5个月的千锋大数据培训学习，只是冰山一角，对于大数据职业生涯，我们要走的路还很长。苦是真的，但是活着，身上的责任和梦想就应该去承担、去实现，要微笑的去面对磨砺。
马上就要上战场了，今年毕业生820万，想想都可怕。付出不一定有结果，但是，不付出一定什么都没有!大数据学习内容杂而多，要系统的掌握整体，需要很多的时间。包括Apache官网的各个框架的熟悉，更是需要时间的沉淀。好在遇到了千锋的负责讲师，整体课程安排也十分科学，以下是我对大数据Flink部分学习的一些总结：
Flink是一个分布式流处理的开源框架，提供准确的结果，即使在无序或迟到数据的情况下也是如此，具有状态和容错能力，可以在保持一次性应用程序状态的同时无缝地从故障中恢复，大规模执行，在数千个节点上运行，具有非常好的吞吐量和延迟特性。
此前，我们讨论了将数据集的类型(有界还是无界)与执行模型的类型(批量与流媒体)进行对齐。下面列出的许多Flink功能 - 状态管理，无序数据的处理，灵活的窗口 - 对于在无界数据集上计算精确的结果非常重要，并且由Flink的流式执行模型来实现。
Flink保证有状态计算的exactly-once。“有状态的”意味着应用程序可以维护一段时间内已经处理的数据的汇总或汇总，并且Flink的检查点设置机制确保在发生故障时应用程序的状态exactly-once。
Flink支持流处理和窗口事件时间semantics。事件时间可以轻松计算事件到达顺序不正确，事件可能延迟到达的流的精确结果。
除了数据驱动的窗口，Flink还支持基于时间，计数或会话的灵活窗口。Windows可以通过灵活的触发条件进行定制，以支持复杂的流模式。Flink的窗口可以模拟数据创建环境的实际情况。
Flink的容错功能是轻量级的，可以让系统保持高吞吐率，同时提供一次性一致性保证。Flink从零数据丢失的故障恢复，而可靠性和延迟之间的折衷可以忽略不计。
Flink能够提供高吞吐量和低延迟(快速处理大量数据)。下面的图表显示了Apache Flink和Apache Storm的性能，完成了需要流式数据混洗的分布式项目计数任务。
Flink的保存点提供了一个状态版本管理机制，可以更新应用程序或重新处理历史数据，而且不会丢失状态，停机时间最短。
Flink设计用于在数千个节点的大型集群上运行，除了独立集群模式之外，Flink还提供对YARN和Mesos的支持。
希望我们能用大数据人工智能去改变这个世界!
京公网安备 11010802030320号