ApacheFlink是一個面向分布式資料流處理和批量資料處理的開源計算平台，它能夠基于同一個Flink運作時，提供支援流處理和批處理兩種類型應用的功能。
現有的開源計算方案，會把流處理和批處理作為兩種不同的應用類型，因為它們所提供的SLA（Service-Level-Aggreement）是完全不相同的：流處理一般需要支援低延遲、Exactly-once保證，而批處理需要支援高吞吐、高效處理。
Flink從另一個視角看待流處理和批處理，将二者統一起來：Flink是完全支援流處理，也就是說作為流處理看待時輸入資料流是無界的；批處理被作為一種特殊的流處理，隻是它的輸入資料流被定義為有界的。
Apache Flink是一個面向分布式資料流處理和批量資料處理的開源計算平台，它能夠基于同一個Flink運作時，提供支援流處理和批處理兩種類型應用的功能。
Flink首先支援Local的執行環境，所有子產品元件都可以運作在同一個JVM程序中，主要是友善開發調試，使用者在開發Flink應用時可以在IDE環境中友善的本地運作或是設定斷點進行代碼調試。此外Flink支援Standalone模式進行分布式部署，Flink的JobManager和TaskManager可以部署在多台節點上，組成一個叢集，管理叢集資源，執行分布式任務。同時Flink也可以委托YARN進行資源管理，Flink的Job通過YARN申請資源。最後，Flink也支援Google和Amazon的公有雲平台，Flink的Job可以直接送出到公有雲上執行。使用者開發的同一個Flink業務邏輯，無需任何修改，可随時遷移到不同的執行環境執行。
Client負責送出Flink作業，首先将使用者的Flink Job翻譯并優化成圖狀的Dataflow，并送出給JobManager，JobManager将Flink DataFlow切分成分布式task，并按照叢集的資源配置排程task，将task分發到TaskManger執行。TaskManager可能有多個，執行具體的task，且負責task與task之間的資料傳輸。不同于MapReduce，Flink的TaskManger類似于Spark的Executor，task以線程而非程序的粒度在TaskManager中執行。在Standalone模式下，JobManger和TaskManager負責資源的管理，而在YARN模式下，JobManager相當于ApplicationMaster, 而TaskManger相當于Executor。隻是負責task的排程與執行。
最底層級的抽象僅僅提供了有狀态流。實際上，大多數應用并不需要上述的底層抽象，而是針對 核心API（Core APIs） 進行程式設計，比如DataStream API（有界或無界流資料）以及DataSet API（有界資料集）Table API 是以 表 為中心的聲明式DSL，其中表可能會動态變化（在表達流資料時）。
Client負責送出Flink作業，首先将使用者的Flink Job翻譯并優化成圖狀的Dataflow，并送出給JobManager，JobManager将Flink DataFlow切分成分布式task，并按照叢集的資源配置排程task，将task分發到TaskManger執行。TaskManager可能有多個，執行具體的task，且負責task與task之間的資料傳輸。不同于MapReduce，Flink的TaskManger類似于Spark的Executor，task以線程而非程序的粒度在TaskManager中執行。在Standalone模式下，JobManger和TaskManager負責資源的管理，而在YARN模式下，JobManager相當于ApplicationMaster, 而TaskManger相當于Executor。隻是負責task的排程與執行