从近年来的发展趋势来看，Flink所受到的关注也越来越多。大数据处理的相关技术框架，从Hadoop到Spark，Storm、Flink，在各个应用场景下，不同的技术框架，各自表现出来的性能优势也都不同。今天的Flink大数据开发分享，我们主要来分享一下Flink技术框架入门。

在Hadoop之后，受到广泛青睐的是Spark，也被称为是主流选择的第二代技术框架，而Flink，在这些年的发展当中，隐隐有了下一代大数据主流框架的架势。
 

从大数据处理的需求来看，批处理和流处理都是普遍存在的需求，目前市面上能够同时支持批处理和流处理的框架，Spark和Flink都拥有姓名。Spark是基于批来模拟流的计算，而Flink则基于流计算来模拟批计算。

在国内，提起Flink，阿里是忠实的拥护者，几乎所有业务线都采用了基于Flink搭建的实时计算平台，美团、滴滴等公司，也在使用Flink作为企业的分布式大数据处理引擎。

而Flink之所以受到重用，与框架自身的优势性能有重要的关系。

Flink通过实现Google Dataflow流式计算模型实现了高吞吐，低延迟，高性能兼具实时流式计算框架。

同时Flink支持高效容错的状态管理，Flink能够将其状态维护在内存或RockDB数据库中，为了防止状态在计算过程中因为系统异常而出现丢失，Flink周期性的通过分布式快照技术CheckPoints实现状态的持久化维护，使得在系统即使在停机或者异常的情况下都能正确的进行状态恢复，从而保证在任何时间都能计算出正确的结果。

Flink是一套集高吞吐，低延迟，高性能三者于一身的分布式流式数据处理框架。相比于Spark和Storm，有着更加显著的优势。

Spark只能兼顾高吞吐和高性能特性，在Spark Streaming流式计算中无法做到低延迟保障；而Apache Storm只能支持低延迟和高性能特性，但是无法满足高吞吐的要求。只有Flink，才算是真正达成了高吞吐，低延迟，高性能的目标。

关于Flink大数据开发，Flink技术框架入门，以上就是简单的介绍了。在大数据技术框架的发展流变当中，Flink无疑是站在了新一轮技术框架的“潮头”，受到越来越多的企业的青睐。