flink 代码
流程包括：
-1. 设置运行环境
// java
// 使用本地资源
import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;
StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
// 使用远程资源
StreamExecutionEnvironment env = StreamExecutionEnvironment.createRemoteEnvironment(host, port);
// scala
import org.apache.flink.streaming.api.scala.StreamExecutionEnvironment
val env = StreamExecutionEnvironment.getExecutionEnvironment
-2. 获取数据源
// java
DataStreamSource<String> stream = env.socketTextStream(hostName, port);
// scala
val stream = env.socketTextStream(hostname,port);
-3. transformation
-4. sink
将运行结果保存至kafka/hbase等，或print
-5. 执行提交任务
env.execute("xxx");
flink 特点
flink 作为第四代大数据计算引擎，具备优秀的特性，如：高性能、低延迟、支持事件时间和无序事件、内存管理、可扩展性等，以下为几个比较重要的特性：
-1. 事件驱动型
-2 流与批的世界观不同
-3. 分层API(stateful stream processing、DataStream/DataSet API、table API、SQL)
-4. 支持状态计算
-5. 支持 exactly-once语义
-6. 支持事件时间(Event time/Ingestion time/Processing Time)
维表关联
在使用 flink 对数据解析时，涉及到**维表关联**的概念，该概念是 flink 的重点也是难点。
what(什么是维表关联)
简单理解：维表关联即join操作，是两条数据流中的事件进行联结（connect）或join。
**例子**：如 flink 主流数据包含 student 的 id,name,sex,city id，城市维度表（city_id,city_name）存储在 hbase/kafka/mysql等中，此时，若要输出 student 的city_name 就涉及到了两条数据流之间的关联操作。也可以称作，hbase/kafka/mysql lookup 操作。（？？？）
关联方案
-1. 将维表预加载到内存中关联（richmapfunction）：适用于维表小、基本不变的情况，如本例中从mysql中lookup 数据协议。
-2. 维表流存储在 state中：同样维表的数据量受限制（内存）。
-3. 广播维表（内存）：使用 flink的 broadcast state将维度数据流广播到下游做 join 操作。
-4. 热存储维表（hbase+cache+异步查询）：适用于维度表大的情况，支持flinksql，但是会影响性能。如flinksql中，参数：lookup.async、lookup.cache.ttl等。
