flink面试常见题带答案(持续更新)_flink面试题2023

1. 什么是Apache Flink (为什么使用 Flink 替代 Spark?)

• Apache Flink 是一个开源的基于流的有状态计算架。它是分布式地执行的，具备低延迟、高吞吐的优秀性能，并且非常擅长处理有状态的复杂计算逻辑场景。

2. Flink的核心概念

• Event Streams:即事件流，事件流可以是实时的也可以是历史的。Flink 是基于流的，但它不止能处理流，也能处理批，而流和批的输入都是事件流，差别在于实时与批量。
• State: Flink 擅长处理有状态的计算。通常的复杂业务逻辑都是有状态的，它不仅要处理单一的事件，而且需要记录一系列历史的信息，然后进行计算或者判断
• Time: 最主要处理的问题是数据乱序的时候，一致性如何保证
• Snapshots: 实现了数据的快照、故障的恢复，保证数据一致性和作业的升级迁移等

3. 作业在很多情况下有可能会失败。失败之后重新去运行时，我们如何保证数据的一致性?

• Fink 基于 Chandv-Lampot 算法，会把分布式的每一个节点的状态保存到分布式文件系统里面作为 Checkpoint(检点)，过程大致如下。首先，从数据源端开始注入 Checkpoint Barrier，它是一种比较特殊的消息。
• 然后它会跟普通的事件一样随着数据流去流动，当 Barrier 到达算子之后，这个算子会把它当前的本地状态进行快照保存，当 Barrier流动到 Sink，所有的状态都保存完整了之后，它就形成一个全局的快照。
• 这样当作业失败之后，就可以通过远程文件系统里面保存的 Checkpoint 来进行回滚:先把 Source 回滚到 Checkpoint 记录的ofset，然后把有状态节点当时的状态回滚到对应的时间点，进行重新计算。这样既可以不用从头开始计算，又能保证数据语义的一致性。

4. Flink的时间语义

• Event Time: 事件创建的时间
• Ingestion Time: 数据进入Flink的时间
• Processing Time: 执行操作算子的本地系统时间，与机器相关

5. Flink的API可分为哪几层?

• SQL & Tale AP!同时适用于批处理和流处理，这意味着你可以对有界数据流和无界数据流以相同的语义进行查询，并产生相同的结果。除了基本查询外， 它还支持自定义的标量函数，聚合函数以及表值函数，可以满足多样化的查询需求。
• DataStream & DataSet API 是 Flink 数据处理的核心 APL，支持使用 Java 语言或 Scala 语言进行调用，提供了数据读取，数换和数据输出等一系列常用操作的封装。
• Stateful Stream Processing 是最低级别的抽象，它通过 Process Function 函数内嵌到 DataStream AP1 中。ProcessEunction 是 Elink 提供的最底层 API，具有最大的灵活性，允许开发者对于时间和状态进行细粒度的控制。

6. Flink运行时组件

• 1. 作业管理器 (JobManager)
  • 1.控制一个应用程序执行的主进程，也就是说，每个应用程序都会被一个不同的Jobmanager所控制执行
  • 2.Jobmanager会先接收到要执行的应用程序，这个应用程序会包括: 作业图(Job Graph) 、逻辑数据流图 (Logical dataflowgraph) 和打包了所有的类、库和其它资源的JAR包。
  • 3.Jobmanager会把Jobgraph转换成一个物理层面的数据流图，这个图被叫做“执行图”Executiongraph)，包含了所有可以并发执3行的任务。Job Manager会向资源管理器(Resourcemanager) 请求执行任务必要的资源，也就是任务管理器(Taskmanacer)上的插槽slot。一旦它获取到了足够的资源，就会将执行图分发到真正运行它们的 Taskmanager上。而在运行过程中Jobmanagera会负责所有需要中央协调的操作，比如说检查点(checkpoints)的协调。
• 2. 任务管理器 (TaskManager)
  • 1.Flink中的工作进程。通常在 Flink中会有多个Taskmanager运行，每个Taskmanager都包含了一定数量的插槽(slots)。插槽的数量限制了Taskmanager能够执行的任务数量。
  • 2.启动之后，Taskmanager会向资源管理器注册它的插槽，收到资源管理器的指令后，Taskmanager就会将一个或者多个插槽提供给Jobmanager调用。Jobmanager就可以向插槽分配任务(tasks)来执行了。
  • 3.在执行过程中，一个Taskmanager可以跟其它运行同一应用程序的Taskmanager交换数据
• 3. 资源管理器 (ResourceManager)
  • 1.主要负责管理任务管理器(TaskManager)的插槽(slot)Taskmanger插槽是Flink中定义的处理资源单元
  • 2.Flink为不同的环境和资源管理工具提供了不同资源管理器，比如YARN、K8s，以及 standalone部署。
  • 3.当Jobmanager申请插槽资源时，Resourcemanager会将有空闲插槽的Taskmanager分配给Jobmanager。如果Resourcemanager没有足够的插槽来满足 Jobmanaer的请求，它还可以向资源提供平台发起会话，以提供启动 Taskmanager进程的容器。

7. flink任务提交流程

• 1.Flink任务提交后，Client向HDFS上传Flink的Jar包和配置
• 2.随后向Yarn ResourceManager提交任务，ResourceManager分配Container资源并通知对应的NodeManager启动
• 3.ApplicationMaster，ApplicationMaster启动后加载Flink的Jar包和配置构建环境
• 4.然后启动 JobManager，之后ApplicationMaster向ResourceManager申请资源启动 TaskManager
• 5.ResourceManager分配Container资源后，由ApplicationMaster通知资源所在节点的NodeManager启动TaskManager
• 6.NodeManager加载Flink的Jar包和配置构建环境并启动TaskManager
• 7.TaskManager启动后向JobManager发送心跳包，并等待JobManager向其分配任务

8. flink执行图

Flink中的执行图可以分成四层: Streamgraph -> Jobgraph -> Executiongraph -> 物理执行图

• 1.Streamgraph: 是根据用户通过 Stream APl编写的代码生成的最初的图。用来表示程序的拓扑结构。
• 2.Jobgraph: Streamgraph经过优化后生成了 Jobgraph，提交给 Jobmanager的数据结构。主要的优化为，将多个符合条件的节点chain在一起作为一个节点。
• 3.Execution Graph: Jobmanager根据 Jobgraph生成,是 Jbgraph的并行化版本，是调度层最核心的数据结构。
• 4.物理执行图: Jobmanager根据 Executiongraph对Job进行调度后，在各个Taskmanager上部署Task后形成的“图”，并不是一个具体的数据结构。

9. flink的分区策略

• 按照key值分区
• 全部发往一个分区
• 广播
• 上下游并行度一样时一对一发送
• 随机均匀分配
• 轮流分配

10. Flink 的状态分为哪两类

作为对状态支持比较好的系统，Flink内部提供了可以使用的很多种可选的状态原语。从大的角度看.所有状态可以分为KeyedState和OperatorState 两类。

11.KeyedState都有哪几类

Keyed State 可以进一步划分为下面的 5 类，它们分别是
。比较常用的: ValueState、ListState、MapState
。不太常用的: ReducingState 和 AggregationState

12.Flink中watermark的概念

• watermark是一种街量Event Time进展的机制，它是数据本身的一个隐藏属性。通常基于Event Time的数据，自身都包含一个timestamp.watermark是用于处理乱序事件的，而正确的处理乱序事件，通常用walermark机制结合window来实现。
• 流处理从事件产生，到流经source，再到operator，中间是有一个过程和时间的。虽然大部分情况下，流到operator的数据都是按照事件产生的时间顺序来的，但是也不排除由于网络、背压等原因，导致乱序的产生 ou-of-order或者说late element)。
  但是对于late element，我们又不能无限期的等下去，必须要有个机制来保证一个特定的时间后，必须发window去进行计算了。这个特别的机制，就是watermark。

13.什么是Flink的全局快照

• 全局快照首先是一个分布式应用，它有多个进程分布在多个服务器上:
• 其次，它在应用内部有自己的处理逻辑和状态:
• 第三，应用间是可以互相通信的:
• 第四，在这种分布式的应用，有内部状态，硬件可以通信的情况下，某一时刻的全局状态，就叫做全局的快照

14.为什么需要全局快照

• 第一，用它来做检查点，可以定期对全局状态做备份，当应用程序故障时，就可以拿来恢复:
• 第二，做死锁检测，进行快照后当前的程序继续运行，然后可以对快照进行分 析，看应用程序是不是存在死锁状态，如果是就可以进行相应的处理。

15.Flink的容错机制

• Exacty once是指每条 event 会且只会对 state 产生一次影响，这里的“一次”并非端到端的严格一次，而是指在 Flink 内部只处理一次，不包括 source和 sink 的处理。
• Atleast once，是指每条 event 会对 state 产生最少一次影响，也就是存在重复处理的可能。
• At most once，是指每条 event 会对 state 产生最多一次影响，就是状态可能会在出错时丢失。

16.Flink是如何实现End-To-End Exactly-once的?

• Flink通过状态和两次提交协议来保证了端到端的exactly-once语义
• Source: 支持数据的replay，如Kafka的offset。
• Transformation: 借助于checkpoint
• Sink: Checkpoint + 两阶段事务提交

17.解释下两阶段提交?

• 一旦Flink开始做checkpoint操作，就会进入pre-commit “预提交”阶段，同时JobManager的Coordinator会将Barrier注入数据流中
• 当所有的barrier在算子中成功进行一遍传递《就是Checkpoint完成)，并完成快照后，“预提交”阶
  等所有的算子完成“预提交”
• 就会发起一个commit “提交”动作，但是任何一个“预提交” 失败都会导致回滚到最近的checkooint.

18.Flink 的 checkpoint 存在哪里?

可以是内存，文件系统，或者 RocksDB。

19.海量 key 去重

如果是海量数据的话，Set结构是不现实的，可以考虑使用布隆过滤器来去重。

20.Flink 的 checkpoint 机制对比 spark 有什么不同和优势?

• spark streaming 的 checkpoint 仅仅是针对 driver 的故障恢复做了数据和元数据的 checkpoint。而 flink 的 checkpoint 机制要复杂了很多，它采用的是轻量级的分布式快照，实现了每个算子的快照。及流动中的数据的快照。

21.Flink CEP 编程中当状态没有到达的时候会将数据保存在哪里?

• 在 Flink CEP 的处理逻辑中，状态没有满足的和迟到的数据，都会存储在一个 Map 数据结构中，也就是说，如果我们限定判断事件序列的时长为 5 分钟，那么内存中就会存储 5 分钟的数据。

22.Flink 程序在面对数据高峰期时如何处理?

使用大容量的 Kafka 把数据先放到消息队列里面作为数据源，再使用Flink 进行消费，不过这样会影响到一点实时性。

23.Flink 的运行必须依赖 Hadoop组件吗?

Flink可以完全独立于Hadoop，在不依赖Hadoop组件下运行。但是做为大数据的基础设施，Hadoop体系是任何大数据框架都绕不过去的。Flink可以集成众多Hadooop 组件，例如Yarn、Hbase、HDFS等等。例如。Flink可以和Yarn集成做资源调度，也可以读写HDFS，或者利用HDFS做检查点。

24.Flink 资源管理中 Task Slot 的概念

• 在Flink架构角色中我们提到，TaskManager是实际负责执行计算的Worker， TaskManager 是一个JVM 进程，并会以独立的线程来执行一个task或多个subtask。为了控制一个 TaskManager 能接受多少个 task, Flink 提出了 Task Slot 的概念。
• 简单的说，TaskManager会将自己节点上管理的资源分为不同的Slot: 固定大小的资源子集。这样就避免了不同Job的Task互相竞争内存资源，但是需要主要的是，Slot只会做内存的隔离。没有做CPU的隔离。

25.Flink的重启策略都有哪些?

• 固定延迟重启策略 (Fixed Delay Restart Strategy)
• 故障率重启策略 (Failure Rate Restart Strategy)
• 没有重启策略(No Restart Strategy)
• Fallback重启策略 (Fallback Restart Strategy)

26.Flink中的广播变量，使用时需要注意什么?

• 我们知道Flink是并行的，计算过程可能不在一个 Slot 中进行，那么有一种情况即:当我们需要访问同一份数据。那么Fink中的广播变量就是为了解决这种情况。
• 我们可以把广播变量理解为是一个公共的共享变量，我们可以把一个dataset 数据集广播出去，然后不同的task在节点上都能够获取到，这个数据在每个节点上只会存在一份。

27.Flink的内存模型

28.数据倾斜问题

• 1.keyBy之前发生数据倾斜
  如果keyBy之前就存在数据倾斜，上游算子的某些实例可能处理的数据较多，某些实例可能处理的数据较少，产生该情况可能是因为数据源的数据本身就不均匀，例如由于某些原因Kafka的topic中某些partition的数据量较大，某些partition的数据量较少。对于不存在kevBy的Flink任务也会出现该情况。
  这种情况，需要让Flink任务强制进行shuffle。使用shuffle、rebalance、rescale算子即可将数据均匀分配，从而解决数据倾斜的过
• 2.keyBy之后无开窗聚合数据倾斜
  map端使用状态先预聚合，达到一定时间或者一定size后再同一输出 (localkeyby) 。
• 3.keyBy后的窗口聚合操作存在数据倾斜
  因为使用了窗口，变成了有界数据的处理，窗口默认是触发时才会输出一条结果发往下游。所以可以使用两阶段聚合的方式:第一阶段聚合: key拼接随机数前缀或后缀，进步keyby、开窗、聚合
  第二阶段聚合: 去掉随机数前缀或后缀，按照原来的key及windowEnd作keyby、聚合。

29.Flink连接API

• union 多流合并，类型一致
• connect 两条流分别处理，类型可不一致，可共享状态
• join 相当于innerjoin
• coGroup 实现左外连接，第一个流没有join上，也要输出

30.Flink-On-Yarn常见的提交模式有哪些，分别有什么优缺点?

• 1.yarn-session 式
  这种方式需要先启动集群，然后在提交作业，接着会向varn申请一块空间后，资源永远保持不变。如果资源满了，下一个就任务就无法提交，只能等到varn中其中一个作业完成后，程放了资源，那下-个作业才会正常提交，这种方式资源被限制在sesSi0n中，不能超过比较适合特定的运行环境或测试环境。
• 2.per-job模式
  这种方式直接在yarn上提交任务运行Flink作业，这种方式的好处是一个任务会对应一个job，即每提交一个作业会根据自身的情况.向yarn中申请资源，直到作业执行完成，并不会影响下一个作业的正常运行，除非是yarn上面没有任何资源的情况下。一般生产环境是采用此方式运行。这种方式需要保证集群资源足够。

31.Flink如何处理迟到数据

• watermark可以设置容错时间
• window的allowedLateness方法，可以设置窗口允许外理迟到数据的时间。
• window的sideOutoutlLateData方法，可以将迟到的数据写入侧输出流

32.Flink任务延迟高如何解决

• 在Flink的后台任务管理中，我们可以看到Flink的那个算子和task出现了反压。最主要的手段是资源调优和算子调优。
• 例如调大并发。
• 增加运行任务的资源。缩短窗口时长。

33.Flink Operator Chains

为了更高效地分布式执行，Flink会尽可能地将operator的subtask链接 chain) 在一起形成task。每个task在一个线程中执行。将operatorst技成ask是非带有效的优化:它能减少线程之同的切授，减少消息的序列化/反成列化，减少少了是迟的同时提高整体的吞吐量。这就是我们所说的算子链。其实就是尽量把操作逻辑放入到同一个subtask里就是一个槽taskSlot

34.Flink什么情况下才会把Operator chain在一起形成算子链?

• 上下游并行度一致
• 下游数据没有其他的输入
• 上下游节点都在同一个soltqroup中，默认是一样的，如果不是，单独指定的算子资源，会独占TaskSolt
• 没有keyed操作
• 数据发送策路是forward
• 用户没有禁用chain

35.Flink中应用在ableAPI中的UDF有几种?

• scalar function: 针对一条record的一个字段的操作，返回一个字段。
• table function: 针对一条record的一个字段的操作，返回多个字段
• aggregate function: 针对多条记录的一个字段操作，返回一条记录