flink任务中【Transformation 数据转换】是对数据进行操作，有 Map、FlatMap、Filter、KeyBy 、Reduce 、Fold 、Aggregations、Window 、WindowAll 、Union 、Window join 、Split 、Select 、Project 等，通过对数据的操作，转换成想要的数据，即是目标数据。
- Map
Map 算⼦的输⼊流是 DataStream，经过 Map 算⼦后返回的数据格式是 SingleOutputStreamOperator 类型，获取⼀个元素并⽣成⼀个元素。
SingleOutputStreamOperator<Employee> map = employeeStream.map(new MapFuncti@Overridepublic Employee map(Employee employee) throws Exception {employee.salary = employee.salary + 5000;return employee;}
});
map.print();
-
FlatMap
FlatMap 算⼦的输⼊流是 DataStream，经过 FlatMap 算⼦后返回的数据格式是SingleOutputStreamOperator 类型，获取⼀个元素并⽣成零个、⼀个或多个元素。 -
Filter
对每个元素都进⾏判断，返回为 true 的元素，如果为 false 则丢弃数据 -
KeyBy
KeyBy 在逻辑上是基于 key 对流进⾏分区，相同的 Key 会被分到⼀个分区（这⾥分区指的就是下游算⼦多个并⾏节点的其中⼀个）。在内部，它使⽤ hash 函数对流进⾏分区。它返回 KeyedDataStream 数据流。 -
Reduce
Reduce 返回单个的结果值，并且 reduce 操作每处理⼀个元素总是创建⼀个新值。常⽤的⽅法有average、sum、min、max、count，使⽤ Reduce ⽅法都可实现。 -
Aggregations
DataStream API ⽀持各种聚合，例如 min、max、sum 等。 这些函数可以应⽤于 KeyedStream 以获得Aggregations 聚合。 -
Window
Window 函数允许按时间或其他条件对现有 KeyedStream 进⾏分组。 以下是以 10 秒的时间窗⼝聚合： -
WindowAll
WindowAll 将元素按照某种特性聚集在⼀起，该函数不⽀持并⾏操作，默认的并⾏度就是 1，所以如果使⽤这个算⼦的话需要注意⼀下性能问题，以下是使⽤例⼦： -
Union
Union 函数将两个或多个数据流结合在⼀起。 这样后⾯在使⽤的时候就只需使⽤⼀个数据流就⾏了。 如果我们将⼀个流与⾃身组合，那么组合后的数据流会有两份同样的数据，Union 的效果如下图所示。 -
Window Join
我们可以通过⼀些 key 将同⼀个 window 的两个数据流 join 起来。 -
Split
此功能根据条件将流拆分为两个或多个流。当你获得混合流然后你可能希望单独处理每个数据流时，可以使⽤此⽅法，Split 的效果如下图所示 -
Select
上⾯⽤ Split 算⼦将数据流拆分成两个数据流（奇数、偶数），接下来你可能想从拆分流中选择特定流，那么就得搭配使⽤ Select 算⼦（⼀般这两者都是搭配在⼀起使⽤的）
