- 综合排序
- 最热优先
- 最新优先
- 来自专栏Lansonli技术博客
2021年大数据Flink（十七）：Flink四大基石
---- Flink四大基石 Flink之所以能这么流行，离不开它最重要的四个基石：Checkpoint、State、Time、Window。 Checkpoint 这是Flink最重要的一个特性。 Flink基于Chandy-Lamport算法实现了一个分布式的一致性的快照，从而提供了一致性的语义。 Chandy-Lamport算法实际上在1985年的时候已经被提出来，但并没有被很广泛的应用，而Flink则把这个算法发扬光大了。 Time 除此之外，Flink还实现了Watermark的机制，能够支持基于事件的时间的处理，能够容忍迟到/乱序的数据。 Window 另外流计算中一般在对流数据进行操作之前都会先进行开窗，即基于一个什么样的窗口上做这个计算。Flink提供了开箱即用的各种窗口，比如滑动窗口、滚动窗口、会话窗口以及非常灵活的自定义的窗口。
1.2K30发布于 2021-10-11 - 来自专栏Lansonli技术博客
2021年大数据Flink（八）：Flink入门案例
，DataSetAPI已经不推荐使用了，后续其他案例都会优先使用DataStream流式API，既支持无界数据处理/流处理，也支持有界数据处理/批处理！ * 编码步骤 * 1.准备环境-env * 2.准备数据-source * 3.处理数据-transformation * 4.输出结果-sink * 5.触发执行-execute//如果有 ; /** * Author lanson * Desc * 需求:使用Flink完成WordCount-DataStream * 编码步骤 * 1.准备环境-env * 2.准备数据-source 表达式 * 编码步骤 * 1.准备环境-env * 2.准备数据-source * 3.处理数据-transformation * 4.输出结果-sink * 5.触发执行-execute 需求:使用Flink完成WordCount-DataStream--使用lambda表达式--修改代码使适合在Yarn上运行 * 编码步骤 * 1.准备环境-env * 2.准备数据-source
1.5K40发布于 2021-10-11 - 来自专栏Lansonli技术博客
2021年大数据Flink（九）：Flink原理初探
、SubTask、Parallelism 1.Dataflow:Flink程序在执行的时候会被映射成一个数据流模型 2.Operator:数据流模型中的每一个操作被称作Operator,Operator .One to One模式： 两个operator用此模式传递的时候，会保持数据的分区数和数据的排序；如上图中的Source1到Map1，它就保留的Source的分区特性，以及分区元素处理的有序性。 Flink执行图（ExecutionGraph） 由Flink程序直接映射成的数据流图是StreamGraph，也被称为逻辑流图，因为它们表示的是计算逻辑的高级视图。 为了执行一个流处理程序，Flink需要将逻辑流图转换为物理数据流图（也叫执行图），详细说明程序的执行方式。 原理介绍 Flink执行executor会自动根据程序代码生成DAG数据流图 Flink 中的执行图可以分成四层：StreamGraph -> JobGraph -> ExecutionGraph ->
1.5K40发布于 2021-10-11 - 来自专栏Lansonli技术博客
2021年大数据Flink（十八）：Flink Window操作
---- Flink-Window操作 为什么需要Window 在流处理应用中，数据是连续不断的，有时我们需要做一些聚合类的处理，例如：在过去的1分钟内有多少用户点击了我们的网页。 :size=slide,如:每隔10s统计最近10s的数据 sliding-window:滑动窗口:size>slide,如:每隔5s统计最近10s的数据 注意:当size<slide的时候,如每隔 15s统计最近10s的数据,那么中间5s的数据会丢失,所有开发中不用 总结 按照上面窗口的分类方式进行组合,可以得出如下的窗口: 1.基于时间的滚动窗口tumbling-time-window window 中， Flink提供了很多各种场景用的WindowAssigner： 如果需要自己定制数据分发策略，则可以实现一个 class，继承自 WindowAssigner。 evictor--了解 evictor 主要用于做一些数据的自定义操作，可以在执行用户代码之前，也可以在执行 用户代码之后，更详细的描述可以参考org.apache.flink.streaming.api.windowing.evictors.Evictor
1.1K10发布于 2021-10-11 - 来自专栏Lansonli技术博客
2021年大数据Flink（六）：Flink On Yarn模式
---- Flink On Yarn模式 原理 为什么使用Flink On Yarn? 在实际开发中，使用Flink时，更多的使用方式是Flink On Yarn模式，原因如下： -1.Yarn的资源可以按需使用，提高集群的资源利用率 -2.Yarn的任务有优先级，根据优先级运行作业 -3 此外，AppMaster容器也提供了Flink的web服务接口。 run(提交任务) 1.在yarn上启动一个Flink会话，node1上执行以下命令 /export/server/flink/bin/yarn-session.sh -n 2 -tm 800 -s run提交任务： /flink/bin/flink run /export/server/flink/examples/batch/WordCount.jar run /export/server
1.8K20发布于 2021-10-11 - 来自专栏Lansonli技术博客
2021年大数据Flink（四十）：Flink模拟双十一实时大屏统计
目录 Flink模拟双十一实时大屏统计 需求 数据 编码步骤: 1.env 2.source 3.transformation 4.使用上面聚合的结果,实现业务需求: 5.execute 参考代码 实现代码 (基于上面参考代码重新写一套) 实现效果 ---- Flink模拟双十一实时大屏统计 需求 在大数据的实时处理中，实时的大屏展示已经成了一个很重要的展示项，比如最有名的双十一大屏实时销售总价展示。 今天我们就做一个最简单的模拟电商统计大屏的小例子， 需求如下： 1.实时计算出当天零点截止到当前时间的销售总额 2.计算出各个分类的销售top3 3.每秒钟更新一次统计结果 数据 首先我们通过自定义source ,但是11月11日 00:01:00运行计算的是: 11月10日 00:01:00~11月11日 00:01:00 ---不对! Exception { Double totalAmount = 0d;//用来记录销售总额 //用大小顶堆来计算TopN //用大顶堆(大的数据在堆顶
1.5K31发布于 2021-10-11 - 来自专栏Lansonli技术博客
2021年大数据Flink（二）：Flink用武之地
---- Flink用武之地 http://www.liaojiayi.com/flink-IoT/ https://flink.apache.org/zh/usecases.html 从很多公司的应用案例发现 ，其实Flink主要用在如下三大场景： Event-driven Applications【事件驱动】 事件驱动型应用是一类具有状态的应用，它从一个或多个事件流提取数据，并根据到来的事件触发计算 比如Flink应用凌晨从Recorded Events中读取昨天的数据，然后做周期查询运算，最后将数据写入Database或者HDFS，或者直接将数据生成报表供公司上层领导决策使用。 Periodic ETL：比如每天凌晨周期性的启动一个Flink ETL Job，读取传统数据库中的数据，然后做ETL，最后写入数据库和文件系统。 Data Pipeline：比如启动一个Flink 实时应用，数据源(比如数据库、Kafka)中的数据不断的通过Flink Data Pipeline流入或者追加到数据仓库(数据库或者文件系统)，或者Kafka
94150发布于 2021-10-11 - 来自专栏Lansonli技术博客
2021年大数据Flink（二十五）：Flink 状态管理
---- Flink-状态管理 Flink中的有状态计算 注意: Flink中已经对需要进行有状态计算的API,做了封装,底层已经维护好了状态! 为什么 Flink 知道之前已经处理过一次 hello world，这就是 state 发挥作用了，这里是被称为 keyed state 存储了之前需要统计的数据，所以 Flink 知道 hello 和 刚才也提到了生产者写入了 15 条，消费者分别读取了 10、7、12 条。那么问题来了，怎么将生产者、消费者的进度转换为右侧示意图信息呢？ ，Managed State 由 Flink Runtime 管理，自动存储，自动恢复，在内存管理上有优化；而 Raw State 需要用户自己管理，需要自己序列化，Flink 不知道 State 中存入的数据是什么结构 Operator State 可以用于所有算子，但一般常用于 Source 存储State的数据结构/API介绍 前面说过有状态计算其实就是需要考虑历史数据 而历史数据需要搞个地方存储起来 Flink为了方便不同分类的
91430发布于 2021-10-09 - 来自专栏Lansonli技术博客
2021年大数据Flink（一）：乘风破浪的Flink-Flink概述
早期， Flink 是做 Batch 计算的，但是在 2014 年， StratoSphere 里面的核心成员孵化出 Flink，同年将 Flink 捐赠 Apache，并在后来成为 Apache 的顶级大数据项目 ，同时 Flink 计算的主流方向被定位为 Streaming， 即用流式计算来做所有大数据的计算，这就是 Flink 技术诞生的背景。 2014 年 Flink 作为主攻流计算的大数据引擎开始在开源大数据行业内崭露头角。 比如它提供了有状态的计算，支持状态管理，支持强一致性的数据语义以及支持 基于Event Time的WaterMark对延迟或乱序的数据进行处理等 富二代Flink https://blog.csdn.net 这样在各种不同的场景下，不管是全量数据还是增量数据，亦或者实时处理，一套方案即可全部支持，这就是阿里选择 Flink 的背景和初衷。
1.8K30发布于 2021-10-11 - 来自专栏Lansonli技术博客
2021年大数据Flink（三十）：Flink Table API & SQL 介绍
/dev/table/ Flink的Table模块包括 Table API 和 SQL： Table API 是一种类SQL的API，通过Table API，用户可以像操作表一样操作数据，非常直观和方便 SQL作为一种声明式语言，有着标准的语法和规范，用户可以不用关心底层实现即可进行数据的处理，非常易于上手 Flink Table API 和 SQL 的实现上有80%左右的代码是公用的。 标准稳定:语义遵循SQL标准，非常稳定，在数据库 30 多年的历史中，SQL 本身变化较少； 5. 在 Flink 1.9 中，Table 模块迎来了核心架构的升级，引入了阿里巴巴Blink团队贡献的诸多功能 在Flink 1.9 之前，Flink API 层 一直分为DataStream API 了解-Blink planner和Flink Planner具体区别如下： https://ci.apache.org/projects/flink/flink-docs-release-1.12/dev
94920发布于 2021-10-09 - 来自专栏Lansonli技术博客
2021年大数据Flink（三）：Flink安装部署 Local本地模式
---- Flink安装部署 Flink支持多种安装模式 - Local—本地单机模式，学习测试时使用 - Standalone—独立集群模式，Flink自带集群，开发测试环境使用 - StandaloneHA —独立集群高可用模式，Flink自带集群，开发测试环境使用 - On Yarn—计算资源统一由Hadoop YARN管理，生产环境使用 Local本地模式 原理 Flink程序由JobClient进行提交 作业执行完成后，结果将发送回客户端(JobClient) 操作 1.下载安装包 https://archive.apache.org/dist/flink/ 2.上传flink-1.12.0-bin-scala root /export/server/flink-1.12.0 5.改名或创建软链接 mv flink-1.12.0 flink ln -s /export/server/flink-1.12.0 /flink/bin/flink run /export/server/flink/examples/batch/WordCount.jar --input /root/words.txt --output
1.1K20发布于 2021-10-11 - 来自专栏Lansonli技术博客
2021年大数据Flink（二十七）：Flink 容错机制 Checkpoint
Java的堆内存中/TaskManage节点的内存中 State可以被记录，在失败的情况下数据还可以恢复 Checkpoint: 某一时刻,Flink中所有的Operator的当前State的全局快照, 一般存在磁盘上 表示了一个Flink Job在一个特定时刻的一份全局状态快照，即包含了所有Operator的状态 可以理解为Checkpoint是把State数据定时持久化存储了 比如KafkaConsumer 算子中维护的Offset状态,当任务重新恢复的时候可以从Checkpoint中获取 注意: Flink中的Checkpoint底层使用了Chandy-Lamport algorithm分布式快照算法可以保证数据的在分布式环境下的一致性 TaskManager 节点也就是执行节点内存中的，因为内存有容量限制，所以单个 State maxStateSize 默认 5 M，且需要注意 maxStateSize <= akka.framesize 默认 10 env.getCheckpointConfig().setCheckpointTimeout(60000);//默认10分钟 //设置同一时间有多少个checkpoint可以同时执行
1.3K30发布于 2021-10-09 - 来自专栏Lansonli技术博客
2021年大数据Flink（二十九）：Flink 容错机制 Savepoint
Savepoint VS Checkpoint Savepoint演示 # 启动yarn session /export/server/flink/bin/yarn-session.sh -n 2 -tm 800 -s 1 -d # 运行job-会自动执行Checkpoint /export/server/flink/bin/flink run --class cn.itcast.checkpoint.CheckpointDemo01 /root/ckp.jar # 手动创建savepoint--相当于手动做了一次Checkpoint /export/server/flink/bin/flink savepoint 702b872ef80f08854c946a544f2ee1a5 hdfs://node1:8020/flink-checkpoint/savepoint/ # 停止job /export/server/flink/bin/flink cancel 702b872ef80f08854c946a544f2ee1a5 # 重新启动job,手动加载savepoint数据 /export/server/flink/bin/flink run -s hdfs://node1:8020/flink-checkpoint
73320发布于 2021-10-09 - 来自专栏Lansonli技术博客
2021年大数据Flink（七）：参数总结
参数总结 [root@node1 bin]# /export/server/flink/bin/flink --help . /flink <ACTION> [OPTIONS] [ARGUMENTS] The following actions are available: Action "run" compiles The available options can be found at https://ci.apache.org/projects/flink /flink- docs-stable/ops/config.html -m,--jobmanager <arg> -j,--jarfile <jarfile> Flink program JAR file.
1K60发布于 2021-10-11 - 来自专栏Lansonli技术博客
2021年大数据Flink（四十一）：Flink实现订单自动好评
---- Flink实现订单自动好评 需求 在电商领域会有这么一个场景，如果用户买了商品，在订单完成之后，一定时间之内没有做出评价，系统自动给与五星好评，我们今天主要使用Flink的定时器来简单实现这一功能 数据 自定义source模拟生成一些订单数据. ; import org.apache.flink.api.java.tuple.Tuple3; import org.apache.flink.configuration.Configuration; ) * 我们今天主要使用Flink的定时器来简单实现这一功能。 isEvaluate(String orderId){ //下面这行代码会随机返回订单是否已经评价 return new Random().nextInt(10
92430发布于 2021-10-11 - 来自专栏小道
Flink学习笔记(10) - CEP
复杂事件处理（Complex Event Processing，CEP） Flink CEP是在 Flink 中实现的复杂事件处理（CEP）库 CEP 允许在无休止的事件流中检测事件模式，让我们有机会掌握数据中重要的部分 一个或多个由简单事件构成的事件流通过一定的规则匹配，然后输出用户想得到的数据 —— 满足规则的复杂事件 二、CEP的特点 目标：从有序的简单事件流中发现一些高阶特征 输入：一个或多个由简单事件构成的事件流 处理：识别简单事件之间的内在联系，多个符合一定规则的简单事件构成复杂事件 输出：满足规则的复杂事件 三、Pattern API 处理事件的规则，被叫做“模式”（Pattern） Flink CEP 提供了 Pattern API，用于对输入流数据进行复杂事件规则定义，用来提取符合规则的事件序列 个体模式（Individual Patterns） 组成复杂规则的每一个单独的模式定义，
1.4K00编辑于 2022-09-01 - 来自专栏Elasticsearch专栏
【极数系列】Flink集成KafkaSource & 实时消费数据（10）
01 引言 Flink 提供了 Apache Kafka 连接器使用精确一次（Exactly-once）的语义在 Kafka topic 中读取和写入数据。 partition.discovery.interval.ms设置为非负值： KafkaSource.builder() .setProperty("partition.discovery.interval.ms", "10000"); // 每 10 秒检查一次新分区 10 事件时间和水印 默认情况下，Kafka Source 使用 Kafka 消息中的时间戳作为事件时间。 )构建全部参数 KafkaSource<String> kafkaSource = kafkaSourceBuilder.build(); //(7)动态检查新分区, 10 模拟数据生成 #启动两个生产者，分别生产topic_a，topic_b数据 kafka-console-producer.bat --broker-list localhost:9092 --topic
4.4K10编辑于 2024-03-04 - 来自专栏凹凸玩数据
盘点 10大 数据库！
大家好，我是小五 DB-Engines 最近发布了 2021 年 9 月份的数据库排名。该网站根据数据库管理系统的受欢迎程度对其进行排名，实时统计了 378 种数据库的排名指数。 前 30 名的排行情况详见下图，前10大数据库 用线段做了分割。同时在文末，会免费赠送给大家一些数据库书籍！ 跌幅榜情况 较去年同期，本月三霸主集体暴跌再次霸占了“同期跌幅榜”。 虽然各大开源类数据库百花齐放，然而，在 DB-Engines 全球数据库排行榜上，Oracle 和 MySQL 依然是世界上最受欢迎的商业和开源类数据库，而且领跑优势还在继续扩大。 小众数据库不可小觑 数据库相关从业人员可以将 DB-Engines 数据库排名作为参考，大数据时代发展速度之快超乎我们的想象，新的数据库产品仍然在不断诞生，如果你的需求比较特殊，大众数据库产品无法很好地满足你 每天数据增量十多亿，近百万次查询请求。 快手内部也在使用 ClickHouse，存储总量大约 10PB， 每天新增 200TB， 90% 查询小于 3S。
2.5K10发布于 2021-10-18 - 来自专栏Lansonli技术博客
2021年大数据Flink（四十二）：BroadcastState
Broadcast State 是 Flink 1.5 引入的新特性。 下游的 task 接收这些配置、规则并保存为 BroadcastState, 将这些配置应用到另一个数据流的计算中 。 ()方法处理后输出结果数据记录的类型。 `userID` varchar(20) CHARACTER SET utf8 COLLATE utf8_general_ci NOT NULL, `userName` varchar(10 Records of user_info -- ---------------------------- INSERT INTO `user_info` VALUES ('user_1', '张三', 10 broadcastState.clear(); //最后将最新的广播流数据放到state中（更新状态数据）
1K30发布于 2021-10-11 - 来自专栏大数据开发
大数据开发：Hadoop、Spark、Flink三大框架对比
目前来说，大数据领域最为活跃的三个计算框架，当属Hadoop、Spark以及Flink这三者。三个框架在不同的大数据处理场景当中，表现各有优势，因此也常常被拿来做比较。 今天我们也来做个Hadoop对比，看看Hadoop、Spark、Flink三大框架，各自的优势劣势如何。 Spark：尽管机器学习算法是循环数据流，但Spark将其表示为（DAG）直接非循环图或有向无环图。 Flink：Flink在运行时支持受控循环依赖图，支持机器学习算法非常有效。 Flink：Flink采用连续流式流传输模型，实时对数据进行处理，而不会在收集数据或处理数据时出现任何延迟。 作为主流的三大处理框架，这三者在大数据领域都有着自己的优势和劣势，因此最好的方案就是将各自的优势结合起来，实现更高效率地完成大数据处理任务。
3.8K30发布于 2021-06-07
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号