做网站手机端需要pc端的源代码吗企业门户网站
参考视频：
尚硅谷大数据Flink1.17实战教程从入门到精通_哔哩哔哩_bilibili
核心目标：
数据流上的有状态的计算
具体说明： Apache Flink是一个 框架 和 分布式处理引擎，用于对 无界（eg：kafka） 和 有界（eg：文本） 数据流进行有状态计算
有状态： 存储中间的结果或者计算结果，保存在flink内部(内存/RockSDB)，定期存储到磁盘
状态在内存中： 速度快，但可靠性差
状态在分布式系统中：速度慢，但可靠性高
特点：
高吞吐和低延迟：
每秒处理数百万个事件，毫秒级延迟
结果的准确性：
Flink提供了事件时间（event-time） 和处理时间（processing-time）语义。对于乱序事件流，事件时间语义仍然能提供一致且准确的结果
精确一次(exactly-once)的状态一致性保证
可以连接到最常用的存储系统：
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和SparkStreaming比较
本质：spark streaming是批处理（RDD模型），flink是流处理
| Flink | Streaming | |
| 计算模型 | 流计算 | 微批处理 |
| 时间语义 | 事件时间，处理时间 | 处理时间 |
| 窗口 | 多，灵活 | 少，不灵活（窗口必须是批次的整数倍） |
| 状态 | 有 | 无 |
| 流式sql | 有 | 无 |
ps：
Flink提供了三种时间语义，以满足不同计算场景的需求：处理时间，事件时间和注入时间。
- 处理时间(Processing Time)：一种直观的时间语义，表示数据进入算子并开始处理的实际时间点。
- 事件时间(Event Time)：表示事件实际发生的时间，通常在消息的时间戳字段中找到。由于可能会有数据乱序的问题，但它能保证精确度高的计算场景。
- 注入时间(Ingestion Time)：介于处理时间和事件时间之间的折中选择，代表数据进入Flink处理系统的时间。
Flink分层API
| 最高层 | SQL（最好用） |
| 声明式领域专用语言 | Table API（像表一样处理数据，还不够好用） |
| 核心APIs | DataStream（数据流，流计算，高版本一般都用流计算） / DataSet API（数据集，批处理） |
| 底层APIs（处理函数） | 有状态流处理 |
有状态流处理：
通过底层API（处理函数），对最原始数据加工处理。底层API与DataStream API相集成，可以处理复杂的计算
DataStream API(流处理) 和 DataSet API（批处理）
封装了底层处理函数，提供了通用的模块，比如转换(transformations,包括map,flatmap等) ，连接(join),聚合(aggregations)，窗口(windows)操作等。
注意：Flink1.12以后，DataStream API已经实现真正的批流一体，所以DataSet API已经过时
Table API
以表未中心的声明式编程，其中表可能会动态变化。 Table API遵循关系模型：表有二维数据结构，类似于关系数据库中的表；同时API提供可比较的操作，例如：select,project,group-by,aggregate等。 我们可以在表与 DataStream / DataSet之间无缝切换，以允许程序将Table API 与DataStream / DataSet 混合使用
SQL
这一层在语法与表达能力上与Table API类似，但是以SQL查询表达式的形式表现程序。
SQL抽象与Table API交互密切，同时SQL查询可以直接在Table API定义的表上执行
Flink快速上手
<dependency><groupId>org.apache.flink</groupId><artifactId>flink-streaming-java</artifactId><version>1.17.0</version></dependency><dependency><groupId>org.apache.flink</groupId><artifactId>flink-clients_2.10</artifactId><version>1.17.0</version></dependency>看视频吧，不同的引包写法有差异
Flink集群部署
组件流程介绍
flink提交作业和执行任务，需要几个关键组件：
客户端（client）：代码由客户端获取并作转换，之后提交给 jobManager
JobManager：就是flink集群里的“管事人”，对作业进行中央调度管理；而它获取到要执行的作业后，会进一步处理转换，然后分发任务给众多的TaskManager
TaskManager：就是真正“干活的人”，数据的处理操作都是它们来做的
注意：
流程：
Flink Client -> 一个JobManager（协调调度中心） -> N个TaskManager(工作节点)
多个备用 JobManager
Flink是一个非常灵活的处理框架，它支持多种不同的部署场景，还可以和不同的资源管理平台方便地集成
集群搭建：
集群规划：
| 节点服务器 | hadoop102 | hadoop103 | hadoop104 |
| 角色 | JobManager,TaskManager | TaskManager | TaskManager |
下载解压安装包
eg：flink-1.17.0-bin-scala_2.12.tgz
vim flink-conf.yaml
jobmanager.rpc.address: hadoop102 （rpc连接的地址）
jobmanager.bind-host: 0.0.0.0 （任何机器都可以访问）
rest.address: hadoop102 （Rest Api访问地址）
rest.bind-address: 0.0.0.0taskmanager.bind-host: 0.0.0.0
taskmanager.host: hadoop102 (不同服务器配置相应的ip)还可更改
jobmanager.rpc.port:6123
jobmanager.memory.process.size：48g
taskmanager.memory.process.size：8g
taskmanager.numberOfTaskSlots: 24
parellelism.default: 8 # 并行数量
high-availability: zookeeper
high-availability.storageDir: ftp://sjsy:chianoly@139.6.0.224:6600/flink/ha/
high-availability.zookeeper.quorum: zk01:2181,zk02:2181,zk03:2181
jobmanager.execution.failover-strategy: region
#历史服务器
jobmanager.archive.fs.dir: ftp://sjsy:chianoly@139.6.0.224:6600/flink/completed-jobs/
historyserver.web.address: 0.0.0.0
historyserver.web.port: 8082
historyserver.archive.fs.dir: ftp://sjsy:chianoly@139.6.0.224:6600/flink/completed-jobs/
heartbeat.timeout: 180000
akka.ask.timeout: 60s
web.timeout: 1000000
state.checkpoints.num-retained: 3vim workers
hadoop102
hadoop103
hadoop104vim masters(jobmanager)
hadoop102:8081
//可以多个
hadoop105:8081
hadoop106:8081
...webUI访问:
http://hadoop:8081/
参考文档：
【大数据】Flink 架构（三）：事件时间处理-CSDN博客
Flink架构、原理与部署测试_未来链flink-CSDN博客