Flink DataStream 体系

前言

本文隶属于专栏《大数据技术体系》，该专栏为笔者原创，引用请注明来源，不足和错误之处请在评论区帮忙指出，谢谢！

本专栏目录结构和参考文献请见大数据技术体系

---

思维导图

---

正文

对 Flink 这种以流为核心的分布式计算引擎而言，数据流是核心数据抽象，表示一个持续产生的数据流，与 Apache Beam 中的 PCollection 的概念类似。

在 Flink 中使用 DataStream 表示数据流， DataStream 是一种逻辑概念，并不是底层执行的概念。

DataStream 上定义了常见的数据处理操作 API (转换为 Transtormation ），同时也具备自定义数据处理两数的能力，当 DataStream 提供的常见操作不满足需求的时候，可以自定义数据处理的逻辑。

DataStream 体系如下图所示。

DataStreamSource 本身就是一个 DataStream。DataStreamSink 、 AsyncDatastream 、 BroadcastDataStream 、 BroadcastConnectedDataStream 、 QueryableDataStream 都是对一般 DataStream 对象的封装，在 DataStream 实现特定的功能，接下来对这些 DataStream 一一进行介绍。

1. DataStream 是 Flink 数据流的核心抽象，其上定义了对数据流的一系列操作，同时也定义了与其他类型 DataStream 的相互转换关系。 每个 DataStream 都有一个 Transformation 对象，表示该 DataStream 从上游的 DataStream 使用该 Transformation 而来。
2. DataStreamSource 是 DataStream 的起点， DataStreamSource 在 StreamExecutionEnvironment 中创建，由 StreamExecutionEnvironment.addSourcce （ SourceFunction ）创建而来，其中 SourceFunction 中包含了 DataStreamSource 从数据源读取数据的具体逻辑。
3. DataStreamSink 数据从 DatasourceStream 中读取，经过中问的一系列处理操作，最终需要写出到外部存储，通过 DataStream.addSink(sinkFunction）创建而来，其中 SinkFunction 定义了写出数据到外部存储的具体逻辑。
4. KeyedStream用来表示根据指定的 key 进行分组的数据流。 一个 keyedStream 可以通过调用 DataStream.keyBy(）来获得。 而在 KeyedStream 上选行任何 Transformation 都将转变回 DataStream 。 在实现中， KeyedStream 把 key 的信息写人了 Transformation 中。 每条记录只能访问所属 key 的状态，其上的聚合两数可以方便地操作和保存对应 key 的状态。
5. WindowedStream & AllWindowedStream WindowedStream 代表了根据 key 分组且基于 WindowAssigner 切分窗口的数据流。 所以 WindowedStream 都是从 KeyedStream 衍生而来的，在 WindowedStream 上进行任何 Transformation 也都将转变回 DataStream
6. JoinedStreams & CoGroupedStreams Join 是 CoGroup 的一种特例， JoinedStreams 底层使用 CoGroupedStreams 来实现。

Join 和 CoGroup 两者的区别如下：CoGrouped 侧重的是 Group ，对数据进行分组，是对同一个 key 上的两组集合进行操作，可以编写灵活的代码来实现特定的业务功能。 Join 侧重的是数据对，对同一个 key 的每一对元素进行操作。 CoGroup 更通用，但因为 Join 是数据库上常见的操作，所以在 CoGroup 基础上提供 Join 的特性。 JoinGroup 和 CoGroup 两者都是对特续不断地产生的数据做运算，但是又不能无限地在内存中持有数据，对所有的数据进行 Join 的笛卡儿积操作理论上不可行（理论上内存不足可以刷出到磁盘，反复的硬盘读写会导致性能变得很差)，所以在底层上，两者都基于 Window 实现。

7. ConnectedStreams 表示两个数据流的组合，两个数据流可以类型一样，也可以类型不一样。 ConnectedStreams 适用于两个有关系的数据流的操作，共享 State。 一种典型的场景是动态规则数据处理。 两个流中一个是数据流，一个是随着时间更新的业务规则，业务规则流中的规则保存在 State 中，规则会持续更新 State。 当数据流中的新数据到来时，使用保存在 State 中的规则进行数据处理。
8. BroadcastStream & BroadcastConnectedStream BroadcastStream 实际上是对一个普通 DataStream 的封装，提供了 DataStream 的广播行为。 BroadcastConnectedStream 一般由 DataStream / KeyedDataStream 与 BroadcastStream 连接而来，类似于 ConnectedStream 。
9. IterativeStream 是对一个 DataStream 的迭代操作，从逻辑上来说，包含 IterativeStream 的 Dataflow 是一个有向有环图，在底层执行层面上， Flink 对其进行了特殊处理。
10. AsyncDataStream 是个工具，提供在 DataStream 上使用异步函数的能力。