在前文我们写了一个WordCount程序体验了一下flink程序的编写。在本篇中我们详细学习下flink api的分类及其应用场景。

Flink’s API

flink提供了4个层次的api抽象：

• 在最下层，就是有状态流式编程，它提供了ProcessFunctionAPI。flink在这个底层api上帮我们实现了最基础的流式处理能力，我们可以在上门进行有状态编程，并且我们可以自定义定时器，可以实现复杂的时间语义处理。（注意：ProcessFunction是嵌入到DataStreamAPI中使用的）。
• 在core api层，flink提供了DataStreamAPI和DataSetAPI。这两个API提供了数据处理的基本操作：各种数据转化（map，flatmap，filter等等），分组，join，window，状态编程等等。我们在前文写的WordCount程序就是基于DataStreamAPI实现的。
• Table API是基于表的声明式dsl。它与DataStream区别主要在以下几个方面：
  1. 遵循关系型数据模型，自带schema，提供了类sql操作，如select，project，join，group-by等等。
  2. 声明式api，指定数据处理逻辑，不指定代码实现逻辑
  3. 可实现udf，但是表达力不如core api
  4. 在执行前，计划器会优化执行逻辑
  5. Table可与DataStream/DataSet无缝转化。
• flink提供的最高层api是flink-sql。它的抽象层次与Table API类似，但是允许用户直接写sql便可以执行job，而无需会写java或scala代码。

这四层关系很好理解，简单总结一下，主要是有以下两点：

1. 越往上层，开发人员写的代码越简洁，面向的开发人员越广。

2. 越往上层，处理的数据越结构化，功能灵活性越低。