1，什麼是Flink實時數倉。
大家做離線開發是的時候數據存儲在hdfs或者hive，基於此，不管用什麼組件，數據源都是hive，然後定時執行腳本，跑離線任務啥的。
實時數倉大家可以理解爲數據都存儲在kafka，Flink消費kafka的數據然後進行邏輯處理，然後再下發到kafka，這麼延遲是秒或者分鐘級別的，對於不同的業務效果更好，更實時。
2，爲什麼要做實時數倉呢？
我的理解是因爲業務，大家想想，離線數據處理的都是什麼數據，簡單總結之就是流量數據，從大量的數據最後得到幾個需要的維度的值，而實時數倉效果更快，這是技術的進步，更能提高效率
3，實時數倉的缺點？
缺點可能的話還是資源吧，消耗更多。
與其說是缺點，不如說是難點，痛點。 大概是資料不是很多，坑還需要人來趟。
4，之前我在接觸實時數倉的時候，有個想法。
我之前想整合 Nifi + Flink+Druid的，目前都瞭解了一下之後發現不行。
首先Nifi 使用有侷限，沒我想象的那麼簡單和容易上手，Druid就不說了，吃資源大戶，類似kylin，而且也是需要時間去設計數據結構，存儲等等，難點不是使用。這兩者都不是很流行，說白了用的人沒那麼多，對於公司來講，成本未知。
5，還是聊聊Flink實時數倉吧。
1）美團實時數倉
平臺架構：
案例：流量數倉
使用效果：
實踐總結：
傳統數倉：
Flink實時數倉：
準實時數倉：
準實時數倉與實時數倉的對比：
實時數倉平臺架構：
2）美團：
ODS層：
保證kafka分區數據有序：
DW層的建設：
維度建設：
維度數據使用：
彙總層的建設：
注意點：去重的時候可能會佔用過大的資源導致程序死掉，我們可以使用一些算法或者辦法，比如布隆過濾器
倉庫的質量保證：
Flink sql校驗怎麼做？
一定建立血緣關係，如果任務或者作業修改了，下游要準確的保持一致，所以需要血緣關係。
數據質量驗證：
就是將中間表數據寫入hive，通過離線數據的結果統計比對實時數倉的結果是否正確，驗證差異。
3）拉鍊表的意思：
https://blog.csdn.net/saqin6255/article/details/80362248
4）
6，大家可以參考的文章或者視頻瞭解一下