Flink的核心特性：

1、高吞吐，低延遲

2、結果的準確性，提供了事件時間和處理時間，對於亂序事件流仍然提供一致且準確地結果

3、精確一次(exactly-once)的狀態一致性保證

4、可以連線到最常用的儲存系統和分散式檔案系統

5、高可用，本身高可用的設定，再加上從故障中快速恢復和動態擴充套件任務的能力，能夠做到7*24小時全天候執行

6、能夠更新應用程式程式碼並將作業遷移到不同的Flink叢集，而不會丟失應用程式的狀態

Spark和Flink的區別：

1、資料處理架構不同

spark是以批處理為根本的，並支援在批處理之上進行流計算 在本質上還是批處理（微批處理）

Flink是以流處理為根本（有界流，無界流）

2、資料模型和執行架構不同

資料模型：

Spark底層模型是彈性分散式資料集（RDD）Spark Streaming進行微批處理的底層模型是DStream，實際上還是一組組小批資料的RDD的集合

Flink計底層資料模型時資料流（DataFlow）以及實踐Event序列

執行架構：

Spark做批處理計算，需要將任務對應的DAG劃分階段，一個完成經過shuffle階段在進行下一階段的計算

Flink是標準的流式執行模式，一個事件在一個節點上處理完成後傳送給下一個節點進行處理

Flink部署模式：

會話模式（Session Mode）

單作業模式（Per-Job Mode）

應用模式（Application Mode）

它們的主要區別在於：叢集的生命週期以及資源分配方式，以及應用的main方法到底執行在客戶端還是JobManager

會話模式：先啟動一個叢集，保持一個會話，在這個會話中通過客戶端提交作業（注意：叢集啟動時所有的資源都已經確定了，所以所有提交的作業會競爭叢集中的資源）

會話模式比較適合單個規模小。執行時間短的大量作業

單作業模式：為了更好的隔離資源 考慮為每個提交的作業啟動一個叢集

注意：Flink本身無法直接這樣執行，所以單作業模式一般需要藉助資源管理平臺來啟動叢集

應用模式：無需使用客戶端，直接把應用提交到JobManager上執行，為每一個提交的任務單獨啟動一個JobManager（也就是建立一個叢集）這個JobManger只為了執行這一個應用而存在，執行結束之後JobManger也就關閉了

區別：應用模式和單作業模式 都是提交作業後再建立叢集，單作業模式是通過客戶端來提交的 客戶端解析的每一個作業對應一個叢集 二應用模式下直接由Jobmanger執行應用程式 並且即使包含多個作業也只建立一個叢集

standlone模式

yarn模式

　　yarn模式就是把Flink應用提交給yarn上的Resourcemanager，yarn的Resourcemanager會向yarn的NodeManager申請容器，在這些容器上Flink會部署JobManager和TaskManager的例項，從而啟動叢集。Flink會根據執行在Jobmanager上的作業所需要的slots的數量動態分配TaskManager資源

　　yarn模式下的部署模式：

　　　　yarn-session：會話模式 需要首先申請一個yarn會話

yarn-session.sh -d

-d:後臺執行
-jm:配置JobManger所需要的記憶體

作業提交：
1）通過web UI提交作業
2）通過命令列提交作業
　　flink run -c 主類名 xxxxx.jar

　　　　per-job:單作業模式

　　　　提交作業的命令：flink run -d -t yarn-per-job -c 主類名 xxxx.jar 或者 flink run -m yarn-cluster -c 主類名 xxx.jar

　　　　檢視或者取消作業的命令：

　　　　flink list -t yarn-per-job -Dyarn.application.id=application_xxxx

　　　　flink cancel -t yarn-per-job -Dyarn.application.id=application_xxxx

　　　　application:應用模式

　　　　提交作業的命令：flink run-application -t yarn-application -c 主類名 xxxxxx.jar