Flink 编程接口

1 数据集类型

现实世界中，所有的数据都是以流式的形态产生的，不管是哪里产生的数据，在产生的过程中都是一条条地生成，最后经过了存储和转换处理，形成了各种类型的数据集。

根据现实世界中，数据产生方式和数据产生是否含有边界（具有起始点和终止点）角度，将数据分为两种类型的数据集，一种是有界数据集，另外一种是无界数据集。

（1）有界数据集

有界数据具有时间边界，在处理过程中数据一定会在某个时间范围内起始和结束，有可能是一分钟，也有可能是一天内的交易数据。

对有界数据集的数据处理方式被称为批计算，例如将数据从 RDBMS 或文件系统中读取出来，然后在分布式系统内处理，最后再将处理结果写入存储介质中，整个过程就被称为批处理。

（2）无界数据集

数据从开始生成就一直持续不断地产生新的数据，因此数据是没有边界的，例如服务器的日志，传感器信号等。

和批量数据处理方式对应，对无界数据集的处理方式被称为流式处理（Stream Process）。

可以看出，流式数据处理过程实现复杂度会更高，因为需要考虑处理过程中数据的顺序错乱，以及系统容错方面的问题。

（3）统一数据处理

有界数据集和无界数据集只是一个相对的概念，主要根据时间的范围而定，可以认为一段时间内的无界数据集其实就是有界数据集，同时有界数据也可以通过一些方法转换成无界数据集。

例如系统一年的订单交易系统，其本质上应该是有界的数据集，可是当我们把它一条一条按照产生的顺序发送到流式系统，通过流式系统对数据进行处理，在这种情况下可以认为数据是相对无界的。

对于无界数据也可以拆分成有界数据进行处理，例如将系统产生的数据接入到存储系统，按照年或月进行切割，切分成不同时间长度的有界数据集，然后就可以通过批处理方式对数据进行处理。

从以上，我们可以得出一个结论：有界数据和无界数据其实是可以相互转换的。

目前业界比较熟知的开源大数据处理框架中，能够同时支持流式计算和批量计算，比较典型的代表为 Apache Spark 和 Apacke Flink 两套框架。

Spark 是通过批处理模式来统一处理不同类型的数据集，对于流数据是将数据按照批次切分成微批（有界数据集）来进行处理。

Flink 用比较符合数据产生的规律方式处理流式数据，对于有界数据可以转换成无界数据统一处理，最终将批处理和流处理统一在一套流式引擎中。

说完了数据集类型之后，我们来看看 Flink 提供了哪些编程接口来处理数据。

2 Flink 编程接口

Flink 根据数据集类型的不同将核心数据处理接口分为两大类，一类是 批计算接口 DataSet API，一类是支持流式计算的接口 DataStream API。

同时 Flink 将数据处理接口抽象成四层，由上而下分别为 SQL API，Table API，DataStream/DataSet API，以及 StateFul Stream Processing API

（1）Flink SQL

Flink 提供了统一的 SQL API 完成对批计算和流计算的处理，SQL语言具有比较低的学习成本，能够让数据分析人员和开发人员快速的上手

（2）Table API

Table API 将内存中的 DataStream 和 DataSet 数据集在原有的基础之上增加 Schema 信息，将数据类型统一抽象成表结构，然后通过 Table API 提供的接口处理对应的数据集。

SQL API 可以直接查询 Table API 中注册表中的数据表。

Table API 构建在 DataStream 和 DataSet 之上的同时，提供了大量面向领域语言的编程接口，例如 GroupByKey，Join 等操作符，提供给用户一种更加友好的处理数据集的方式。

同时 Table API 在转换为DataStream 和 DataSet 的数据处理过程中，也应用了大量的优化规则对处理逻辑进行了优化。

（3）DataStream API 和 DataSet API

DataStream API 处理流式数据，DataSet API 处理批量数据，用户 可以使用 map，filter，join，aggregation，window 等方法，同时每种接口都支持了 Java、Scala 及 Python 多种语言

（4）Stateful Stream Process API

这个 Api 是Flink 中处理 Stateful Stream 最底层的接口，用户可以通过这个 api 接口操作状态、时间等底层数据。

使用 Stateful Stream Process API 接口开发应用灵活性非常强，可以实现非常复杂的流式计算逻辑，但是相对用户使用成本也比较高，一般企业使用Flink 进行二次开发或深度封装的时候会用到这层接口。