Flink重要的角色
JobManager
负责任务调度执行和分发任务
称之为Master，用于协调分布式执行，用来调度task，协调检查点CheckPoint，协调失败时候恢复等，Flink运行时至少存在一个master处理器，如果配置高可用模式会存在多个master处理器，他们其中有一个是leader，而其他的都是standby
TaskManager
负责任务的进行
称之为worker，用于执行一个dataflow的task（或者说是特殊的subtask）、数据缓冲和datastream的交换，Flink运行时至少有一个worker处理器。
无界数据和有界数据
无界数据流
源源不断的数据，比如：网站的点击量，统计某个路口通过的车辆
有开始，没有结束。它们不会在生成时终止并且提供数据，必须连续处理无界流，也就是说必须在获取后立即处理event。对于无界数据流，我们无法等待所有数据都到达，因为输入是无界的，并且在任何时间都不会完成，处理无界数据流需要要求一待定顺序获取event
有界数据流
有界数据源：有固定数据的数据，比如半年内的所有订单
有界数据流：有界数据有明确定义的开始与结束，可以在执行任何计算之前通过获取所有数据来处理有界流，处理有界流不需要有序获取，因为始终可以对有界数据集进行排序，有界流的处理也成为批处理
再提到Flink
Flink是一个面向分布式数据流处理和批处理的开源计算平台，它能够基于同一个Flink运行时（ Flink RunTime），提供流处理和批处理两种类型应用的功能，现有的开源计算方案，会把流处理和批处理作为两种不同的应用类型，因为他们要实现的目标是完全不相同的，流处理一般需要低延迟，Exactly-once保证，而批处理需要支持高吞吐，高效处理，所以在实现的时候通常是分别给出两套实现方法，或者通过一个独立的开源框架来实现其中每一种处理方案，例如：实现批处理的开源方案有MapReduce、Tez、Crunch、Spark，实现流处理的开源方案有Samza、Storm
Flink在实现流批处理的时候，与传统的统一方案不同，它从另一个视角看待流处理和批处理，将二者统一起来，Flink完全支持流处理，也就是说作为流处理看待时，输入数据流是无界的，批处理作为一种特殊的流处理，只是他定义的数据是有界的。
Flink数据流编程模型
提供了四种编程模型，分别对应我们不同的场景，无缝切换。