一、Flink是什么？
Apache Flink是由Apache软件基金会开发的开源流处理框架，其核心是用Java和Scala编写的分布式流数据流引擎。Flink以数据并行和流水线方式执行任意流数据程序，Flink的流水线运行时系统可以执行批处理和流处理程序。此外，Flink的运行时本身也支持迭代算法的执行。
二、Flink的优点：
（1）同时支持高吞吐、低延迟、高性能； Flink 是目前唯一能同时集高吞吐、低延迟、高性能三者于一身的分布式流式数据处理框架。Apache Spark 只有高吞吐、高性能。因为SparkStream 做不到低延迟，本质还是微批处理。Apache Storm 只有低延迟、高性能，但达不到高吞吐。
（2）支持事件事件（Event Time）概念
（3）支持有状态计算
（4）支持高度灵活的窗口（Window）操作
（5）基于轻量级分布式快照实现的容错
（6）基于JVM实现独立的内存管理
（7）Save Points的实现

三、Flink应用场景
（1）实时推荐
（2）复杂事件处理
（3）实时欺诈检测
（4）实时数仓与ETL
（5）流数据分析
（6）实时报表分析
四、Flink 基本架构
1、基本组件栈

Flink的架构体系同样也遵行分层架构设计的理念，基本上分为三层，API&Libraries层、Runtine核心层以及物理部署层。 API&Libraries层：提供了支撑流计算和批计算的接口，同时在此基础之上抽象出不同的应用类型的组件库。 Runtime 核心层：负责对上层不同接口提供基础服务，支持分布式Stream作业的执行、JobGraph到ExecutionGraph 的映射转换、任务调度等，将DataStream和DataSet转成统一的可执行的Task Operator. 物理部署层：Flink 支持多种部署模式，本机，集群（Standalone/YARN）、云（GCE/EC2）、Kubenetes。
2、基本架构图

Flink系统由两个部分组成，分别是JobManager和TaskManager,Flink架构也遵行Master-Slave架构设计原则，JobManager是Master节点，TaskManager是Worker(Slave)节点。所有组件之间需要借助Akka Framework 来通讯，包括任务的状态和checkpoint触发等信息。
（1）client 客户端 客户端负责将任务提交到集群，与Jobmanager构建Akka连接，然后将任务提交到jobmanager,通过jobmanager之间进行交互获取任务执行状态。客户端提交任务可以cli方式或者通过使用Flink WebUI 提交。
（2）Jobmanager jobmanager 负责整个Flink集群任务的调度以及资源的管理，从客户端获取提交的任务，然后根据集群中Taskmanager 上TaskSlot的使用情况，为提交的应用分配相应的TaskSlot资源并命令Taskmanager 启动从客户端中获取的应用。Jobmanager 是集群中的Master节点，整个集群有且仅有一个active的jobmanager，负责整个集群的任务管理和资源管理。Jobmanager和TaskManager之间通过Actor System 进行通信，获取任务的执行情况并通过Actor System 将应用的任务的执行情况发送到客户端。同时在任务的执行过程中，Flink Jobmanager 会触发Checkpoints 操作，每个taskmanager 节点接受的到checkpoints触发命令后，完成checkpoints操作，所有的checkpoint协调过程都是在Flink Jobmanager中完成。当任务完成后，jobmanager会将任务执行信息返回到客户端，并释放掉taskmanager中的资源以供下一次任务使用。
（3）Taskmanager Taskmanager 相当于整个集群的slave 节点，负责具体的任务执行和对应任务在每个节点上的资源申请与管理。客户端通过将编写好的flink应用编译打包，提交到jobmanager，然后jobmanager会根据已经注册在jobmanger中taskmanager的资源情况，将任务分配到有资源的taskmanager节点，然后启动并运行任务。Taskmanager从jobmanager那接受需要部署的任务，然后使用slot资源启动task，建立数据接入网络连接，接受数据并处理。同时Taskmanager之间的数据交互都是通过数据流的方式进行的。
flink的任务运行其实是采用多线程的方式，能够极大的提高cpu使用效率，在多个任务之间通过taskslot方式共享系统资源，每个taskmanager对多个taskslot资源池进行管理。