Um mecanismo unificado de análise para processamento de dados em larga escala, com APIs em Scala, Java, Python e R.
apache/flink
Apache Flink é um framework open source para processamento stateful de dados em streaming e em lote, com APIs para Java, Scala, Python e SQL.
- Estrelas
- 26,417
- Forks
- 14,065
- Issues abertas
- 398
- Último commit
- há 16 horas
O que é?
Apache Flink é um framework de processamento distribuído para executar pipelines de dados que operam tanto em fluxos contínuos de eventos quanto em conjuntos de dados limitados. Seu runtime trata o processamento em lote como um caso especial de streaming, então o mesmo mecanismo executa as duas cargas de trabalho.
A DataStream API oferece suporte ao processamento por event time e a eventos fora de ordem, com janelas flexíveis por tempo, contagem, sessão ou triggers personalizados. A tolerância a falhas se baseia em garantias de processamento exactly-once, e o backpressure se propaga naturalmente pelos jobs de streaming.
O Flink se integra ao ecossistema Hadoop, incluindo YARN e HDFS, e a maioria dos seus conectores (Kafka, JDBC, Elasticsearch e outros) é mantida em repositórios Apache separados. O projeto é compilado com Maven e oferece suporte a Java 11, 17 e 21.
Recursos principais
- 01Runtime com foco em streaming que também executa jobs em lote
- 02Processamento por event time e tratamento de eventos fora de ordem na DataStream API
- 03Janelas flexíveis por tempo, contagem, sessão ou triggers personalizados
- 04Garantias de tolerância a falhas exactly-once
- 05Camadas de compatibilidade com Hadoop MapReduce e integração com YARN e HDFS
Casos de uso
- Análises em tempo real de fluxos de eventos, como dados de cliques ou de sensores
- Pipelines contínuos de ETL que alimentam data warehouses ou índices de busca
- Jobs em lote e de streaming que compartilham a mesma base de código
- Aplicações stateful orientadas a eventos que precisam de resultados exactly-once
Início rápido
- 1
Clone o repositório
git clone https://github.com/apache/flink.git - 2
Acesse o diretório do projeto
cd flink - 3
Compile o Flink para Java 17 (padrão)
./mvnw clean package -DskipTests -Djdk17 -Pjava17-target
Antes de usar
- A compilação a partir do código-fonte leva cerca de 10 minutos e requer o Maven 3.9.16 e um JDK da versão 11, 17 ou 21.
- A maioria dos conectores foi movida para repositórios separados e precisa ser adicionada individualmente.
Em coleções
Tópicos
Perguntas frequentes
- O que é flink?
- Apache Flink é um framework open source para processamento stateful de dados em streaming e em lote, com APIs para Java, Scala, Python e SQL. Apache Flink é um framework de processamento distribuído para executar pipelines de dados que operam tanto em fluxos contínuos de eventos quanto em conjuntos de dados limitados. Seu runtime trata o processamento em lote como um caso especial de streaming, então o mesmo mecanismo executa as duas cargas de trabalho.
- flink é gratuito? Qual é a licença?
- flink é open source sob a licença Apache-2.0. Confira os termos da licença antes de usá-lo em produtos comerciais.
- flink ainda é mantido?
- Manutenção ativa. O último commit de flink foi em 22 de out. de 2026.
- Para que posso usar flink?
- Análises em tempo real de fluxos de eventos, como dados de cliques ou de sensores Pipelines contínuos de ETL que alimentam data warehouses ou índices de busca Jobs em lote e de streaming que compartilham a mesma base de código Aplicações stateful orientadas a eventos que precisam de resultados exactly-once
- Como instalar flink?
- Clone o repositório: git clone https://github.com/apache/flink.git Acesse o diretório do projeto: cd flink Compile o Flink para Java 17 (padrão): ./mvnw clean package -DskipTests -Djdk17 -Pjava17-target
- Onde consigo flink?
- O código-fonte e as instruções de instalação estão no GitHub: https://github.com/apache/flink
Resumo gerado por IA a partir do README do projeto. As estatísticas do GitHub são atualizadas diariamente.
Projetos relacionados
Framework ETL em Python para processamento de streams, análises em tempo real, pipelines com LLM e RAG, com tecnologia de um mecanismo em Rust.
Engine de processamento de streams em Rust que executa SQL, UDFs em Python e etapas de ML/LLM em dados em tempo real de Kafka, MQTT, NATS e outras fontes.
Um datastore OLAP distribuído em tempo real para análises de baixa latência sobre dados de streaming e em lote, com ingestão do Kafka e do S3.
Querybook é uma IDE de Big Data que combina um editor de consultas no estilo notebook com metadados de tabelas para descobrir e compartilhar análises.
Aplicativo desktop simples para Windows que permite visualizar arquivos Apache Parquet e executar consultas SQL básicas.