公司给新员工发了一瓶饮料，不知道为啥写了呼不上来请留言，咱也不知道

   一好饭友十一期间结婚，去参加了一波，挺为他们开心的，两年多爱情长跑终于修成正果。最开始在一起的时候还是异地恋，当时我还和朋友经常一起吃饭啥的(说好的一起单身呢)。后来两人为了爱情，都回到了西安，最后终于修成正果，好酸

   意外到来的寒假，对我来讲是难得的清闲，可是对于武汉人以及疫区的人们来讲，确实煎熬。 愿我天朝能够尽快解决疫情，战胜疫情。 也希望天朝政府里面少一些蛀虫，毕竟“千里之堤溃于蚁穴”还是有可能的。

   转眼之间2020年已经过去一半时间了，时间过得真快，想想自己写2019年半年度总结没过多久。总结下前半年的收获。

   换了工作之后在华为搞FusionInsight的redis组件，复习下redis相关的知识。从简单的数据操作开始。

   Redis常用的删除策略有以下三种： 被动删除（惰性删除）：当读/写一个已经过期的Key时，会触发惰性删除策略，直接删除掉这个Key; 主动删除（定期删除）：Redis会定期巡检，来清理过期Key； 当内存达到maxmemory配置时候，会触发Key的删除操作； 另外，还有一种基于触发器的删除策略，因为对Redis压力太大，一般没人使用。

   环材化生劝退计划 劝退一人胜发七篇 CNS

   Kafka是一个分布式的基于发布/订阅模式的消息队列，主要应用于大数据实时处理领域。

   Kafka中消息是以topic进行分类的，生产者生产消息，消费者消费消息，都是面向topic的。 topic是逻辑上的概念，而partition是物理上的概念，每个partition对应于一个log文件，该log文件中存储的就是producer生产的数据。Producer生产的数据会被不断追加到该log文件末端，且每条数据都有自己的offset。消费者组中的每个消费者，都会实时记录自己消费到了哪个offset，以便出错恢复时，从上次的位置继续消费。

     Kafka的Producer发送消息采用的是异步发送的方式。在消息发送的过程中，涉及到了两个线程——main线程和Sender线程，以及一个线程共享变量——RecordAccumulator。main线程将消息发送给RecordAccumulator，Sender线程不断从RecordAccumulator中拉取消息发送到Kafka broker。 Consumer消费数据时的可靠性是很容易保证的，因为数据在Kafka中是持久化的，故不用担心数据丢失问题 ......

   通过Flink官网可以看到Flink里面就默认支持了不少sink，比如也支持Kafka sink connector（FlinkKafkaProducer），那么这篇文章我们就来看看如何将数据写入到Kafka。

   上一篇文章介绍了 Flink Data Sink，也介绍了 Flink 自带的 Sink，那么如何自定义自己的 Sink 呢？这篇文章将写一个 demo 教大家将从 Kafka Source 的数据 Sink 到 MySQL 中去。

   在 Data Source 介绍 文章中，我给大家介绍了 Flink Data Source 以及简短的介绍了一下自定义 Data Source，这篇文章更详细的介绍下，并写一个 demo 出来让大家理解。

   Source 就是数据的来源，中间的 Compute 其实就是 Flink 干的事情，可以做一系列的操作，操作完后就把计算后的数据结果 Sink 到某个地方。（可以是 MySQL、ElasticSearch、Kafka、Cassandra 等）。这里我说下自己目前做告警这块就是把 Compute 计算后的结果 Sink 直接告警出来了（发送告警消息到钉钉群、邮件、短信等），这个 sink 的意思也不一定非得说成要把数据存储到某个地方去。其实官网用的 Conn ......

   Data Sources 是什么呢？就字面意思其实就可以知道：数据来源。 Flink 做为一款流式计算框架，它可用来做批处理，即处理静态的数据集、历史的数据集；也可以用来做流处理，即实时的处理些实时数据流，实时的产生数据流结果，只要数据源源不断的过来，Flink 就能够一直计算下去，这个 Data Sources 就是数据的来源地。