#1.FLINK的优点
1.批流统一
同一套代码，同一个SQL可以跑批处理，也可以跑流处理。
2.性能卓越
3.规模计算
支持水平扩展架构
支持超大状态与增量检查点机制
状态:计算过程中的数据或者数据本身。
大公司情况
每天处理数万亿的事件(数据)
应用维护几个TB大小的状态
应用在数千个CPU核心上运行。
4.生态兼容
支持与yarn集成
支持与kubernetes集成
支持单机模式运行
5.高容错
故障自动重试
一致性检查点
保证故障现场下精确一次的状态一致性
3.全新版本
基于最新Flink1.17.0版本
新source接口用法
新sink接口用法
通用增量检查点changelog
导入依赖的变化
#2.Flink是什么
Flink的官方主页地址: https://flink.apache.org
Flink的核心目标，是“数据流上的有状态计算”(Stateful Computations over Data Streams)
具体说明: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将那些有状态计算。
事件驱动型应用
流处理的流水线
流&批数据分析
有界和无界流
1.无界数据流
有定义流的开始，但没有定义流的结束
他们会无休止的产生数据
无界流的数据必须持续处理，即数据被摄取后需要立即处理。
我们不能等到所有数据都到达后再处理，因为输入是无限的。
2.有界数据流
有定义流的开始，也有定义流的结束。
有界流可以在摄取所有数据后再进行计算
有界流所有数据可以被排序，所以并不需要有序摄取。
有界流处理通常被称为批处理。
有状态流处理
把流处理需要的额外数据保存成一个"状态",然后针对这条数据进行处理，并且更新状态。这就是所谓的"有状态的流处理"
状态在内存中:优点，速度快，缺点:可靠性差。
#3.Flink的特点
我们处理数据的目标是:低延迟，高吞吐，结果的准确性和良好的容错性。
flink主要特点如下:
高吞吐和低延迟:每秒处理数百万个事件，毫秒级延迟。每秒上亿条数据。
结果的准确性:flink提供了事件事件(event-time)和处理时间(processing-time)定义。
对于乱序事件流，事件时间定义仍然能提供一致且准确的结果。
精准一次(exactly-once)的状态一致性保证
Flink可以连接到最常用的存储系统:如kafka,Hive,JDBC,HDFS,Redis等
高可用:本身高可用的设置，加上与K8S，YARN和Mesos的紧密集成，再加上从故障中快速恢复和动态扩展任务的能力，
Flink能做到以极少的停机时间7*24全天候运行。
Flink vs SparkStreaming
Spark以批处理为根本。
spark数据模型:spark 采用 RDD模型，sparkStreaming的DStream 实际上也就是一组组小批数据RDD的集合。
spark运行时架构: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以流处理为根本。
Flink数据模型:Flink基本数据模型是数据流，以及事件(Event)序列。
flink运行时机构:flink是标准的流执行模式，一个事件再一个节点处理完后可以直接发往下一个节点进行处理。
