环境对象
分支主题
UDF中使用RuntimeContext
StreamingRuntimeContext：在流计算UDF中使用的上下文，用来访问作业信息、状态等。
DistributedRuntimeUDFContext：由运行时UDF所在的批处理算子创建，在DataSet批处理中使用。
RuntimeUDFContext：在批处理应用的UDF中使用。
SavepointRuntimeContext：Flink1.9版本引入了一个很重要的状态处理API，这个框架支持对检查点和保存点进行操作，包括读取、变更、写入等。
CepRuntimeContext：CEP复杂事件处理中使用的上下文。
main方法中使用StreamExecutionEnvironment
数据流元素
分支主题
StreamRecord
StreamRecord表示数据流中的一条记录（或者叫作一个事件），也叫作数据记录。
数据的值本身。
事件戳（可选）。
LatencyMarker
LatencyMarker用来近似评估延迟，LatencyMarker在Source中创建，并向下游发送，绕过业务处理逻辑，在Sink节点中使用LatencyMarker估计数据在整个DAG图中流转花费的时间，用来近似地评估总体上的处理延迟。
周期性地在数据源算子中创造出来的时间戳。
算子编号。
数据源算子所在的Task编号。
Watermark
Watermark是一个时间戳，用来告诉算子所有时间早于等于Watermark的事件或记录都已经到达，不会再有比Watermark更早的记录，算子可以根据Watermark触发窗口的计算、清理资源等。后边有详细介绍。
StreamStatus
用来通知Task是否会继续接收到上游的记录或者Watermark。StreamStatus在数据源算子中生成，向下游沿着Dataflow传播。
空闲状态（IDLE）。
活动状态（ACTIVE）
算子
算子在Flink中叫作StreamOperator。StreamOperator是流计算的算子。
算子行为
生命周期管理
setup：初始化环境、时间服务、注册监控等。
open：该行为由各个具体的算子负责实现，包含了算子的初始化逻辑，如状态初始化等。算子执行该方法之后，才会执行Function进行数据的处理。
close：所有的数据处理完毕之后关闭算子，此时需要确保将所有的缓存数据向下游发送。
dispose：该方法在算子生命周期的最后阶段执行，此时算子已经关闭，停止处理数据，进行资源的释放。
状态与容错管理
算子负责状态管理，提供状态存储，触发检查点的时候，保存状态快照，并且将快照异步保存到外部的分布式存储。当作业失败的时候算子负责从保存的快照中恢复状态。
数据处理
算子对数据的处理，不仅会进行数据记录的处理，同时也会提供对Watermark和LatencyMarker的处理。
Blink算子
Blink内置算子
Join
HashJoin
InnerHashJoinOperator
BuildOuterHashJoinOperator
BuildLeftSemiOrAntiHashJoinOperator
ProbeOuterHashJoinOperator
FullOuterHashJoinOperator
AntiHashJoinOperator
SemiHashJoinOperator
维表Join（Lookup Join）
TemporalProcessTimeJoinOperator
TemporalRowTimeJoinOperator
Sort算子
OverWindow算子
BufferDataOverWindowOperator：Over开窗运算经常需要用当前数据跟之前N条数据一起计算，所以需要采用将之前的数据缓存起来的方式，在内存不足的情况下会自动溢出到磁盘。
NonBufferOverWindowOperator：该算子应用于rank等不需要跟之前N条数据一起计算的开窗运算，无须缓存数据，可以提高计算效率。
Window算子
AggregateWindowOperator：使用普通聚合函数（UDAF）的窗口算子。
TableAggregateWindowOperator：使用表聚合函数（UDTAF）的窗口算子。
Watermark算子
WatermarkAssignerOperator：从数据元素中提取时间戳，周期性地生成Watermark。
RowTimeMiniBatchAssignerOperator：用在mini-batch模式下，依赖上游的Watermark，基于事件时间周期性地生成Watermark。
ProcTimeMiniBatchAssignerOperator：用在mini-batch模式下，基于处理时间周期性地生成Watermark，不依赖上游。
Mini-batch算子
Mini-batch算子用微批来提升计算效率，提高吞吐量。使用Java的Map来缓存数据，Map的Key与State的Key保持一致，在进行聚合运算的时候可以批量操作，避免每一条数据都访问State。
MapBundleOperator：应用于未按照Key分组的数据流。
KeyedMapBundleOperator：应用于按照Key分组后的数据流，即KeyedStream。
批上算子
SortOperator：实现批上的全局数据排序。
SortLimitOperator：实现批上的带有Limit的排序。
LimitOperator：实现批上的limit语义。
RankOperator：实现批上的Top N语义。
数据分区
分支主题
自定义分区
datasource.partitionCustom(new Partitioner<Object>() {
@Override
public int partition(Object key, int numPartitions) {
return 0;
}
}, new KeySelector<Tuple2<String, Integer>, Object>() {
@Override
public Object getKey(Tuple2<String, Integer> value) throws Exception {
return null;
}
})
ForwardPartitioner
该Partitioner比较特殊，用于在同一个OperatorChain中上下游算子之间的数据转发，实际上数据是直接传递给下游的。
ShufflePartitioner
随机将元素进行分区，可以确保下游的Task能够均匀地获得数据
ReblancePartitioner
以Round-robin的方式为每个元素分配分区，确保下游的Task可以均匀地获得数据，避免数据倾斜
RescalingPartitioner
根据上下游Task的数量进行分区。使用Round-robin选择下游的一个Task进行数据分区，如上游有2个Source，下游有6个Map，那么每个Source会分配3个固定的下游Map，不会向未分配给自己的分区写入数据。这一点与ShufflePartitioner和ReblancePartitioner不同，后两者会写入下游所有的分区
BroadcastPartitioner
将该记录广播给所有分区，即有N个分区，就把数据复制N份，每个分区1份
KeyGroupStreamPartitioner
KeyedStream根据KeyGroup索引编号进行分区，该分区器不是提供给用户来用的。
