赖其前后的数据。

当我们要实现一个窗口计数，统计每个小时的pv数，我们可以想象，有这么一个变量，每来一个数据这个变量就加一，然后程序运行一半的时候，因为某一种原因挂了，这个时候那个变量如果是存在内存里的，就丢了，程序重启之后，我们必须重新从窗口的开始来计算，那么有没有一种机制，可以自动的帮我把这个临时变量可靠的存起来呢，这个就是flink中的状态，对于上述场景，当我们恢复程序的时候，选择从上一个checkpoint恢复，那么我们就可以继续从程序挂掉的时候继续计算，而不用从窗口的开始进行计算了。

精确一次传输语义

对于一个大型分布式系统来说，因为网络、磁盘等等原因造成程序失败是很常见的，那么当我们恢复了程序之后，如何保证数据不丢不重呢？
flink提供了Exactly-once语义来处理这个问题。

时间管理

flink提供了多种时间语义来供我们使用。

• 事件时间
  也就是我们计算的时候使用数据中的时间，比如我们的程序因为某些原因挂了半个小时，当程序起来的时候我们希望程序能接着上次的继续处理，这个时候事件时间就派上用场了。
  此外，对于一些告警系统，日志中的时间往往能真实的反应出有问题的时间，更有实际意义

• 处理时间
  也就是flink程序当前的时间

• 摄取时间
  数据进入flink程序的时间

水印

真实的生产环境中，数据的传输会经过很多流程、在这个过程中，免不了由于网络抖动等等各种原因造成数据的延迟到达、本来应该先来的数据迟到了，这种情况怎么处理呢，flink的watermark机制来帮你处理。
我们可以简单的理解为，通过设置一个可以接受的延迟时间，如果你的数据到点了没过来flink会等你几秒钟，然后等你的数据过来了再触发计算，但是由于是流处理，肯定不能无限制的等下去，对于超过了我设置的等待时间还没来的数据，那么我只能抛弃或者存到另一个流里面用别的逻辑来处理了。

复杂事件处理

先来说这么一个场景，比如说我们要监控机器的温度，连续10分钟之内有三次温度超过50度，生成一个警告，如果连续一个小时之内出现过两次上述警告，生成一个报警。
对于这么一个场景，是不是觉得普通的api程序不好做了？那好，flink的复杂事件处理(CEP)派上用场了，使用cep可以处理很多类似的复杂的场景。