Flink Application Development DataStream API Execution Mode (Batch/Streaming)- Flink应用程序开发DataStream API执行模式（批/流）
翻译出处 DataStream API Execution Mode (Batch/Streaming)
DataStream API支持不同的运行时执行模式，您可以根据用例的要求和job特征从中选择运行模式。
DataStream API有“经典”执行行为，我们称之为 STREAMING执行模式。这应用于需要连续增量处理且无限期保持在线状态的无限制jobs。
另外，有一个批处理式执行模式，我们称为BATCH 执行模式。这以一种类似于批处理框架（如MapReduce）的方式执行作业。这应用于您具有已知固定输入且不会连续运行的有边界作业。
Apache Flink的流和批处理的统一方法意味着，无论配置的执行模式如何，在有界输入上执行的DataStream应用程序都将产生相同的 final结果。重要的是要注意final在这里意味着什么：以STREAMING模式执行的作业可能会产生增量更新（请想象数据库中的upserts），而BATCH作业最后只会产生一个最终结果。如果正确解释，最终结果将是相同的，但获得结果的方式可能会有所不同。
通过启用BATCH执行，我们允许Flink应用其他优化，只有当我们知道输入是有限的时，我们才能做这些优化。例如，除了允许更多有效的任务调度和故障恢复行为的不同的shuffle实现之外，还可以使用不同的join/aggregation 策略。我们将在下面介绍执行行为的一些细节。
什么时候可以/应该使用BATCH执行模式？
该BATCH执行模式只能被用于那些有边界的 Jobs/Flink 程序。有界性是data source的一个属性，它告诉我们执行之前是否知道来自该源的所有输入，或者是否新数据可能无限期地显示。反过来，如果作业的所有源均有界，则该作业是有界的，否则为无界。
另一方面，STREAMING执行模式可用于有界作业和无界作业。
根据经验，程序有界时应使用BATCH执行模式，因为这样做会更有效。当程序不受限制时，您必须使用STREAMING 执行模式，因为只有这种模式足够通用，才能处理连续的数据流。
一个明显的异常情况是当您想使用有边界job来启动某个作业状态，然后在一个无边界作业中使用该状态。例如，通过使用STREAMING模式运行有边界job，获取保存点，然后在无界作业上还原该保存点。这是一个非常特殊的用例，当我们允许将保存点作为BATCH执行作业的附加输出时，该用例可能很快就会过时。
另一种可能使用STREAMING模式运行有边界job的情况是，编写针对最终将以无边界sources运行的代码测试。在这种情况下，为了进行测试，使用有界的sources会更加自然。
配置BATCH执行模式
可以通过execution.runtime-mode设置来配置执行模式。有三个可能的值：
- STREAMING：经典的DataStream执行模式（默认）
- BATCH：在DataStream API上以批处理方式执行
- AUTOMATIC：让系统根据源的有界性来决定
可以通过的命令行参数进行配置bin/flink run ...，也可以在创建/配置时以编程方式进行配置StreamExecutionEnvironment。
通过命令行配置执行模式的方法如下：
$ bin/flink run -Dexecution.runtime-mode=BATCH examples/streaming/WordCount.jar
此示例说明如何在代码中配置执行模式：
StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
env.setRuntimeMode(RuntimeExecutionMode.BATCH);
注意： 建议用户不要在程序中设置运行时模式，而应在提交应用程序时使用命令行来设置运行时模式。保持应用程序代码的自由配置可提供更大的灵活性，因为可以在任何执行模式下执行同一应用程序。
执行行为
本节概述了BATCH 执行模式的执行行为，并将其与STREAMING执行模式进行了对比。有关更多详细信息，请参阅引入此功能的FLIP： FLIP-134和 FLIP-140。
任务调度和网络随机shuffle
Flink作业由在数据流图中连接在一起的不同operations组成。系统决定如在不同进程/机器（TaskManagers）上如何调度这些操作符的执行，以及如何在它们之进行数据混洗（发送）。
可以使用链接（chaining）功能将多个operations/operators链接在一起 。被Flink其视为一个调度单位的一组或多个（链式的）运算符称为一个任务task。通常，术语“子任务subtask”用于指代在多个TaskManager上并行运行任务的各个实例，但是我们在此仅使用术语“任务task”。
在BATCH与 STREAMING执行模式上任务调度和网络shuffle 的运行方式不同。主要是因为我们知道输入数据在BATCH执行模式下有界，这使得Flink可以使用更有效的数据结构和算法。
我们将使用此示例来说明二者在任务调度和网络传输中的差异：
StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
DataStreamSource<String> source = env.fromElements(...);
source.name("source")
.map(...).name("map1")
.map(...).name("map2")
.rebalance()
.map(...).name("map3")
.map(...).name("map4")
.keyBy((value) -> value)
.map(...).name("map5")
.map(...).name("map6")
.sinkTo(...).name("sink");
1对1连接模式的operations，例如 map()，flatMap()或filter()只可以直接转发数据到下一个operation，这允许这些operations被链接在一起。这意味着通常情况下Flink不会在它们之间插入网络随机播放。
另一方面，诸如keyBy()或rebalance()之类的操作要求在不同并行任务实例之间对数据进行shuffle。这会引起网络shuffle。
对于上面的示例，Flink将会分组operations为以下任务：
- 任务1： source，map1和map2
- 任务2 ：map3、map4
- 任务3： map5，map6和sink
在任务1和2之间以及任务2和3之间我们有网络shuffle。这是该工作的直观表示：
流执行模式
在STREAMING执行模式下，所有任务都必须一直在线/正在运行。这使Flink可以立即通过整个pipeline处理新记录，这是我们进行连续和低延迟流处理所需要的。这也意味着分配给job的TaskManager需要同时具有足够的资源来运行所有任务。
网络shuffle是pipelined，这意味着记录会立即发送到下游任务，并在网络层上进行一些缓冲。同样，这是必需的，因为在处理连续的数据流时，没有自然点（在时间方面）可以在任务（或任务pipeline）之间落地(原文materialized)数据。这与BATCH执行模式相反，在执行模式中，可以落地中间结果，如下所述。
批处理执行模式
在BATCH执行模式下，一个作业的任务可以分为几个阶段，一个接一个地执行。我们这样做是因为输入是有界的，因此Flink可以在继续进行下一阶段（原文stage）之前完全处理pipeline的一个阶段。在上面的示例中，该作业将具有三个阶段，分别对应于由shuffle barriers分隔的三个任务。
就像上面STREAMING模式中解释的那样，分阶段处理需要Flink将任务的中间结果落地到一些非临时存储中，而不是立即将记录发送给下游任务，该存储允许下游任务在上游任务已经脱机后读取它们。这将增加处理的等待时间，但具带来了其他有趣的属性。首先，这使Flink可以在发生故障时回溯到最新的可用结果，而不是重新启动整个作业。另一个副作用是，BATCH作业可以在较少的资源（就TaskManager上的可用的slots而言）上执行，因为系统可以依次执行任务。
只要下游任务没有消耗中间结果，TaskManager就会保留它们。（从技术上讲，它们将一直保留到消费的pipelined regions产生它们的输出为止。）之后，它们将被保留尽可能长的时间，以便在发生故障时允许上面提到的回溯到较早的中间结果。
状态后端/状态
在STREAMING模式下，Flink使用StateBackend来控制状态的存储方式以及检查点的工作方式。
在BATCH模式下，已配置的状态后端将被忽略。相反，keyed operation 的输入按键（使用排序）分组，然后我们依次处理一个键的所有记录。这允许同时仅保留仅仅一个键的状态。当转到下一个键时，给定键的状态将被丢弃。
有关此背景信息，请参见FLIP-140。
处理顺序
记录在operators或用户定义的函数（UDF）中的处理顺序在BATCH和STREAMING 执行中有所不同。
在STREAMING模式下，用户定义的函数不应对传入记录的顺序进行任何假设。数据一到达就被处理。
在BATCH执行模式下，有些操作Flink保证顺序。排序可能是特定任务计划，网络随机播放和状态后端（见上文）的副作用，也可能是系统有意识的选择。
我们可以区分三种通用的输入类型：
- 广播输入：来自广播流的输入（另请参见广播状态）
- 常规输入：既不广播也不输入keyed输入
- keyed输入：来自Keyed Stream
消耗多种输入类型的Functions或Operators将按以下顺序处理它们：
- 首先处理广播输入
- 常规输入将其次被处理
- keyed 输入最后处理
对于从多个常规或广播输入消费的functions--例如CoProcessFunction--Flink有权以任何顺序处理该任何类型输入的数据。
对于从多个keyed输入消费的functions--例如KeyedCoProcessFunction--Flink在继续下一个key之前，会处理单个键所有输入记录。
Event Time/水印(原文watermark)
在支持event time方面，Flink的流运行时基于悲观的假设，即事件可能乱序，即带有时间戳 t 的事件可能在带有timestamp t+1 的事件之后发生。因此，系统永远无法确保对于一个时间戳T的元素将来不会再有时间戳t < T的元素出现。为了在使系统实用的同时分摊这种无序对最终结果的影响，Flink在STREAMING模式下使用了一种称为水印的启发式方法。带时间戳T的水印表示其后没有带时间戳t < T的元素。
在BATCH模式中，事先知道输入数据集的情况下，无需进行启发式操作，因为至少可以按时间戳对元素进行排序，以便按时间顺序对其进行处理。对于熟悉流的读者而言，BATCH我们可以假设“完美的水印”。
鉴于以上情况，在BATCH模式下，我们在与每个键相关的输入末尾只需要一个MAX_WATERMARK，或者如果输入流不是keyd时则在输入末尾 。基于此方案，所有已注册的计时器将在时间结束时触发并且用户定义的WatermarkAssigners或WatermarkGenerators被忽略。指定一个WatermarkStrategy仍然很重要，因为它的TimestampAssigner仍将用于为记录指定时间戳。
处理时间
处理时间是处理记录的计算机上的挂钟时间，在特定的情况下该记录正在处理。基于此定义，我们看到基于处理时间的计算结果不可重现。这是因为处理两次的同一条记录将具有两个不同的时间戳。
尽管如此，在STREAMING模式下使用处理时间还是有用的。原因与以下事实有关：流传输管道通常实时地摄取其无限制的输入，因此事件时间与处理时间之间存在相关性。此外，由于上述原因，在事件STREAMING模式1h下的时间通常可能几乎1h在处理时间或挂钟时间中。因此，可以使用处理时间来进行早期（不完整）点火，从而提供有关预期结果的提示。
在输入数据为静态且事先已知的批处理环境中，不存在这种关联。鉴于此，在BATCH模式下，我们允许用户请求当前处理时间并注册处理时间计时器，但是，与事件时间一样，所有计时器都将在输入结束时触发。
从概念上讲，我们可以想象在执行作业期间处理时间不会增加，而在处理完所有输入后我们会快进到时间的尽头。
故障恢复
在STREAMING执行模式下，Flink使用检查点进行故障恢复。请查看检查点文档，以获取有关的上手文档以及配置方法。关于状态快照的容错，还有一个更入门的内容，它在更高层次上解释了这些概念。
故障恢复检查点的特点之一是，如果发生故障，Flink将从检查点重新启动所有正在运行的任务。这可能比我们在BATCH模式（如下所述）下必须执行的操作要昂贵得多，这是如果在您的作业允许的情况下应该使用BATCH执行模式的原因之一。
在BATCH执行模式下，Flink将尝试回溯到以前的处理阶段，在回溯之前，中间结果仍然可用。潜在地，只有失败的任务（或其图中的祖先任务）才必须重新启动，与从检查点重新启动所有任务相比，这可以提高处理效率和作业的总体处理时间。
重要注意事项
与经典的STREAMING执行模式相比，在BATCH模式下，某些事情可能无法按预期工作。有些功能会稍有不同，而其他功能则不受支持。
批处理模式下的行为改变：
- 诸如 reduce（）或sum（）之类的“滚动”操作会为 以STREAMING 模式到达的每个新记录发出增量更新。在BATCH模式下，这些操作不是“滚动”的。它们仅发出最终结果。
在批处理模式下不受支持的：
- 检查点和任何依赖检查点的操作均不起作用。
- 循环流(原文Iterations)
自定义操作符应谨慎实现，否则可能会出现不当行为。有关更多详细信息，请参见下面的其他说明。
检查点
正如上面对检查点所解释的，批处理程序故障恢复不使用检查点。
重要的是，要记住因为没有检查站，某些功能如CheckpointListener，并且因此，Kafka 的EXACTLY_ONCE模式或StreamingFileSink的 OnCheckpointRollingPolicy将无法正常工作。如果您需要在工作于BATCH模式下的事务接收器，请 确保它使用了FLIP-143中建议的Unified Sink API 。
您仍然可以使用所有状态原语，只是用于故障恢复的机制会有所不同。
编写自定义运算符
注意： 自定义运算符是Apache Flink的高级用法模式。对于大多数用例，请考虑改用（keyed）处理函数。
在编写自定义运算符时，请记住对BATCH执行模式所做的假设，这一点很重要。否则，在BATCH模式下正常工作的操作符可能会在STREAMING模式下产生错误的结果。操作符永远不会局限于特定的key，这意味着操作符可以看到Flink试图利用的BATCH处理的某些属性 。
首先，您不应该在操作符中缓存最后看到的水印。在BATCH模式下，我们逐项处理记录。结果，水印将在每个key之间从切换MAX_VALUE到MIN_VALUE。您不应该假定水印在操作符中将一直递增。出于相同的原因，计时器将首先在每个key中按键顺序触发，然后按时间戳顺序触发。此外，不支持手动更改键的操作。
