Apache Flink 是一个分布式流处理框架，擅长处理有状态的实时计算。与 Spark Streaming 的微批处理模式不同，Flink 是真正的流式处理引擎，事件到达即处理，延迟可以低至毫秒级。

为什么选择 Flink？

在实时数据处理场景中，我们经常面临以下挑战：

• 低延迟要求：风控系统需要在 100ms 内判断一笔交易是否异常
• 精确一次语义：金融场景下不能多算也不能漏算
• 状态管理：需要维护窗口聚合、去重等状态
• 事件时间处理：处理乱序事件和迟到数据

核心概念

DataStream API

Flink 最核心的 API 是 DataStream，它将数据流抽象为有状态的变换操作：

StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();

DataStream<String> text = env.socketTextStream("localhost", 9999);

DataStream<Tuple2<String, Integer>> counts = text
    .flatMap(new Tokenizer())
    .keyBy(value -> value.f0)
    .sum(1);

counts.print();
env.execute("WordCount");

时间语义

Flink 支持三种时间语义：处理时间（Processing Time）、事件时间（Event Time）和注入时间（Ingestion Time）。对于大多数业务场景，我们使用事件时间，通过 Watermark 机制处理乱序数据。

窗口机制

Flink 提供了丰富的窗口类型：

• 滚动窗口：固定大小，不重叠
• 滑动窗口：固定大小，可重叠
• 会话窗口：根据活跃度动态划分
• 全局窗口：自定义触发器

实践建议

在实际项目中，以下几点经验值得注意：

• 合理设置 Checkpoint 间隔，通常 30s-1min
• 使用 RocksDB 作为状态后端处理大状态
• Watermark 延迟要结合业务场景设置
• 注意反压问题，及时监控

Flink 的学习曲线比 Spark 稍陡，但在低延迟、有状态的流处理场景中，它几乎是最佳选择。