1.什么是flink？
Apache Flink是一个框架和分布式处理引擎，用于对无界和有界数据流进行状态计算。
Flink 能够提供毫秒级别的延迟，同时保证了数据处理的低延迟、高吞吐和结果的正确性，还提供 了丰富的时间类型和窗口计算、Exactly-once （就一次）语义支持，另外还可以进行状态管理，并提供 了 CEP（复杂事件处理）的支持。
2.Flink 的重要特点？
事件驱动
List item
基于流的世界观
在Flink的世界观中，一切都是由流组成的，离线数据是有界限的流;
实时数据是一个没有界限的流:这就是所谓的有界流和无界流
分层API
越顶层越抽象，表达含义越简明，使用越方便
越底层越具体，表达能力越丰富，使用越灵活
3.什么是有界流和无界流？
在 spark 的世界观中，一切都是由批次组成的，离线数据是一个大批次，而实 时数据是由一个一个无限的小批次组成的。 而在 flink 的世界观中，一切都是由流组成的，离线数据是有界限的流，实时数 据是一个没有界限的流，这就是所谓的有界流和无界流。
无界数据流：无界数据流有一个开始但是没有结束，它们不会在生成时终止并 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（事件）。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，并且在任何时间点都不会完成。处理无界数据通常要求以特定顺序（例如事件发生的顺序）获取 event，以 便能够推断结果完整性。
有界数据流：有界数据流有明确定义的开始和结束，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，因为可以始终对有 界数据集进行排序，有界流的处理也称为批处理
在这里插入图片描述
这种以流为世界观的架构，获得的最大好处就是具有极低的延迟。
4.flink的其他特点？
支持事件时间(event- time)和处理时间(processing time)
精确一次的状态一致性保证低延迟，
每秒处理数百万个事件，
毫秒级延迟与众多常用存储系统的连接
高可用，动态扩展，实现7*24小时全天候运行
5.flink和sparkStreaming 对比？
数据模型
spark采用RDD模型，spark streaming的DStream实际上也就是一-组 组小批数据RDD的集合
flink基本数据模型是数据流，以及事/件序列
运行架构
spark是批计算，将DAG划分为不同的stage,一个完成后才可以计算下一个
flink是标准的流执行模式，一个事件在一个节点处理完后可以直接发往下一个节点进行处理
6.spark DAG 如何划分stage？
stage的切割规则：从后向前，遇到宽依赖就切割stage
7.flink 运行的组件？
jobManager:作业管理器
taskManager:任务管理器
resourceManager：资源管理器
dispacher：分发器
8.jobmanager 的什么作用？
控制一个应用程序执行的主进程，也就是说，每个应用程序都会被一个不同的
jobManager所控制jobManager会先接收到要执行的应用程序，这个应用程序会包括：作业图，逻辑数据流图和打包了所有类、库和其它资源的jar包
jobManager会把jobGraph转换成一个物理层面的数据流图，这个图被叫做“执行图”，包含了所有可以执行的任务
jobManager会向资源管理器（resourceManager）请求执行任务必要的资源，也就是任务管理器（taskManager）上的插槽（slot）。一旦它获取到了足够的资源，就会将执行图分发到真正运行它们的taskManager上。而在运行过程中，jobManager会负责所有需要中央协调的操作，比如说检查点（checkpoints）的协调
9.jobmanager接收到的应用程序包含？
作业图，逻辑数据流图和打包了所有类、库和其它资源的jar包
10.taskManager 的什么作用？
flink中的工作进程。通常在flink中会有多个taskManager运行，每一taskManager都包含了一定数量的插槽（solts）。插槽的数量限制了taskManager能够执行的任务数量
启动之后，taskManager会向资源管理器注册它的插槽；收到资源管理器的指令后，taskManager就会将一个或多个插槽提供给jobManager调用。jobManager就可以向插槽分配任务（tasks）来执行了
在执行过程中，一个taskManager可以跟其他运行同一应用程序的taskManager交换数据
11.resourceManager的作用？
主要负责管理任务管理器（taskManager）的插槽（solt）,taskManager插槽是flink中定义的处理资源单元。
flink为不同的环境和资源管理工具提供不同的资源管理工具，比如YARN、Mesos、K8s，以及standalone部署
当jonManager申请插槽资源时，ResourceManager会将有空间插槽来满足jobManager的请求，它还可以向资源提供平台发起会话，以提供启动taskManager进程的容器
12.flink的资源管理器有哪些？
YARN、Mesos、K8s，以及standalone
13.Dispatcher的作用？
可以跨作业运行，它为应用提交提供了REST接口。
当一个应用被提交执行时，分发器就会启动并将应用移交给一个jobManager
dispatcher也会启动一个web UI，用来方便地展示和监控作业执行的信息
dispatcher在架构中可能并不是必须的，这个取决于应用提交运行的方式
14.画出任务提交流程？
15.taskManager 通过什么控制task数量？
flink中每一个taskManager都是一个JVM进程，它可能会在独立的线程上执行一个或者多个subtask
为了控制一个taskManager能接受多少个task，taskManager通过task
slot来进行控制（一个taskManager至少有一个slot）
16.flink 是否允许任务共享slot？
默认情况下，flink允许子任务共享slot，即使它们是不同的子任务。这样的结果是，一个slot可以保存作业的整个管道
task slot是静态的概念，是指taskManager具有的并发执行能力
17.flink程序包含那几部分？
所有的flink程序都是由三部分的：source、Transformation和Sink
source负责读取数据源，Transformation利用各种算子进行处理加工，Sink负责输出
18.flink 的执行图包含那四部分？
StreamGraph -> JobGraph -> ExecutionGraph -> 物理执行图
19.什么是streamgraph？
是根据用户通过Stream API编写的代码生成的最初的图。用来表示程序的拓扑结构
20.什么是jobgraph？
StreamGraph经过优化后生成JobGraph,提交给JobManager的数据结构。主要优化为，将多个符合条件的节点chain（链）在一起作为一个节点
21.什么是executiongraph？
JobManager根据JobGraph生成ExecutionGrouph。ExectionGrouph是JobGrouph的并行化版本，是调度层最核心的数据结构
22.什么是物理执行图？
JobManager根据ExectionGrouph对Job进行调度后，在各个taskManager上部署task后形成的“图”，并不是一个具体的数据结构
23.什么是并行度？
一个特定算子的子任务（subtask）的个数被称之为其并行度（parallelism）。一般情况下，一个stream的并行度，可以认为就是其所有算子中最大的并行度
一个程序中，不同的算子可能具有不同的并行度
算子之间传输数据的形式可以是one-to-one(forwarding)的模式也可以是redistributing的模式，具体是哪一种形式，取决于算子的种类
one-to-one：stream维护者分区以及元素的顺序（比如source和map之间）。这就意味着map算子的子任务看到的元素的个数以及顺序跟source算子的子任务生产的元素的个数、顺序相同。map、fliter、flatmap、等算子都是one-to-one的对应关系
redistributing：stream的分区会发生改变。每一个算子的子任务依据所选择的transformation发送数据到不同的目标任务。例如：keyBy基于hashCode重分区、而broadcast和rebalance会随即重新分区，这些算子都会引起redistribute过程，而redistribute过程就类似于spark中的shuffle过程
24.什么是stream最大并行度？
一般情况下，一个stream的并行度，可以认为就是其所有算子中最大的并行度
25.算子的数据传输 2种形式？
one-to-one：stream维护者分区以及元素的顺序（比如source和map之间）。这就意味着map算子的子任务看到的元素的个数以及顺序跟source算子的子任务生产的元素的个数、顺序相同。map、fliter、flatmap、等算子都是one-to-one的对应关系
redistributing：stream的分区会发生改变。每一个算子的子任务依据所选择的transformation发送数据到不同的目标任务。例如：keyBy基于hashCode重分区、而broadcast和rebalance会随即重新分区，这些算子都会引起redistribute过程，而redistribute过程就类似于spark中的shuffle过程
26.flink 的任务链？
flink采用了一种称为任务链的优化技术，可以在特定的条件下减少本地雍熙的开销。为了满足任务链的要求，必须将两个或者多个算子设为相同的并行度，并通过本地转发（local forward）的方式进行连接
相同并行度的 one-to-one操作，flink这样相连的算子链接在一起形成一个task，原来的算子成为里面的subtask
并行度相同、并且是one-to-one操作，两个条件缺一不可
27.满足任务链的要求？
并行度相同、并且是one-to-one操作，两个条件缺一不可
28.flink 流split ，select？
Split
在这里插入图片描述
DataStream → SplitStream：根据某些特征把一个 DataStream 拆分成两个或者 多个 DataStream。
Select
在这里插入图片描述
SplitStream→DataStream：从一个 SplitStream 中获取一个或者多个 DataStream。 需求：传感器数据按照温度高低（以 30 度为界），拆分成两个流
29.流的connect 和 union 的区别？
Connect 与 Union 区别：
Union 之前两个流的类型必须是一样，Connect 可以不一样，在之后的coMap 中再去调整成为一样的。
Connect 只能操作两个流，Union 可以操作多个。
connect
在这里插入图片描述
DataStream,DataStream → ConnectedStreams：连接两个保持他们类型的数据 流，两个数据流被 Connect 之后，只是被放在了一个同一个流中，内部依然保持各 自的数据和形式不发生任何变化，两个流相互独立。
union
在这里插入图片描述
DataStream → DataStream：对两个或者两个以上的 DataStream 进行 union 操 作，产生一个包含所有 DataStream 元素的新 DataStream。
30.flink的数据类型？
基础数据类型
Flink支持所有的Java和Scala基础数据类型，Int, Double, Long, String, …
Java和Scala元组（Tuples）
Scala样例类（case classes）
Java简单对象（POJOs）
其它（Arrays, Lists, Maps, Enums, 等等）
Flink对Java和Scala中的一些特殊目的的类型也都是支持的，比如Java的ArrayList，HashMap，Enum等等。
31.什么是富函数？ 富函数有什么作用？
“富函数”是 DataStream API 提供的一个函数类的接口，所有 Flink 函数类都 有其 Rich 版本。它与常规函数的不同在于，可以获取运行环境的上下文，并拥有一 些生命周期方法，所以可以实现更复杂的功能。
RichMapFunction
RichFlatMapFunction
RichFilterFunction
…
Rich Function 有一个生命周期的概念。典型的生命周期方法有：
open()方法是 rich function 的初始化方法，当一个算子例如 map 或者 filter 被调用之前 open()会被调用。
close()方法是生命周期中的最后一个调用的方法，做一些清理工作。
getRuntimeContext()方法提供了函数的 RuntimeContext 的一些信息，例如函 数执行的并行度，任务的名字，以及
state 状态
32.flink window的类型？
时间窗口（Time Window）
滑动时间窗口
滚动时间窗口
会话窗口
计数窗口（Count Window）
滑动计数窗口
滚动计数窗口
33.window function 有哪些？
增量聚合函数(incremental aggregation functions)
每条数据到来就进行计算，保持一个简单的状态ReduceFunction, AggregateFunction
全窗口函数(full window functions)
先把窗口所有数据收集起来，等到计算的时候会遍历所有数据ProcessWindowFunction
34.flink 的时间语义？
Event Time：事件创建的时间
Ingestion Time：数据进入Flink的时间
Processing Time：执行操作算子的本地系统时间，与机器相关
35.乱序数据有什么影响？
当Flink 以Event Time模式处理数据流时，它会根据数据里的时间戳来处理基于时间的算子
由于网络、分布式等原因，会导致乱序数据的产生
乱序数据会让窗口计算不准确
36.什么是watermark？
Watermark是一种衡量Event Time进展的机制，可以设定延迟触发
Watermark是用于处理乱序事件的，而正确的处理乱序事件，通常用Watermark机制结合window来实现;
数据流中的Watermark用于表示timestamp小于Watermark的数据，都已经到达了，因此，window的执行也是由Watermark触发的。
watermark用来让程序自己平衡延迟和结果正确性
37.watermark的特点？
watermark是一条特殊的数据记录
watermark必须单调递增，以确保任务的事件时间时钟在向前推进，而不是在后退
watermark与数据的时间戳相关
38.flink 状态管理包含哪些？
状态一致性，故障处理以及高效存储和访问，以便开发人员可以专注于应用程序的逻辑。
39.flink 状态的类型？
算子状态(Operator State)
算子状态的作用范围限定为算子
任务键控状态(Keyed State)
根据输入数据流中定义的键(key) 来维护和访问
40.算子状态的特点？
算子状态的作用范围限定为算子任务，由同一并行任务所处理的所有数据都可以访问到相同的状态
状态对于同一任务而言是共享的
算子状态不能由相同或不同算子的另一个任务访问
41.算子状态的数据结构？
列表状态(List state)
将状态表示为一组数据的列表
联合列表状态(Union list state)
也将状态表示为数据的列表。它与常规列表状态的区别在于，在发生故障时，或者从保存点(savepoint) 启动应用程序时如何恢复
广播状态(Broadcast state)
如果一个算子有多项任务，而它的每项任务状态又都相同，那么这种特殊情况最适合应用广播状态。
42.键控状态特点？
键控状态是根据输入数据流中定义的键(key) 来维护和访问的
Flink为每个key维护一一个状态实例，并将具有相同键的所有数据，都分区到同一个算子任务中，这个任务会维护和处理这个key对应的状态
当任务处理一条数据时， 它会自动将状态的访问范围限定为当前数据的key
43.键控状态的数据结构？
值状态(Value state)
将状态表示为单个的值
列表状态(List state)
将状态表示为一组数据的列表
映射状态(Map state)
将状态表示为一组Key-Value对
聚合状态(Reducing state & Aggregating State)
将状态表示为一个用于聚合操作的列表
44.什么是状态后端？
每传入一条数据，有状态的算子任务都会读取和更新状态
由于有效的状态访问对于处理数据的低延迟至关重要，因此每个并行任务都会在本地维护其状态，以确保快速的状态访问
状态的存储、访问以及维护，由一个可插入的组件决定，这个组件就叫做状态后端(state backend)
45.状态后端的职责？
状态后端主要负责两件事:本地的状态管理，以及将检查点(checkpoint)状态写入远程存储
46.状态后端的类型？
MemoryStateBackend
内存级的状态后端，会将键控状态作为内存中的对象进行管理，将它们存储在TaskManager的JVM堆上，而将checkpoint存储在JobManager的内存中
特点:快速、低延迟，但不稳定
FsStateBackend
将checkpoint存到远程的持久化文件系统(FileSystem) 上，而对于本地状态，跟MemoryStateBackend一样，也会存在TaskManager的JVM堆上
同时拥有内存级的本地访问速度，和更好的容错保证
RocksDBStateBackend
将所有状态序列化后，存入本地的RocksDB中存储。
47.什么是processfunction 函数？
ProcessFunction是一个低阶的流处理操作，它可以访问流处理程序的基础构建模块:
事件(event)(流元素)
状态(state)(容错性，一致性， 仅在keyed stream中)
定时器(timers)(event time和processing time，仅在keyed stream中)
ProcessFunction可以看作是一个具有keyed state和timers访问权的FlatMapFunction
通过RuntimeContext访问keyed state
计时器允许应用程序对处理时间和事件时间中的更改作出响应。对processElemet（…)函数的每次调用都获得一个Context对象，该对象可以访问元素的event time timestamp和TimerService
TimerService可用于为将来的event/process time瞬 间注册回调。当到达计时器的特定时间时，将调用onT1imer…)方法。在该调用期间，所有状态都再次限定在创建计时器时使用的键的范围内，从而允许计时器操作键控状态
48.processfunction 函数有哪些？
Flink 提供了 8 个 Process Function：
ProcessFunction
KeyedProcessFunction
CoProcessFunction
ProcessJoinFunction
BroadcastProcessFunction
KeyedBroadcastProcessFunction
ProcessWindowFunction
ProcessAllWindowFunction
49.什么是侧输出流？
Flink 处理数据流时，我们经常会遇到这种情况：在处理一个数据源时，往往需要将该数据源中的不同类型的数据做分割处理，如果使用filter算子对数据源进行筛选分割的话，势必会造成数据流的多次复制，造成不必要的性能浪费；Flink中的侧输出就是将数据流进行分割，而不对流进行复制的一种分流机制，flink的侧输出的另一个作用就是对延时迟到的数据进行处理，这样就可以不必丢弃迟到的数据。案例：假设我们的需求是实时的从kafka接收生产数据，我们需要对迟到超过一定时长的数据进行另行处理。
50.flink 故障恢复机制的核心？
flink故障恢复机制的核心，就是应用状态的一致性检查点。
51.什么是有状态的一致性检查点？
有状态流应用的一致检查点，其实就是所有任务的状态，在某个时间点的一份拷贝(一 份快照) ；这个时间点，应该是所有任务都恰好处理完一个相同的输入数据的时候
52.如何从检查点恢复状态？
在执行流应用程序期间，Flink 会定期保存状态的一致检查点
如果发生故障，Flink 将会使用最近的检查点来一致恢复应用程序的状态，并重新启动处理流程
遇到故障之后，第一步就是重启应用
第二步是从checkpoint中读取状态，将状态重置
从检查点重新启动应用程序后，其内部状态与检查点完成时的状态完全相同
第三步:开始消费并处理检查点到发生故障之间的所有数据
这种检查点的保存和恢复机制可以为应用程序状态提供"精确一次"(exactly-once)的一致性，因为所有算子都会保存检查点并恢复其所有状态，这样一来所有的输入流就都会被重置到检查点完成时的位置
53.什么是保存点？
Flink还提供了可以自定义的镜像保存功能，就是保存点(savepoints)
原则上，创建保存点使用的算法与检查点完全相同，因此保存点可以认为就是具有一些额外元数据的检查点
Flink不会自动创建保存点，因此用户(或者外部调度程序)必须明确地触发创建操作
保存点是一个强大的功能。除了故障恢复外， 保存点可以用于:有计划的手动备份，更新应用程序，版本迁移，暂停和重启应用，等等
54.检查点（checkpoint）和保存点（savepoint）的区别？
checkpoint的侧重点是“容错”，即Flink作业意外失败并重启之后，能够直接从早先打下的checkpoint恢复运行，且不影响作业逻辑的准确性。而savepoint的侧重点是“维护”，即Flink作业需要在人工干预下手动重启、升级、迁移或A/B测试时，先将状态整体写入可靠存储，维护完毕之后再从savepoint恢复现场。
savepoint是“通过checkpoint机制”创建的，所以savepoint本质上是特殊的checkpoint。
checkpoint面向Flink Runtime本身，由Flink的各个TaskManager定时触发快照并自动清理，一般不需要用户干预；savepoint面向用户，完全根据用户的需要触发与清理。
checkpoint的频率往往比较高（因为需要尽可能保证作业恢复的准确度），所以checkpoint的存储格式非常轻量级，但作为trade-off牺牲了一切可移植（portable）的东西，比如不保证改变并行度和升级的兼容性。savepoint则以二进制形式存储所有状态数据和元数据，执行起来比较慢而且“贵”，但是能够保证portability，如并行度改变或代码升级之后，仍然能正常恢复。
checkpoint是支持增量的（通过RocksDB），特别是对于超大状态的作业而言可以降低写入成本。savepoint并不会连续自动触发，所以savepoint没有必要支持增量。
55.什么是状态一致性？
有状态的流处理，内部每个算子任务都可以有自己的状态
对于流处理器内部来说，所谓的状态一致性， 其实就是我们所说的计算结果要保证准确。
一条数据不应该丢失，也不应该重复计算
在遇到故障时可以恢复状态，恢复以后的重新计算，结果应该也是完全正确的。
56.状态一致性的分类？
AT-MOST-ONCE (最多一次)
当任务故障时，最简单的做法是什么都不干，既不恢复丢失的状态，也不重 播丢失的数据。At-most-once 语义的含义是最多处理一次事件。
AT-LEAST-ONCE (至少一次)
在大多数的真实应用场景，我们希望不丢失事件。这种类型的保障称为at- least-once,意思是所有的事件都得到了处理，而一些事件还可能被处理多次。
EXACTLY-ONCE (精确一次)
恰好处理一次是最严格的保证，也是最难实现的。恰好处理一次语义不仅仅意味着没有事件丢失，还意味着针对每一个数据， 内部状态仅仅更新一次。
57.端到端的精确性？
目前我们看到的一致性保证都是由流处理器实现的，也就是说都是在Flink流处理器内部保证的;而在真实应用中，流处理应用除了流处理器以外还包含了数据源(例如Kafka)和输出到持久化系统
端到端的一致性保证，意味着结果的正确性贯穿了整个流处理应用的始终;每一个组件都保证了它自己的一致性
整个端到端的一致性级别取决于所有组件中-一致性最弱的组件
58.什么是幂等写入？
所谓幂等操作，是说一个操作，可以重复执行很多次，但只导致一次结果更改，也就是说，后面再重复执行就不起作用了
59.什么是2PC？
就是两阶段提交（Two-Phase-Commit）
对于每个checkpoint, sink 任务会启动一个事务，并将接下来所有接收的数据添加到事务里
然后将这些数据写入外部sink系统，但不提交它们–这时只是"预提交"
当它收到checkpoint完成的通知时，它才正式提交事务，实现结果的真正写入
这种方式真正实现了exactly-once,它需要一个提供事 务支持的外部sink系统。Flink 提供了TwoPhaseCommitSinkFunction接口。
60.flink和kafka端到端状态一致性的保证？
内部 – 利用checkpoint机制，把状态存盘，发生故障的时候可以恢复，保证内部的状态一致性
source – kafka
consumer作为source,可以将偏移量保存下来，如果后续任务出现了故障，恢复的时候可以由连接器重置偏移量，重新消费数据，保证一致性
sink-- kafka producer作为sink,采用两阶段提交sink,需要实现一个TwoPhaseCommitSinkFunction
61.kafka精确一致性（Exactly-once ) 两阶段提交的步骤？
第一条数据来了之后，开启一个kafka的事务(transaction) ，正常写入kafka分区日志但标记为未提交，这就是"预提交"
jobmanager触发checkpoint操作，barrier 从source开始向下传递，遇到barrier的算子将状态存入状态后端，并通知jobmanager
sink连接器收到barrier,保存当前状态，存入checkpoint,通知jobmanager,并开启下一阶段的事务，用于提交下个检查点的数据
jobmanager收到所有任务的通知，发出确认信息，表示checkpoint完成
sink任务收到jobmanager的确认信息，正式提交这段时间的数据
外部kafka关闭事务，提交的数据可以正常消费了。
62.Flink 的数据抽象及数据交换过程？
Flink 为了避免 JVM 的固有缺陷例如 java 对象存储密度低，FGC 影响吞吐和响应等，实现了自主管理内存。MemorySegment 就是 Flink 的内存抽象。默认情况下，一个 MemorySegment 可以被看做是一个 32kb 大的内存块的抽象。这块内存既可以是 JVM 里的一个 byte[]，也可以是堆外内存（DirectByteBuffer）。在 MemorySegment 这个抽象之上，Flink 在数据从 operator 内的数据对象在向 TaskManager 上转移，预备被发给下个节点的过程中，使用的抽象或者说内存对象是 Buffer。对接从 Java 对象转为 Buffer 的中间对象是另一个抽象 StreamRecord。
63.flink Checkpoint的理解
轻量级容错机制(全局异步，局部同步)
保证exactly-once 语义
用于内部失败的恢复
基本原理：通过往source 注入barrier，barrier作为checkpoint的标志