注：本文翻译的时候还没正式 Release 1.12，处于 1.12.0-rc3 阶段php
Flink 从入门到精通 系列文章python
本文的 Release 文档描述了在 Flink 1.11 和 Flink 1.12 之间更改的重要方面，例如配置，行为或依赖项。若是您打算将 Flink 版本升级到 1.12，请仔细阅读这些说明。
sql
API
移除掉 ExecutionConfig 中过时的方法docker
移除掉了 ExecutionConfig#isLatencyTrackingEnabled 方法, 你可使用 ExecutionConfig#getLatencyTrackingInterval 方法代替.windows
移除掉了 ExecutionConfig#enable/disableSysoutLogging、ExecutionConfig#set/isFailTaskOnCheckpointError 过时的方法。app
移除掉了 -q CLI 参数。ide
移除掉过时的 RuntimeContext#getAllAccumulators 方法函数
过时的 RuntimeContext#getAllAccumulators 方法被移除掉了，请使用 RuntimeContext#getAccumulator 方法做为代替。性能
因为数据丢失的风险把 CheckpointConfig#setPreferCheckpointForRecovery 方法标为过时测试
CheckpointConfig#setPreferCheckpointForRecovery 方法标记为过时了, 由于做业在进行恢复时，若是使用较旧的 Checkpoint 状态而不使用新的 Save point 状态数据，可能会致使数据丢失。
FLIP-134: DataStream API 的批处理执行
容许在
KeyedStream.intervalJoin()的配置时间属性，在 Flink 1.12 以前KeyedStream.intervalJoin()算子的时间属性依赖于全局设置的时间属性。在 Flink 1.12 中咱们能够在 IntervalJoin 方法后加上inProcessingTime()或inEventTime()，这样 Join 就再也不依赖于全局的时间属性。在 Flink 1.12 中将 DataStream API 的
timeWindow()方法标记为过时，请使用window(WindowAssigner)、TumblingEventTimeWindows、SlidingEventTimeWindows、TumblingProcessingTimeWindows或者SlidingProcessingTimeWindows。将
StreamExecutionEnvironment.setStreamTimeCharacteristic()和TimeCharacteristic方法标记为过时。在 Flink 1.12 中，默认的时间属性改变成 EventTime 了，因而你再也不须要该方法去开启 EventTime 了。在 EventTime 时间属性下，你使用 processing-time 的 windows 和 timers 也都依旧会生效。若是你想禁用水印，请使用ExecutionConfig.setAutoWatermarkInterval(long)方法。若是你想使用IngestionTime，请手动设置适当的 WatermarkStrategy。若是你使用的是基于时间属性更改行为的通用 'time window' 算子(eg:KeyedStream.timeWindow())，请使用等效操做明确的指定处理时间和事件时间。容许在 CEP PatternStream 上显式配置时间属性在 Flink 1.12 以前，CEP 算子里面的时间依赖于全局配置的时间属性，在 1.12 以后能够在 PatternStream 上使用
inProcessingTime()或inEventTime()方法。
API 清理
移除了 UdfAnalyzer 配置，移除了
ExecutionConfig#get/setCodeAnalysisMode方法和SkipCodeAnalysis类。移除了过时的
DataStream#split方法，该方法从很早的版本中已经标记成为过时的了，你可使用 Side Output 来代替。移除了过时的
DataStream#fold()方法和其相关的类，你可使用更加高性能的DataStream#reduce。
扩展 CompositeTypeSerializerSnapshot 以容许复合序列化器根据外部配置迁移
再也不推荐使用 CompositeTypeSerializerSnapshot 中的 isOuterSnapshotCompatible(TypeSerializer) 方法，推荐使用 OuterSchemaCompatibility#resolveOuterSchemaCompatibility(TypeSerializer) 方法。
将 Scala Macros 版本升级到 2.1.1
Flink 如今依赖 Scala Macros 2.1.1，意味着再也不支持 Scala 版本小于 2.11.11。
SQL
对 aggregate 函数的 SQL DDL 使用新类型推断
aggregate 函数的 CREATE FUNCTION DDL 如今使用新类型推断，可能有必要将现有实现更新为新的反射类型提取逻辑，将 StreamTableEnvironment.registerFunction 标为过时。
更新解析器模块 FLIP-107
如今 METADATA 属于保留关键字，记得使用反引号转义。
将内部 aggregate 函数更新为新类型
使用 COLLECT 函数的 SQL 查询可能须要更新为新类型的系统。
Connectors 和 Formats
移除 Kafka 0.10.x 和 0.11.x Connector
在 Flink 1.12 中，移除掉了 Kafka 0.10.x 和 0.11.x Connector，请使用统一的 Kafka Connector（适用于 0.10.2.x 版本以后的任何 Kafka 集群），你能够参考 Kafka Connector 页面的文档升级到新的 Flink Kafka Connector 版本。
CSV 序列化 Schema 包含行分隔符
csv.line-delimiter 配置已经从 CSV 格式中移除了，由于行分隔符应该由 Connector 定义而不是由 format 定义。若是用户在之前的 Flink 版本中一直使用了该配置，则升级到 Flink 1.12 时，应该删除该配置。
升级 Kafka Schema Registry Client 到 5.5.0 版本
flink-avro-confluent-schema-registry 模块再也不在 fat-jar 中提供，你须要显式的在你本身的做业中添加该依赖，SQL-Client 用户可使用flink-sql-avro-confluent-schema-registry fat jar。
将 Avro 版本从 1.8.2 升级到 1.10.0 版本
flink-avro 模块中的 Avro 版本升级到了 1.10，若是出于某种缘由要使用较旧的版本，请在项目中明确降级 Avro 版本。
注意：咱们观察到，与 1.8.2 相比，Avro 1.10 版本的性能有所降低，若是你担忧性能，而且可使用较旧版本的 Avro，那么请降级 Avro 版本。
为 SQL Client 打包 flink-avro 模块时会建立一个 uber jar
SQL Client jar 会被重命名为 flink-sql-avro-1.12.jar，之前是 flink-avro-1.12-sql-jar.jar，并且再也不须要手动添加 Avro 依赖。
Deployment（部署）
默认 Log4j 配置了日志大小超过 100MB 滚动
默认的 log4j 配置如今作了变动：除了在 Flink 启动时现有的日志文件滚动外，它们在达到 100MB 大小时也会滚动。Flink 总共保留 10 个日志文件，从而有效地将日志目录的总大小限制为 1GB（每一个 Flink 服务记录到该目录）。
默认在 Flink Docker 镜像中使用 jemalloc
在 Flink 的 Docker 镜像中，jemalloc 被用做默认的内存分配器，以减小内存碎片问题。用户能够经过将 disable-jemalloc 标志传递给 docker-entrypoint.sh 脚原本回滚使用 glibc。有关更多详细信息，请参阅 Docker 文档上的 Flink。
升级 Mesos 版本到 1.7
将 Mesos 依赖版本从 1.0.1 版本升级到 1.7.0 版本。
若是 Flink 进程在超时后仍未中止，则发送 SIGKILL
在 Flink 1.12 中，若是 SIGTERM 没法成功关闭 Flink 进程，咱们更改了独立脚本的行为以发出 SIGKILL。
介绍非阻塞做业提交
提交工做的语义略有变化，提交调用几乎当即返回，而且做业处于新的 INITIALIZING 状态，看成业处于该状态时，对做业作 Savepoint 或者检索做业详情信息等操做将不可用。
一旦建立了该做业的 JobManager，该做业就处于 CREATED 状态，而且全部的调用都可用。
Runtime
FLIP-141: Intra-Slot Managed Memory 共享
python.fn-execution.buffer.memory.size 和 python.fn-execution.framework.memory.size 的配置已删除，所以再也不生效。除此以外，python.fn-execution.memory.managed 默认的值更改成 true， 所以默认状况下 Python workers 将使用托管内存。
FLIP-119 Pipelined Region Scheduling
从 Flink 1.12 开始，将以 pipelined region 为单位进行调度。pipelined region 是一组流水线链接的任务。这意味着，对于包含多个 region 的流做业，在开始部署任务以前，它再也不等待全部任务获取 slot。取而代之的是，一旦任何 region 得到了足够的任务 slot 就能够部署它。对于批处理做业，将不会为任务分配 slot，也不会单独部署任务。取而代之的是，一旦某个 region 得到了足够的 slot，则该任务将与全部其余任务一块儿部署在同一区域中。
可使用 jobmanager.scheduler.scheduling-strategy：legacy 启用旧的调度程序。
RocksDB optimizeForPointLookup 致使丢失时间窗口
默认状况下，咱们会将 RocksDB 的 ReadOptions 的 setTotalOrderSeek 设置为true，以防止用户忘记使用 optimizeForPointLookup。同时，咱们支持经过RocksDBOptionsFactory 自定义 ReadOptions。若是观察到任何性能降低，请将 setTotalOrderSeek 设置为 false（根据咱们的测试，这是不可能的）。
自定义 OptionsFactory 设置彷佛对 RocksDB 没有影响
过时的 OptionsFactory 和 ConfigurableOptionsFactory 类已移除，请改用 RocksDBOptionsFactory 和 ConfigurableRocksDBOptionsFactory。若是有任何扩展 DefaultConfigurableOptionsFactory 的类，也请从新编译你的应用程序代码。
基于 Apache Flink 的实时监控告警系统关于数据中台的深度思考与总结（干干货）日志收集Agent，阴暗潮湿的地底世界 2020 继续踏踏实实的作好本身 公众号(zhisheng)里回复 面经、ClickHouse、ES、Flink、 Spring、Java、Kafka、监控 等关键字能够查看更多关键字对应的文章。 点个赞+在看，少个 bug ????