Flink 核心技术与实战
张利兵
第四范式数据中台架构师,Apache Flink 贡献者
16166 人已学习
新⼈⾸单¥68
课程目录
已完结/共 91 讲
第一章:Apache Flink介绍 (5讲)
第七章:Flink监控与性能优化 (5讲)
第九章:项目实战-使用Flink构建推荐系统实时数据流 (2讲)
Flink 核心技术与实战
登录|注册
留言
6
收藏
沉浸
阅读
分享
手机端
回顶部
当前播放: 27 | Window Trigger
00:00 / 00:00
高清
  • 高清
1.0x
  • 2.0x
  • 1.5x
  • 1.25x
  • 1.0x
  • 0.75x
  • 0.5x
网页全屏
全屏
00:00
付费课程,可试看
01 | 课程介绍
02 | 内容综述
03 | 流处理技术概览
04 | Flink发展历史与应用场景
05 | Flink核心特性
06 | Flink集群架构
07 | Flink集群运行模式
08 | Flink集群资源管理器支持
09 | Standalone原理讲解与实操演示
10 | Flink On Yarn部署讲解
11 | Flink On Yarn实操演示
12 | Flink On Kubernetes部署讲解
13 | Flink On Kubernetes实操:Session模式
14 | Flink On Kubernetes实操:Per-job模式
15 | Flink On Kubernetes Native部署讲解
16 | Flink On Kubernetes Native实操演示
17 | Flink高可用配置原理讲解
18 | Flink高可用配置实操演示
19 | 分布式流处理模型
20 | DataStream API实践原理
21 | Flink时间概念
22 | Watermark实践原理
23 | Watermark与Window的关系
24 | Watermark Generator
25 | Windows窗口计算
26 | Window Assigner
27 | Window Trigger
28 | Window Evictors
29 | Window Function
30 | Windows多流合并
31 | Process Function应用
32 | SideOutput旁路输出
33 | Asynchronous I/O异步操作
34 | Pipeline与StreamGraph转换
35 | Flink类型系统
36 | 自定义SourceFunction
37 | 项目实战:基于DataStream API实现PV,UV统计
38 | 有状态计算概念
39 | 状态类型及应用
40 | KeyedState介绍与使用
41 | OperatorState介绍与使用
42 | BroadcastState介绍与使用
43 | Checkpoint实现原理
44 | Savepoint与Checkpoint
45 | StateBackends状态管理器
46 | State Schema Evolution
47 | State序列化与反序列化
48 | Queryable State介绍与使用
49|项目实战:实时交易反欺诈项目介绍
50|项目实战:实时交易反欺诈项目演示
51|Flink Table API/SQL介绍与使用
52|Table API/SQL核心概念
53|DataStream & DataSet 与Table相互转换
54|Table Connector介绍与使用
55|Querying Dynamic Tables
56|TimeStamp与Watermark时间属性定义
57|Query With Temporal Condition
58|Join With Dynamic Table
59|Join With Temporal Function
60|Join With Temporal Tables
61|Catalog原理与使用
62|Apache Hive集成
63|SQL Client介绍与使用
64|Flink SQL Table数据类型
65|自定义Function
66|Table Connector使用
67|自定义Connector
68|new tablesource & tablesink api
69|项目实战:基于Flink SQL实现Top10商品统计
70|Runtime整体架构
71|Flink Client实现原理
72|ResourceManager资源管理
73|Dispatcher任务分发器
74|JobGraph提交与运行(上)
75|JobGraph提交与运行(下)
76|Task执行与调度
77|Task重启和容错策略
78|集群组件RPC通信机制
79|NetworkStatck实现原理
80|Flink内存管理
81|Metric指标分类与采集
82|Flink REST API介绍与使用
83|Checkpoint监控与调优
84|反压监控与原理
85|Flink内存配置与调优
86|PyFlink实践与应用
87|Flink复杂事件处理:Complex event process
88|Alink机器学习框架介绍与使用
89|Stateful Function介绍与使用
90|实时推荐系统项目设计与实现
91|结束语
本节摘要
登录 后留言

全部留言(6)

  • 最新
  • 精选
yang
也就是说 ContiuousEventTimeTrigger 总是表现为 append 模式进行输出,这种模式对下游的算子的业务是不友好的,因为我们总是希望利用到上次计算的结果而不是每次用全量计算的结果去重新计算。 所以 ContiuousEventTimeTrigger 单独使用的场景应该是比较少,还是看append模式的业务场景的需要。 而 PuringTrigger 总是在触发计算计算之前,清空上一次windonw的计算结果,属于Update模式,对下游算子而言,可以有效利用上次计算结果,且这种方式可以减少 Triger 维护的状态。 DeltaTrigger 比如在购物app中 一个用户距离上次购物时间 超过7天 就可以使用这种触发器吧? 或者,比如在温度传感器设备传来的数据中,和上次温度差超过5度,也可以使用这种触发器吧?

作者回复: 可以的 只要是能求取出Delta值即可,超过七天我觉得有点牵强,后面的场景非常适合,重点是和上一次数据对比。

2020-10-17
Hunter_Dark
老师,我是使用了proccessing Time trigger 。但是窗口没有数据进来,那么并不会触发计算对吗?
2022-07-26
正向成长
puring那个是update模式?课件里面是append模式
2021-02-20
Tobias
老师讲的很好,赞!
2021-02-08
高飞
请问老师,关于ContiuousEventTimeTrigger的使用场景, 如果窗口时间是1小时, 而ContiuousEventTimeTrigger设定每隔1分钟计算一次, 计算的时候要把结果存储到mysql上以便业务上实时的展示。 就是例如求每个区域的每小时的商品销售额, 要求每隔1min能能够看到销售额变动情况这种需求。 那么在窗口的下游算子计算的时候, 每1分钟都要计算一次存入mysql(不管是append模式还是update模式), 这样会不会还是计算重复了呢? 因为都添加了mysql中的数据记录, 还是说要维护窗口和mysql的映射关系, 找到对应的mysql的条目进行更新?
2020-12-15
1
陈超
这么说来,对每类默认window 做 .trigger() 指定后,原有默认窗口的默认Trigger就作废了,完全以 .trigger()里指定的为准了吧?
2020-11-12
收起评论