flink主要应用于哪些场景 flink的应用场景实例

目录：

 

1 三大应用场景

1.1 事件驱动型

事务驱动型：计算和存储是在同一个位置。

事件驱动型：计算和存储是独立分开的。具有状态的应用，从一个或多个事件流中读取事件，并做出反应（触发计算，状态更新等）

事务驱动模型

事件驱动是，会从远程的事务数据库中读写数据。事件驱动型应用是基于传统的应用进化而来的。

典型的事件驱动应用场景：

事件驱动应用的优势：

访问本地数据更快

 事件驱动型应用，因为是读取本地数据，所以只需考虑自己数据，不会涉及到其他系统的修改。

1.2 flink是如何支持事件驱动应用的：

事件处理很重要的一个能力就是，处理时间和状态。

  

 

其中flink的savepoint 是一个一致性的状态镜像，可以记录多个应用状态，来使得应用可以安全放心的升级和扩容，并且还可以开启多个应用，来完成A/B测试。

1.2 数据分析型应用

什么是数据分析型应用：

流式数据分析应用：

 把结果写到外部数据库，或者内部状态中

 然后，报表等数据分析应用，可以从外部数据库，或者内部状态读取：

典型的数据分析场景：

流式查询的优势：

1.实时数据分析，相对批量离线数据分析，延迟低

2.解决了批量离线数据处理中的边界问题

3.利用故障恢复机制，解决了批量离线作业的调度复杂问题（以及上下游依赖导致的上游作业失败，下游作业无法运行）

 

 

 1.2.1 flink是如何支持数据分析应用的

1.提供标准SQL接口，不管是查询静态数据集，还是实时数据集都是可以的。

另外还支持自定义UDF函数。

而且，如果需要进一步定制处理逻辑，还可以使用DataSetAPI和DataStreamAPI提供更底层方法

另外，Flink的Gelly库提供了更多的图计算的库。

 

 

 

 

1.3 数据流水线应用

流水线简介：相对于ETL作业，流水线应用更实时

 

并且可以实现对目录，文件等实时监控，一旦发生改变可以随时捕获。

 

流水线应用的典型场景：

流水线的优势：

 

flink是如何支持流水线应用场景的：

提供大量连接器：

支持以时间分区的方式，来写入文件