Filnk简介

1. flink和spark的区别

2. 流处理和批处理

3. 无界流和有界流

4. 流处理和批处理

• 流处理

• 批处理

5. 离线计算和实时计算的区别

6. 实时计算面临的挑战

1.数据处理唯一性（如何保证数据只处理一次？至少一次？最多一次？）

2.数据处理的及时性（采集的实时数据量太大的话可能会导致短时间内处理不过来，如何保证数据能够及时的处理，不出现数据堆积？）

3.数据处理层和存储层的可扩展性（如何根据采集的实时数据量的大小提供动态扩缩容？）

4.数据处理层和存储层的容错性（如何保证数据处理层和存储层高可用，出现故障时数据处理层和存储层服务依旧可用？）

7. 什么是Flink?

8. Flink's feature

• 支持高吞吐、低延迟、高性能的流处理
• 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
• 支持高度灵活的窗口（Window）操作，支持基于time、count、session，以及data-driven的窗口操作
• 支持具有反压功能的持续流模型
• 支持基于轻量级分布式快照（Snapshot）实现的容错
• 一个运行时同时支持Batch on Streaming处理和Streaming处理
• Flink在JVM内部实现了自己的内存管理，避免了出现oom
• 支持迭代计算
• 支持程序自动优化：避免特定情况下Shuffle、排序等昂贵操作，中间结果有必要进行缓存

9. Blink

Flink技术栈

标签：存储,Filnk,处理,简介,Flink,支持,批处理,数据处理
来源： https://www.cnblogs.com/atao-BigData/p/16513479.html