前面讲了常用的DataSource的用法，DataSource其实是把数据加载进来，加载进来之后就需要做Transformation操作了。Data transformations transform one or more DataSets into a new DataSet. Programs can combine multiple transformations into sophist
转载
2024-07-26 12:45:08
54阅读
RocksDB是Flink中用于持久化状态的默认后端，它提供了高性能和可靠的状态存储。然而，当处理大型状态并频繁读写时，可能会导致背压问题，因为RocksDB需要从磁盘读取和写入数据，而这可能成为瓶颈。遇到的问题Flink开发中遇到读写state大对象的问题，Flink webUI 火焰图表现如下：从图上看，瓶颈卡在序列化与反序列化，结合业务逻辑代码，业务涉及state大对象的读写，并且是Valu
问题 历史问题，磁盘分配的比较小，但是jenkins 配置的任务越来越多，不然会影响项目的创建了 解决方法 基于rsync 以及软连接的模式，rsync 的好处是可以保证文件属性信息的完整，软连接的好处是保持使用一直 参考命令 rsync -avrc --delete --progress /var
原创
2021-07-25 11:53:42
587阅读
作业调度这篇文档简要描述了 Flink 怎样调度作业, 怎样在 JobManager 里描述和追踪作业状态调度Flink 通过 Task Slots 来定义执行资源。每个 TaskManager 有一到多个 task slot，每个 task slot 可以运行一条由多个并行 task 组成的流水线。 这样一条流水线由多个连续的 task 组成，比如并行度为 n 的 MapFunction 和 并
转载
2024-03-15 11:18:26
71阅读
Flink 运行时架构 文章目录Flink 运行时架构一、系统架构1. 作业管理器（JobManager）2. 任务管理器（TaskManager）二、作业提交流程1. 高层级抽象2. 独立模式（Standalone）3. YARN 集群三、一些重要概念1. 数据流图（Dataflow Graph）2. 并行度（Parallelism）3. 算子链（Operator Chain）4. 作业图（Jo
转载
2024-03-19 07:40:55
65阅读
.一 .前言二 .名词解释2.1. StreamGraph2.2. JobGraph2.3. ExecutionGraph2.4. 物理执行图二 .Flink 四层转化流程2.1. Program 到 StreamGraph 的转化2.2. StreamGraph 到 JobGraph 的转化2.3. JobGraph 到 ExexcutionGraph 以及物理执行计划 一 .前言Flink
数据流转——Flink的数据抽象及数据交换过程 本章打算讲一下flink底层是如何定义和在操作符之间传递数据的。1.1 flink的数据抽象1.1.1 MemorySegment Flink作为一个高效的流框架，为了避免JVM的固有缺陷（java对象存储密度低，FGC影响吞吐和响应等），必然走上自主管理内存的道路。这个MemorySegment就是Flink的内存抽象。默认情况下，一个Memory
转载
2024-03-31 08:42:53
38阅读
flink为了保证线上作业的可用性，提供了ha机制，如果发现线上作业失败，则通过ha中存储的信息来实现作业的重新拉起。我们在flink的线上环境使用了zk为flink的ha提供服务，但在初期，由于资源紧张，只是对zk进行了standalone的部署，但是在后期的使用中，发现单节点的集群很难提供很高的可用性，所以就尝试将目前的standalone的zk服务扩展为cluster的zk服务，这其中，也踩
转载
2024-04-24 15:00:13
43阅读
准备final StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
env.registerJobListener(new JobListener() {
@Override
public void onJobSubmitted(@Nullable JobCli
转载
2024-02-28 10:17:59
88阅读
1.Flink 相比传统的 Spark Streaming 有什么区别?Flink 是标准的实时处理引擎，基于事件驱动。而 Spark Streaming 是微批（Micro-Batch）的模型。1. 架构模型Spark Streaming 在运行时的主要角色包括：Master、Worker、Driver、Executor，Flink 在运行时主要包含：Jobmanager、Taskmanager
转载
2024-03-25 21:42:06
121阅读
在某客户日志数据迁移到火山引擎使用 ELK 生态的案例中，由于客户反馈之前 Logstash 经常发生数据丢失和收集性能较差的使用痛点，我们尝试使用 Flink 替代了传统的 Logstash 来作为日志数据解析、转换以及写入 ElasticSearch 的组件，得到了该客户的认可，并且已经成功协助用户迁移到火山。目前，Flink 已经支持该业务高峰期 1000+k/s 的数据写入。本文主要介绍
转载
2024-09-20 16:58:17
0阅读
1、首先我使用的Flink版本Flink1.12.02、出现错误场景在进行Flink和Hive（3.1.2）版本进行集成，通过sql-client.sh embedded来执行（select * from emp）语句时出现此错误信息---> 报错信息---> 分析org.apache.flink.util.FlinkException: Could not upload job fi
转载
2024-03-31 08:27:28
232阅读
flink源码阅读之JobGraph的生成过程本文flink版本为flink1.11flink job在最初会生成一个StreamGraph，然而StreamGraph只是程序初步得到的一个数据链路，根据算子的并行度等因素还能优化成为JobGraph。JobGraph的存在主要是为了兼容batch process，Streaming process最初产生的是StreamGraph，而batch
转载
2024-05-24 12:45:47
32阅读
一、概述Flink 整个系统主要由两个组件组成，分别为 JobManager 和 TaskManager，Flink 架构也遵循 Master - Slave 架构设计原则，JobManager 为 Master 节点，TaskManager 为 Worker （Slave）节点。 所有组件之间的通信都是借助于 Akka Framework，包括任务的状态以及 Checkpo
转载
2023-08-22 10:24:41
165阅读
1、简述：MirrorMaker为Kafka自带的数据迁移工具，可以利用此种方式直接进行kafka集群之间的数据迁移；减少中间组件的使用。（例如通过Flink以Kafka为Source，并且以Kafka作为Sink进行数据传输，当然是基于不对数据进行任何操作的前提下）2、原理：通过Consumer从旧的Kafka集群中消费数据，然后通过Producer将数据生产在目标kafka集群中，实现数据同步
转载
2024-04-04 11:08:59
46阅读
导读：作为短视频分享跟直播的平台，快手有诸多业务场景应用了Flink，包括短视频、直播的质量监控、用户增长分析、实时数据处理、直播 CDN 调度等。此次主要介绍在快手使用 Flink 在实时多维分析场景的应用与优化。主要内容包括：Flink 在快手应用场景及规模快手实时多维分析平台SlimBase-更省 IO、嵌入式共享 state 存储01Flink 在快手应用场景及规模首先看 F
这篇文档简要描述了 Flink 怎样调度作业, 怎样在 JobManager 里描述和追踪作业状态。调度Flink 通过 Task Slots 来定义执行资源。每个 TaskManager 有一到多个 task slot，每个 task slot 可以运行一条由多个并行 task 组成的流水线。 这样一条流水线由多个连续的 task 组成，比如并行度为 n 的 MapFunction 和 并行度为
转载
2024-03-16 15:25:54
84阅读
1、flink实时进行数据迁移将老版本或者低版本StarRocks表中的数据，迁移到新版本StarRocks表中，为了使用新版本中的各种新功能，故需要迁移数据，这种模式比较通用，对其他组件依赖比较少，方便快捷使用，推荐使用这种方式。迁移前后：该例子为了演示，表结构一模一样的哦，并亲测有效，强烈建议使用1.1、依赖该模式会用到组件（flink-connector-starrocks）进行读取写入即可
转载
2023-12-18 13:58:32
112阅读
目录1 History Server性能优化2 序列化3 复用对象4 数据倾斜1 History Server性能优化flink的HistoryServer主要是用来存储和查看任务的历史记录，具体信息可以看官网 https://ci.apache.org/projects/flink/flink-docs-release- 1.12/deployment/advanced/historyserve
最后一次偶然，从朋友那里得到一份“java高分面试指南”，里面涵盖了25个分类的面试题以及详细的解析：JavaOOP、Java集合/泛型、Java中的IO与NIO、Java反射、Java序列化、Java注解、多线程&并发、JVM、Mysql、Redis、Memcached、MongoDB、Spring、Spring Boot、Spring Cloud、RabbitMQ、Dubbo 、MyB
转载
2024-09-03 09:16:37
28阅读
