11、Flink的流式处理和批处理有什么不同？
在Flink中，流式处理是以无限数据流为基础进行处理，数据流可能是无限的，也可能是有限的，数据会一条一条地到达并且立即处理。而批处理则是以固定大小的数据块（Batch）为基础进行处理，数据是先积累一定的数量，等到数据块满足一定条件后再进行处理。
Flink支持在同一个程序中同时处理实时和批处理任务，实时任务可以实时处理数据流，批处理任务则可以将一段时间内的数据块作为一个数据集进行处理。
12、Flink如何实现流的迭代计算？
Flink中的流迭代计算，是通过迭代算子（Iteration operator）来实现的。该算子将一组数据作为输入，并在算子内部对数据进行迭代处理，直到满足某个条件为止，最后输出结果。Flink中的迭代算子包含两个主要的算子：迭代头算子（Iteration Head）和迭代尾算子（Iteration Tail）。
迭代头算子会接收输入数据，将其中需要被迭代的数据发送给下游算子，并通过将需要迭代的数据保存到状态中，使得迭代尾算子能够从状态中读取到这些数据。迭代尾算子则会不断重复处理接收到的数据，直到满足某个条件为止，并将结果发送给下游算子。在每一次迭代中，迭代算子会将结果写回到状态中，作为下一次迭代的输入。
13、Flink如何处理乱序数据？
Flink中通过Watermark机制来处理乱序数据。Watermark是一种特殊的数据流元素，它用来表示当前数据流中已经处理过的数据的时间戳，并且用来告知Flink系统在该时间戳之前的数据已经全部到达。
在Flink中，数据源会生成一系列的数据流元素，并为每个元素分配一个时间戳。数据流会按照时间戳的顺序进行处理，但是在实际的场景中，由于数据来源的原因，有些数据可能会晚到达或者丢失，这样就会导致处理的结果出现错误。
Flink通过Watermark机制来解决这个问题。Watermark是一种特殊的数据流元素，它会告知Flink系统在该时间戳之前的数据已经全部到达。Flink会使用Watermark来判断一个窗口是否可以被关闭，并在下游算子中引入延迟机制，以保证数据的正确性。
14、Flink中的“Exactly Once”语义是什么，如何保证？
Flink的“Exactly Once”语义指的是对于每条输入数据，输出结果都会且只会计算一次，即保证数据处理的准确性和一致性。Flink使用了多种技术手段来保证“Exactly Once”语义，包括基于快照的检查点机制、事务性输出等。
基于快照的检查点机制是Flink保证“Exactly Once”语义的核心机制之一。Flink会周期性地将数据流的状态进行快照，并将快照存储到持久化存储中。如果数据流发生故障，Flink可以从最近的一个快照开始进行恢复。在恢复过程中，Flink会对每个数据流进行回放，确保每个数据都只被计算一次。
事务性输出是Flink保证“Exactly Once”语义的另一种重要机制。事务性输出指的是将结果输出到外部存储系统时，要求输出操作具有事务性，即输出要么全部成功，要么全部失败。如果输出操作失败，Flink会在故障恢复过程中重试输出操作，保证输出的准确性和一致性。
15、Flink如何进行容错处理？
Flink的容错处理是通过基于快照的检查点机制实现的。Flink会周期性地将数据流的状态进行快照，并将快照存储到持久化存储中。如果数据流发生故障，Flink可以从最近的一个快照开始进行恢复。在恢复过程中，Flink会对每个数据流进行回放，确保每个数据都只被计算一次。
在实际使用中，为了保证容错能力和性能的平衡，Flink提供了多种检查点配置方式，用户可以根据实际需求进行选择。例如，可以设置检查点的触发间隔、最大并发数、超时时间等参数，也可以选择异步或同步快照机制等。