随着大数据环境的日益发展，流数据计算变得越来越普遍。许多企业也采用或转向流式处理消息传递，而不是仅仅依靠 REST API。
Apache Flink 已成为在很短的时间内流式传输数据计算的常用框架。与 Apache Spark 相比，它有许多优点（例如，轻量级、丰富的 API、开发人员友好、高吞吐量、活跃和充满活力的社区）。
当我开始从事一个新项目时，我必须处理流数据（例如事件、服务器日志），经过初步研究，我发现Flink最适合我的特定用例。
此博客基于我在 Flink 中的工作，从一个简单的示例开始，以真实用例的子集开始。我也分享一些例外和方法来解决这些问题，这将有助于初学者。
您可能还喜欢：ETL 的状态：传统云。
链接到本系列中的文章和内容的简短摘要。（所有代码示例都可在GitHub上找到。
第 1 部分–入门指南，我分享了一个使用自定义 SourceFunction 和（ TumblingWindow 固定大小、固定时间、非重叠）作为流生成的整数总和的示例。
第 2 部分–本文第 1 部分对此进行了改进，并分享了一个键控数据流计算的示例。这一个使用Flink reduce 的方法 sum ，以达到相同的结果。
第 3 部分 –换档，我采取 Flink 的实际用例的子集（请参阅本文从zalando.com）。我分享了一个示例，说明如何处理连接事件以识别简单的模式。
第 4 部分– 根据第 3 部分中的示例进行改进，我分享了如何使用 Flink 的前 5 大企业 ETL 工具.
