Flink的数据流处理，是持续流模型，数据不会落地，上游和下游的Task同时启动，等待数据的到达，Flink的批处理还是用的MapReduce计算模型，先处理map端，再执行reduce端。
flink的流处理(STREAMING)：
是持续流模型，上游和下游的task任务同时启动，持续等待数据的到达，可以处理无界流和有界流，因为数据是一条条进行处理的，但是处理有界流的时候，打印出来的结果会显示多个(最终结果)
比如文本每行都有java,一共有java20,但是会打印java 8 ,java 10,java 20,显示多个最终结果
flink的批处理(BATCH):
底层还是MapReduce的计算模型，先处理map端，再处理reduce端，只能处理有界流
不能处理无界流， 因为执行的方式不同，MR不可能持续等待数据的到达，而是一次性批量的处理数据
代码展示如下：
import org.apache.flink.api.common.RuntimeExecutionMode;
import org.apache.flink.streaming.api.datastream.DataStream;
import org.apache.flink.streaming.api.datastream.DataStreamSource;
import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;//TODO:无界流：程序开始之后，数据量是不确定的，没有边界，程序一直持续等待数据的到达
// 有界流：就是指数据量是确定的，比如一个文件，是知道具体的大小的//todo:flink的流处理(STREAMING)：是持续流模型，上游和下游的task任务同时启动，持续等待数据的到达，
// 可以处理无界流和有界流，因为数据是一条条进行处理的，但是处理有界流的时候，打印出来的结果会显示多个(最终结果)
// 比如文本每行都有java,一共有java20,但是会打印java 8 ,java 10,java 20,显示多个最终结果//todo:flink的批处理(BATCH):底层还是MapReduce的计算模型，先处理map端，再处理reduce端，只能处理有界流
// 不能处理无界流， 因为执行的方式不同，MR不可能持续等待数据的到达，而是一次性批量的处理数据public class flinkTest {public static void main(String[] args) throws Exception {//创建flink环境StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();//设置并行度env.setParallelism(2);//数据从上游发送到下游的缓存时间,默认也是200ms延迟env.setBufferTimeout(200);//数据读取,无界流//nc -lk 8888DataStreamSource<String> linesDSN = env.socketTextStream("master", 8888);linesDSN.print();// //数据读取，有界流,N是no代表无界，H是have代表有界
// //设置为批处理的方式
// env.setRuntimeMode(RuntimeExecutionMode.STREAMING);
// DataStream<String> linesDSH = env.readTextFile("ScalaTest/src/main/java/data/score.txt");
// linesDSH.print();//启动flink,execute会触发任务调度env.execute("w");}
}
