1\.前言ApacheFlink是一个分布式流处理引擎，它提供了丰富且易用的API来处理有状态的流处理应用，并且在支持容错的前提下，高效、大规模的运行此类应用。通过支持事件时间(eventtime)、计算状态(state)以及恰好一次(exactlyonce)的容错保证，Flink迅速被很多公司采纳，成为了新一代的流计算处理引擎。

自GoogleDataflow模型被提出以来，流批一体就成为分布式计算引擎最为主流的发展趋势。流批一体意味着计算引擎同时具备流计算的低延迟和批计算的高吞吐高稳定性，提供统一编程接口开发两种场景的应用并保证它们的底层执行逻辑是一致的。对用户来说流批一体很大程度上减少了开发维护的成本，但同时这对计算引擎来说是一个很大的挑战。作为Dataflow模型

上周六在深圳分享了《FlinkSQL1.9.0技术内幕和最佳实践》，会后许多小伙伴对最后演示环节的Demo代码非常感兴趣，迫不及待地想尝试下，所以写了这篇文章分享下这份代码。希望对于FlinkSQL的初学者能有所帮助。完整分享可以观看Meetup视频回顾：https://developer.aliyun.com/live/1416(

8月22日，ApacheFlink1.9.0版本正式发布，这也是阿里内部版本Blink合并入Flink后的首次版本发布。此次版本更新带来的重大功能包括批处理作业的批式恢复，以及TableAPI和SQL的基于Blink的新查询引擎（预览版）。同时，这一版本还推出了StateProcessorAPI，这是社区最迫切需求的功能之一

数据结构中逻辑结构分线性和非线性。线性表即为线性结构中的一种。线性表的特性百度百科解释在此(https://www.oschina.net/action/GoToLink?urlhttp%3A%2F%2Fbaike.baidu.com%2Flink%3Furl%3Dm5wYoP22YXWSGX6N_40IdWMasr8aUm9Zh

作为量子力学的基础方程之一，薛定谔方程一直广受关注。去年，DeepMind科学家开发一种新的神经网络来近似计算薛定谔方程(https://www.oschina.net/action/GoToLink?urlhttps%3A%2F%2Flink.zhihu.com%2F%3Ftarget%3Dhttp%253A%2F%2Fmp.weixin.q

有朋友在我前两天写的一篇文章深入浅出反射(https://www.oschina.net/action/GoToLink?urlhttps%3A%2F%2Flink.jianshu.com%3Ft%3Dhttps%3A%2F%2Fzhuanlan.zhihu.com%2Fp%2F21423208)底下留言，问反射具体是怎么影响性能的？这引起了我的反思

作为一家数据智能企业，个推在服务垂直行业客户的过程中，会涉及到很多数据实时计算和分析的场景，比如在服务开发者时，需要对App消息推送的下发数、到达数、打开率等后效数据进行实时统计；在服务政府单位时，需要对区域内实时人口进行统计和画像分析。为了更好地支撑大数据业务发展，个推也建设了自己的实时数仓。相比Storm、Spark等实时处理框架，Flink不仅具有高吞

什么是FlinksqlFlinkSQL是基于ApacheCalcite的SQL解析器和优化器构建的，支持ANSISQL标准，允许使用标准的SQL语句来处理流式和批处理数据。通过FlinkSQL，可以以声明式的方式描述数据处理逻辑，而无需编写显式的代码。使用

简介在实时数据开发过程中，大家经常会用FlinkSQL或者FlinkDataStreamAPI来做数据加工。通常情况下选用2者都能加工出想要的数据，但是总会有FlinkSQL覆盖不了的问题，但SQL的易用性又难以让人释怀。所以有些场景在使用FLinkSQL