Flink入门与实战（完整版）.docxVIP

Flink 入门与实战 目 录 \h 第1章 Flink环境搭建 \h 1.1 下载安装 \h 1.1.1 什么是Flink \h 1.1.2 Flink用户 \h 1.1.3 JDK安装 \h 1.1.4 Scala安装 \h 1.1.5 Python安装 \h 1.1.6 FinalShell安装 \h 1.2 配置与开发工具 \h 1.2.1 基础配置 \h 1.2.2 IDEA开发工具 \h 1.3 编译 \h 1.3.1 Scala项目模板 \h 1.3.2 Java项目模板 \h 1.3.3 Python项目 \h 1.3.4 项目编译 \h 1.4 运行Flink应用 \h 1.4.1 单机Standalone模式 \h 1.4.2 多机Standalone模式 \h 1.4.3 On Yarn集群模式 \h 1.5 本章小结 \h 第2章 定义、架构与原理 \h 2.1 流处理的应用场景 \h 2.1.1 数据预处理场景 \h 2.1.2 预警场景 \h 2.1.3 实时数量统计场景 \h 2.1.4 数据库交互场景 \h 2.1.5 跟踪场景 \h 2.1.6 基于数据流的机器学习场景 \h 2.1.7 实时自动控制场景 \h 2.2 流处理的原理 \h 2.2.1 流数据特征 \h 2.2.2 Dataflow模型 \h 2.2.3 数据流图 \h 2.2.4 流处理操作 \h 2.2.5 窗口操作 \h 2.3 Flink架构分析 \h 2.3.1 Flink常见概念 \h 2.3.2 Flink主从架构 \h 2.3.3 任务和算子链 \h 2.4 Flink中的几个语义——Streams、State、Time、API \h 2.4.1 Streams流 \h 2.4.2 State状态 \h 2.4.3 Time时间 \h 2.4.4 API接口 \h 2.5 Flink组件 \h 2.6 本章小结 \h 第3章 时间和窗口 \h 3.1 时间 \h 3.1.1 Flink中的时间 \h 3.1.2 时间的特性 \h 3.2 Timestamp和Watermark \h 3.2.1 在SourceFunction中生成 \h 3.2.2 在assignTimestampsAndWatermarks中生成 \h 3.2.3 Watermarks传播机制 \h 3.3 EventTime+Watermark解决乱序数据 \h 3.3.1 无迟到的乱序数据 \h 3.3.2 有迟到的乱序数据 \h 3.4 WindowAssigner、Evictor以及Trigger \h 3.4.1 WindowAssigner \h 3.4.2 Trigger \h 3.4.3 Evictor \h 3.5 Window内部实现 \h 3.5.1 Flink Window源码分析 \h 3.5.2 Flink Window执行过程 \h 3.6 Window使用 \h 3.6.1 Time Window \h 3.6.2 Count Window \h 3.6.3 Session Window \h 3.6.4 自定义Window \h 3.7 Window聚合分类 \h 3.7.1 增量聚合 \h 3.7.2 全量聚合 \h 3.8 本章小结 \h 第4章 状态管理及容错机制 \h 4.1 什么是状态 \h 4.2 什么场景会用到状态 \h 4.3 状态的类型与使用 \h 4.3.1 Keyed State托管状态 \h 4.3.2 Operator State托管状态 \h 4.4 Checkpoint机制 \h 4.4.1 Checkpoint配置 \h 4.4.2 State Backends状态后端 \h 4.4.3 重启策略 \h 4.5 SavePoint机制 \h 4.6 本章小结 \h 第5章 数据类型与序列化 \h 5.1 Flink的数据类型 \h 5.1.1 元组类型 \h 5.1.2 Java POJOs类型 \h 5.1.3 Scala样例类 \h 5.1.4 基础类型 \h 5.1.5 普通类 \h 5.1.6 值类型 \h 5.1.7 特殊类型 \h 5.2 序列化原理 \h 5.3 Fl