《Flink入门与实战》配套资源

Flink是大数据处理领域*近冉冉升起的一颗新星，它可以基于Hadoop进行开发和使用，与Hadoop紧密结合。本书旨在帮助读者从零开始快速掌握Flink的基本原理与核心功能，并具有以下特点： 1.这是一本Flink入门级图书，力求详细而完整地描述Flink基础理论与实际操作。 2.采用Flink 1.6版本写作，案例丰富实用，做到学以致用。 3.细节与案例兼顾，深入浅出展现Flink技术精髓。 4.51CTO热门网课配套教材，可与网课结合学习，快速提升大数据开发技能。

本书旨在帮助读者从零开始快速掌握Flink的基本原理与核心功能。本书首先介绍了Flink的基本原理和安装部署，并对Flink中的一些核心API进行了详细分析。然后配套对应的案例分析，分别使用Java代码和Scala代码实现案例。*后通过两个项目演示了Flink在实际工作中的一些应用场景，帮助读者快速掌握Flink开发。 学习本书需要大家具备一些大数据的基础知识，比如Hadoop、Kafka、Redis、Elasticsearch等框架的基本安装和使用。本书也适合对大数据实时计算感兴趣的读者阅读。 学习本书需要大家具备一些大数据的基础知识，例如Hadoop、Kafka、Redis、Elasticsearch等框架的基本安装和使用。本书也适合对大数据实时计算感兴趣的爱好者阅读。

目录

• 第 1章　Flink概述　　1
• 1.1　Flink原理分析　1
• 1.2　Flink架构分析　2
• 1.3　Flink基本组件　3
• 1.4　Flink流处理（Streaming）与批处理（Batch）　4
• 1.5　Flink典型应用场景分析　5
• 1.6　流式计算框架对比　6
• 1.7　工作中如何选择实时计算框架　8
• 第　2章 Flink快速入门　9
• 2.1　Flink开发环境分析　9
• 2.1.1　开发工具推荐　9
• 2.1.2　Flink程序依赖配置　10
• 2.2　Flink程序开发步骤　11
• 2.3　Flink流处理（Streaming）案例开发　11
• 2.3.1　Java代码开发　12
• 2.3.2　Scala代码开发　14
• 2.3.3　执行程序　16
• 2.4　Flink批处理（Batch）案例开发　16
• 2.4.1　Java代码开发　16
• 2.4.2　Scala代码开发　18
• 2.4.3　执行程序　19
• 第3章　Flink的安装和部署　20
• 3.1　Flink本地模式　20
• 3.2　Flink集群模式　22
• 3.2.1　Standalone模式　23
• 3.2.2　Flink on Yarn模式　26
• 3.2.3　yarn-session.sh命令分析　30
• 3.2.4　Flink run命令分析　30
• 3.3　Flink代码生成JAR包　31
• 3.4　Flink HA的介绍和使用　35
• 3.4.1　Flink HA　35
• 3.4.2　Flink Standalone集群的HA安装和配置　35
• 3.4.3　Flink on Yarn集群HA的安装和配置　50
• 3.5　Flink Scala Shell　53
• 第4章　Flink常用API详解　56
• 4.1　Flink API的抽象级别分析　56
• 4.2　Flink DataStream的常用API　57
• 4.2.1　DataSource　57
• 4.2.2　Transformation　66
• 4.2.3　Sink　70
• 4.3　Flink DataSet的常用API分析　80
• 4.3.1　DataSource　80
• 4.3.2　Transformation　81
• 4.3.3　Sink　82
• 4.4　Flink Table API和SQL的分析及使用　82
• 4.4.1　Table API和SQL的基本使用　83
• 4.4.2　DataStream、DataSet和Table之间的转换　87
• 4.4.3　Table API和SQL的案例　91
• 4.5　Flink支持的DataType分析　97
• 4.6　Flink序列化分析　97
• 第5章　Flink高级功能的使用　99
• 5.1　Flink Broadcast　99
• 5.2　Flink Accumulator　104
• 5.3　Flink Broadcast和Accumulator的区别　108
• 5.4　Flink Distributed Cache　108
• 第6章　Flink State管理与恢复　112
• 6.1　State　112
• 6.1.1　Keyed State　113
• 6.1.2　Operator State　115
• 6.2　State的容错　116
• 6.3　CheckPoint　118
• 6.4　StateBackend　119
• 6.5　Restart Strategy　121
• 6.6　SavePoint　123
• 第7章　Flink窗口详解　125
• 7.1　Window　125
• 7.2　Window的使用　126
• 7.2.1　Time Window　127
• 7.2.2　Count Window　128
• 7.2.3　自定义Window　129
• 7.3　Window聚合分类　130
• 7.3.1　增量聚合　130
• 7.3.2　全量聚合　132
• 第8章　Flink Time详解　134
• 8.1　Time　134
• 8.2　Flink如何处理乱序数据　135
• 8.2.1　Watermark　136
• 8.2.2　Watermark的生成方式　137
• 8.3　EventTime Watermark解决乱序数据的案例详解　138
• 8.3.1　实现Watermark的相关代码　138
• 8.3.2　通过数据跟踪Watermark的时间　142
• 8.3.3　利用Watermark Window处理乱序数据　149
• 8.3.4　Late Element的处理方式　153
• 8.3.5　在多并行度下的Watermark应用　163
• 8.3.6　With Periodic Watermarks案例总结　165
• 第9章　Flink并行度详解　166
• 9.1　Flink并行度　166
• 9.2　TaskManager和Slot　166
• 9.3　并行度的设置　167
• 9.3.1　并行度设置之Operator Level　168
• 9.3.2　并行度设置之Execution Environment Level　168
• 9.3.3　并行度设置之Client Level　169
• 9.3.4　并行度设置之System Level　169
• 9.4　并行度案例分析　169
• 第　10章 Flink Kafka Connector详解　172
• 10.1　Kafka Connector　172
• 10.2　Kafka Consumer　173
• 10.2.1　Kafka Consumer消费策略设置　173
• 10.2.2　Kafka Consumer的容错　175
• 10.2.3　动态加载Topic　176
• 10.2.4　Kafka Consumer Offset自动提交　177
• 10.3　Kafka Producer　177
• 10.3.1　Kafka Producer的使用　177
• 10.3.2　Kafka Producer的容错　179
• 第　11章 Flink实战项目开发　184
• 11.1　实时数据清洗（实时ETL）　184
• 11.1.1　需求分析　184
• 11.1.2　项目架构设计　184
• 11.1.3　项目代码实现　186
• 11.2　实时数据报表　205
• 11.2.1　需求分析　205
• 11.2.2　项目架构设计　206
• 11.2.3　项目代码实现　207