fwk19840301的博客

支持带有事件时间的窗口 （Window） 操作支持有状态计算的 Exactly-once语义 （依靠以下两点保证）1.flink的checkpoint特性，Flink 检查点算法（Chandy-Lamport 算法的变种） 2.是两阶段提交检查点算法的种类一种简单的想法（同步的思想）暂停应用，保存状态到检查点，再重新恢复应用（SparkStreaming）Flink 的改进实现（异步的思想）基于Chandy-Lamport 算法的分布式快照算法 将检查点的保存和数据处理分离开，不

所有的Process Function 都继承自RichFunction 接口，所以都有open()、close() 和getRuntimeContext() 等方法

窗口(Window)就是将无限流切割为有限流的一种方式，它会将流数据分发到有限大小的桶（bucket）中进行分析时间窗口（Time Window）滚动时间窗口将数据依据固定的窗口长度对数据进行切分时间对齐，窗口长度固定，没有重叠滑动时间窗口 会话窗口（只有Flink 支持）计数窗口（Count Window）滚动计数窗口 滑动计数窗口窗口分配器——window() 方法处理时间窗口window(TumblingProcessingTimeWindows.of(T

Flink 中的特点时间驱动（Event-driven）流批一体基于流的世界观：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Spark Streaming和Flink的区别数据模型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（Event）序列（Integer、String、Long