随着大数据技术在各行各业的广泛应用，要求能对海量数据进行实时处理的需求越来越多，同时数据处理的业务逻辑也越来越复杂，传统的批处理方式和早期的流式处理框架也越来越难以在延迟性、吞吐量、容错能力以及使用便捷性等方面满足业务日益苛刻的要求。

在这种形势下，新型流式处理框架Flink通过创造性地把现代大规模并行处理技术应用到流式处理中来，极大地改善了以前的流式处理框架所存在的问题。

一句话：flink是etl的工具。

flink的层次结构:

其中，

windows下flink示例程序的执行 简单介绍了一下flink在windows下如何通过flink-webui运行已经打包完成的示例程序(jar)

从flink-example分析flink组件(1)WordCount batch实战及源码分析讲到DataSet的转换

从flink-example分析flink组件(2)WordCount batch实战及源码分析----flink如何在本地执行的？flink batch批处理如何在本地执行的

从flink-example分析flink组件(3)WordCount 流式实战及源码分析 flink stream流式处理如何在本地执行的？

使用flink Table &Sql api来构建批量和流式应用(1)Table的基本概念介绍了Table的基本概念及使用方法

使用flink Table &Sql api来构建批量和流式应用(2)Table API概述介绍了如何使用Table

使用flink Table &Sql api来构建批量和流式应用(3)Flink Sql 使用 介绍了如何使用sql

flink dataset api使用及原理 介绍了DataSet Api

flink DataStream API使用及原理介绍了DataStream Api

flink中的时间戳如何使用？---Watermark使用及原理 介绍了底层实现的基础Watermark

flink window实例分析 介绍了window的概念及使用原理

Flink中的状态与容错 介绍了State的概念及checkpoint，savepoint的容错机制

flink的特征

最后，给出官网给出的特征作为结束：

1、一切皆为流（All streaming use cases ）

• 事件驱动应用(Event-driven Applications)

• 流式 & 批量分析(Stream & Batch Analytics)

• 数据管道&ETL(Data Pipelines & ETL)

2、正确性保证(Guaranteed correctness)

• 唯一状态一致性(Exactly-once state consistency)
• 事件-事件处理(Event-time processing)
• 高超的最近数据处理(Sophisticated late data handling)

3、多层api(Layered APIs)

• 基于流式和批量数据处理的SQL(SQL on Stream & Batch Data)
• 流水数据API & 数据集API(DataStream API & DataSet API)
• 处理函数 (时间 & 状态)(ProcessFunction (Time & State))

4、易用性

• 部署灵活(Flexible deployment)
• 高可用安装(High-availability setup）
• 保存点(Savepoints)

5、可扩展性

• 可扩展架构(Scale-out architecture)
• 大量状态的支持(Support for very large state)
• 增量检查点(Incremental checkpointing)

6、高性能

• 低延迟(Low latency)
• 高吞吐量(High throughput)
• 内存计算(In-Memory computing)

flink架构 

1、层级结构

2.工作架构图