1、Flink 的 抽象層次有幾種

Stateful stream processing

Core API

Table

SQL

2、Window 類型

(1)TimeWindow

Tumbling Window(滾動窗口)

Sliding Window(滑動窗口)

Session Window(會話窗口)

Global Window(全局窗口)

(2)countWindow

(3)自定義window

3、Time 類型

事件時間、注入時間和Processing Time

4、Checkpoint的理解

輕量級容錯機制(全局異步，局部同步)

保證exactly-once 語義

用于內部失敗的恢復

基本原理：通過往source 注入barrier，barrier作為checkpoint的標志

5、Savepoint

流處理過程中的狀態(tài)歷史版本

具有可以replay的功能

外部恢復（應用重啟和升級）

兩種方式觸發(fā)：Cancel with savepoint，手動主動觸發(fā)

$s bin/flink savepoint :jobId [:targetDirectory]

$ bin/flink cancel -s [:targetDirectory] :jobId

6、Flink runtime architecture

Job Manager

Task Manger

Client

角色間的通信(Akka)

數(shù)據(jù)的傳輸（Netty）

7、什么是solts

solts ：槽，slot 的數(shù)量通常與每個 TaskManager 的可用 CPU 內核數(shù)成比例。

一般情況下你的 slot 數(shù)是你每個 TaskManager 的 cpu 的核數(shù)。

8、什么是狀態(tài)

Definition

task/operator在某個時刻的中間結果

Snapshot

Effect：記錄狀態(tài)并且在失敗時用于恢復

Basic type：Operator state、Keyed state

9、RestartStrategies

Restart Strategies

4種重啟策略

10、statebacked有幾種(3種)

Apache Flink 1.8 Documentation: State Backends

//env.setStateBackend(new MemoryStateBackend());

//env.setStateBackend(new FsStateBackend("hdfs://hadoop100:9000/flink/checkpoints"));

//env.setStateBackend(new RocksDBStateBackend("hdfs://hadoop100:9000/flink/checkpoints",true));

11、運行模式

Job模式

獨享Dispatcher和ResourceManager

資源按需申請

適合?大作業(yè)

Session模式

共享Dispatcher和ResourceManager

共?用TaskManager

適合規(guī)模?小，運?行行時間短的作業(yè)

12、全量聚合和增量聚合 window

全量聚合：ProcessWindowFunction

增量聚合：ReduceFunction、AggregateFunction、FoldFunction

總結

以上是生活随笔為你收集整理的flink source 同步_大数据面试题-Flink的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內容還不錯，歡迎將生活随笔推薦給好友。