本文已收录至Github,推荐阅读 👉 Java随想录

微信公众号:Java随想录

目录

  • 流处理 & 批处理
    • 无界流Unbounded streams
    • 有界流Bounded streams
  • Flink的特点和优势
  • Flink VS Spark
  • Flink API
  • Dataflows数据流图
  • Flink基本架构
    • Job Manager & Task Manager
  • 集群 & 部署
    • 部署模式
    • 提交作业流程
  • 配置开发环境
    • WordCount流批计算程序
  • 并行度
    • 并行度设置
    • 并行度生效优先级
  • Task
  • Operator Chain(算子链)
  • Task Slots
    • 分发规则
    • Slot共享组
    • 并行度和Slots的例子
  • DataSource数据源
    • File Source
    • Collection Source
    • Socket Source
    • Kafka Source
  • Transformations
    • Map
    • FlatMap
    • Filter
    • KeyBy
    • Reduce
    • Aggregations
    • Union 真合并
    • Connect 假合并
    • CoMap, CoFlatMap
    • Split
    • Select
    • Iterate
    • 函数类和富函数类
    • ProcessFunction(处理函数)
    • 总结
  • Sink
    • Redis Sink
    • Kafka Sink
    • MySQL Sink
    • Socket Sink
    • File Sink
    • HBase Sink
  • 分区策略
    • shuffle
    • rebalance
    • rescale
    • broadcast
    • global
    • forward
    • keyBy
    • PartitionCustom

注:原文字数过多,单篇阅读时间过长,故将文章拆分为上下两篇

因为公司用到大数据技术栈的缘故,之前也写过HBase,Spark等文章,公司离线用的是Spark,实时用的是Flink,所以这篇文章是关于Flink的,这篇文章对Flink的相关概念介绍的比较全面,希望对大家学习Flink能有所帮助。

Flink的一些概念和Spark非常像,看这篇文章之前,强烈建议翻看之前的Spark文章,这样学习Flink的时候能够举一反三,有助于理解。

流处理 & 批处理

事实上 Flink 本身是流批统一的处理架构,批量的数据集本质上也是流。在 Flink 的视角里,一切数据都可以认为是流,流数据是无界流,而批数据则是有界流,流数据每输入一条数据,就有一次对应的输出。

批处理,也叫作离线处理。针对的是有界数据集,非常适合需要访问海量的全部数据才能完成的计算工作,一般用于离线统计。

流处理主要针对的是数据流,特点是无界、实时,对系统传输的每个数据依次执行操作,一般用于实时统计。

无界流Unbounded streams

无界流有定义流的开始,但没有定义流的结束。它们会无休止地产生数据。无界流的数据必须持续处理,即数据被摄取后需要立刻处理。我们不能等到所有数据都到达再处理,因为输入是无限的,在任何时候输入都不会完成。处理无界数据通常要求以特定顺序摄取事件,例如事件发生的顺序,以便能够推断结果的完整性。

有界流Bounded streams

有界流有定义流的开始,也有定义流的结束。有界流可以在摄取所有数据后再进行计算。有界流所有数据可以被排序,所以并不需要有序摄取。有界流处理通常被称为批处理。所以在Flink里批计算其实指的就是有界流。

Flink的特点和优势

  • 同时支持高吞吐、低延迟、高性能。
  • 支持事件时间(Event Time)概念,结合Watermark处理乱序数据
  • 支持有状态计算,并且支持多种状态内存、 文件、RocksDB。
  • 支持高度灵活的窗口(Window) 操作time、 count、 session。
  • 基于轻量级分布式快照(CheckPoint) 实现的容错保证Exactly- Once语义。
  • 基于JVM实现独立的内存管理。
  • Save Points (保存点)。

Flink VS Spark

Spark 和 Flink 在不同的应用领域上表现会有差别。一般来说,Spark 基于微批处理的方式做同步总有一个“攒批”的过程,所以会有额外开销,因此无法在流处理的低延迟上做到极致。在低延迟流处理场景,Flink 已经有明显的优势。而在海量数据的批处理领域,Spark 能够处理的吞吐量更大。

Spark Streaming的流计算其实是微批计算,实时性不如Flink,还有一点很重要的是Spark Streaming不适合有状态的计算,得借助一些存储如:Redis,才能实现。而Flink天然支持有状态的计算

Flink API

Flink 本身提供了多层 API:

  • Stateful Stream Processing 最低级的抽象接口是状态化的数据流接口(stateful streaming)。这个接口是通过 ProcessFunction 集成到 DataStream API 中的。该接口允许用户自由的处理来自一个或多个流中的事件,并使用一致的容错状态。另外,用户也可以通过注册 event time 和 processing time 处理回调函数的方法来实现复杂的计算。
  • DataStream/DataSet API DataStream / DataSet API 是 Flink 提供的核心 API ,DataSet 处理有界的数据集,DataStream 处理有界或者无界的数据流。用户可以通过各种方法(map / flatmap / window / keyby / sum / max / min / avg / join 等)将数据进行转换 / 计算。
  • Table API Table API 提供了例如 select、project、join、group-by、aggregate 等操作,使用起来却更加简洁,可以在表与 DataStream/DataSet 之间无缝切换,也允许程序将 Table API 与 DataStream 以及 DataSet 混合使用。
  • SQL Flink 提供的最高层级的抽象是 SQL,这一层抽象在语法与表达能力上与 Table API 类似,SQL 抽象与 Table API 交互密切,同时 SQL 查询可以直接在 Table API 定义的表上执行。

Dataflows数据流图

所有的 Flink 程序都可以归纳为由三部分构成:Source、Transformation 和 Sink。

  • Source 表示“源算子”,负责读取数据源。

  • Transformation 表示“转换算子”,利用各种算子进行处理加工。

  • Sink 表示“下沉算子”,负责数据的输出。

source数据源会源源不断的产生数据,transformation将产生的数据进行各种业务逻辑的数据处理,最终由sink输出到外部(console、kafka、redis、DB……)。

基于Flink开发的程序都能够映射成一个Dataflows。

当source数据源的数量比较大或计算逻辑相对比较复杂的情况下,需要提高并行度来处理数据,采用并行数据流。

通过设置不同算子的并行度, source并行度设置为2 , map也是2。代表会启动2个并行的线程来处理数据:

Flink基本架构

Flink系统架构中包含了两个角色,分别是JobManager和TaskManager,是一个典型的Master-Slave架构。JobManager相当于是Master,TaskManager相当于是Slave。

Job Manager & Task Manager

在Flink中,JobManager负责整个Flink集群任务的调度以及资源的管理。它从客户端中获取提交的应用,然后根据集群中TaskManager上TaskSlot的使用情况,为提交的应用分配相应的TaskSlot资源并命令TaskManager启动从客户端中获取的应用。

TaskManager负责执行作业流的Task,并且缓存和交换数据流。在TaskManager中资源调度的最小单位是Task slot。TaskManager中Task slot的数量表示并发处理Task的数量。一台机器节点可以运行多个TaskManager

TaskManager会向JobManager发送心跳保持连接

集群 & 部署部署模式

Flink支持多种部署模式,包括本地模式、Standalone模式、YARN模式、Mesos模式和Kubernetes模式。

  • 本地模式:本地模式是在单个JVM中启动Flink,主要用于开发和测试。它不需要任何集群管理器,但也不能跨多台机器运行。本地模式的优点是部署简单,缺点是不能利用分布式计算的优势。
  • Standalone模式:Standalone模式是在一个独立的集群中运行Flink。它需要手动启动Flink集群,并且需要手动管理资源。Standalone模式的优点是部署简单,可以跨多台机器运行,缺点是需要手动管理资源。
  • YARN模式:YARN模式是在Hadoop YARN集群中运行Flink。它可以利用YARN进行资源管理和调度。YARN模式的优点是可以利用现有的Hadoop集群,缺点是需要安装和配置Hadoop YARN,这是在企业中使用最多的方式
  • Mesos模式:Mesos模式是在Apache Mesos集群中运行Flink。它可以利用Mesos进行资源管理和调度。Mesos模式的优点是可以利用现有的Mesos集群,缺点是需要安装和配置Mesos。
  • Kubernetes模式:Kubernetes模式是在Kubernetes集群中运行Flink。它可以利用Kubernetes进行资源管理和调度。Kubernetes模式的优点是可以利用现有的Kubernetes集群,缺点是需要安装和配置Kubernetes。

每种部署模式都有其优缺点,选择哪种部署模式取决于具体的应用场景和需求。

Session、Per-Job和Application是Flink在YARN和Kubernetes上运行时的三种不同模式,它们不是独立的部署模式,而是在YARN和Kubernetes部署模式下的子模式。

  • Session模式:在Session模式下,Flink集群会一直运行,用户可以在同一个Flink集群中提交多个作业。Session模式的优点是作业提交快,缺点是作业之间可能会相互影响。
  • Per-Job模式:在Per-Job模式下,每个作业都会启动一个独立的Flink集群。Per-Job模式的优点是作业之间相互隔离,缺点是作业提交慢。
  • Application模式:Application模式是在Flink 1.11版本中引入的一种新模式,它结合了Session模式和Per-Job模式的优点。在Application模式下,每个作业都会启动一个独立的Flink集群,但是作业提交快。

这三种模式都可以在YARN和Kubernetes部署模式下使用。

提交作业流程

  1. Session 模式:
    • 在 Session 模式下,Flink 运行在交互式会话中,允许用户在一个 Flink 集群上连续地提交和管理多个作业。
    • 用户可以通过 Flink 命令行界面(CLI)或 Web UI 进行交互。
    • 提交流程如下:
      • 用户启动 Flink 会话,并连接到 Flink 集群。
      • 用户使用 CLI 或 Web UI 提交作业,提交的作业被发送到 Flink 集群的 JobManager。
      • JobManager 接收作业后,会对作业进行解析和编译,生成作业图(JobGraph)。
      • 生成的作业图被发送到 JobManager 的调度器进行调度。
      • 调度器将作业图划分为任务并将其分配给 TaskManager 执行。
      • TaskManager 在其本地执行环境中运行任务。
  2. Per-Job 模式:
    • 在 Per-Job 模式下,每个作业都会启动一个独立的 Flink 集群,用于执行该作业。
    • 这种模式适用于独立的批处理或流处理作业,不需要与其他作业共享资源。
    • 提交流程如下:
      • 用户准备好作业程序和所需的配置文件。
      • 用户使用 Flink 提供的命令行工具或编程 API 将作业程序和配置文件打包成一个作业 JAR 文件。
      • 用户将作业 JAR 文件上传到 Flink 集群所在的环境(例如 Hadoop 分布式文件系统)。
      • 用户使用 Flink 提供的命令行工具或编程 API 在指定的 Flink 集群上提交作业。
      • JobManager 接收作业 JAR 文件并进行解析、编译和调度。
      • 调度器将作业图划分为任务并将其分配给可用的 TaskManager 执行。
      • TaskManager 在其本地执行环境中运行任务。
  3. Application 模式:
    • Application 模式是 Flink 1.11 版本引入的一种模式,用于在常驻的 Flink 集群上执行多个应用程序。
    • 在 Application 模式下,用户可以在运行中的 Flink 集群上动态提交、更新和停止应用程序。
    • 提交流程如下:
      • 用户准备好应用程序程序和所需的配置文件。
      • 用户使用 Flink 提供的命令行工具或编程 API 将应用程序程序和配置文件打包成一个应用程序 JAR 文件。
      • 用户将应用程序 JAR 文件上传到 Flink 集群所在的环境(例如 Hadoop 分布式文件系统)。
      • 用户使用 Flink 提供的命令行工具或编程 API 在指定的 Flink 集群上提交应用程序。
      • JobManager 接收应用程序 JAR 文件并进行解析、编译和调度。
      • 调度器将应用程序图划分为任务并将其分配给可用的 TaskManager 执行。
      • TaskManager 在其本地执行环境中运行任务。

配置开发环境

每个 Flink 应用都需要依赖一组 Flink 类库。Flink 应用至少需要依赖 Flink APIs。许多应用还会额外依赖连接器类库(比如 Kafka、Cassandra 等)。 当用户运行 Flink 应用时(无论是在 IDEA 环境下进行测试,还是部署在分布式环境下),运行时类库都必须可用

开发工具:IntelliJ IDEA

配置开发Maven依赖:

  org.apache.flink  flink-scala_2.11  1.10.0  org.apache.flink  flink-streaming-scala_2.11  1.10.0

注意点:

  • 如果要将程序打包提交到集群运行,打包的时候不需要包含这些依赖,因为集群环境已经包含了这些依赖,此时依赖的作用域应该设置为provided
  • Flink 应用在 IntelliJ IDEA 中运行,这些 Flink 核心依赖的作用域需要设置为 compile 而不是 provided 。 否则 IntelliJ 不会添加这些依赖到 classpath,会导致应用运行时抛出 NoClassDefFountError 异常。

添加打包插件:

                        org.apache.maven.plugins            maven-shade-plugin            3.1.1                                                package                                            shade                                                                                                                            com.google.code.findbugs:jsr305                                org.slf4j:*                                log4j:*                                                                                                                                                                        *:*                                                                    META-INF/*.SF                                    META-INF/*.DSA                                    META-INF/*.RSA                                                                                                                                                                        my.programs.main.clazz                                                                                                                

WordCount流批计算程序

配置好开发环境之后写一个简单的Flink程序。

实现:统计HDFS文件单词出现的次数

读取HDFS数据需要添加Hadoop依赖

org.apache.hadoophadoop-client2.6.5

批计算:

val env = ExecutionEnvironment.getExecutionEnvironmentval initDS: DataSet[String] = env.readTextFile("hdfs://node01:9000/flink/data/wc")val restDS: AggregateDataSet[(String, Int)] = initDS.flatMap(_.split(" ")).map((_,1)).groupBy(0).sum(1)restDS.print()

流计算:

/** 准备环境      * createLocalEnvironment 创建一个本地执行的环境,local      * createLocalEnvironmentWithWebUI 创建一个本地执行的环境,同时还开启Web UI的查看端口,8081      * getExecutionEnvironment 根据你执行的环境创建上下文,比如local  cluster      */    val env = StreamExecutionEnvironment.getExecutionEnvironment    env.setParallelism(1)    /**      * DataStream:一组相同类型的元素 组成的数据流      */    val initStream:DataStream[String] = env.socketTextStream("node01",8888)    val wordStream = initStream.flatMap(_.split(" "))    val pairStream = wordStream.map((_,1))    val keyByStream = pairStream.keyBy(0)    val restStream = keyByStream.sum(1)    restStream.print()    //启动Flink 任务    env.execute("first flink job")

并行度

特定算子的子任务(subtask)的个数称之为并行度(parallel),并行度是几,这个task内部就有几个subtask。

怎样实现算子并行呢?其实也很简单,我们把一个算子操作,“复制”多份到多个节点,数据来了之后就可以到其中任意一个执行。这样一来,一个算子任务就被拆分成了多个并行的“子任务”(subtasks),再将它们分发到不同节点,就真正实现了并行计算。

整个流处理程序的并行度,理论上是所有算子并行度中最大的那个,这代表了运行程序需要的 slot 数量

并行度设置

在 Flink 中,可以用不同的方法来设置并行度,它们的有效范围和优先级别也是不同的。

代码中设置

  • 我们在代码中,可以很简单地在算子后跟着调用 setParallelism()方法,来设置当前算子的并行度: stream.map(word -> Tuple2.of(word, 1L)).setParallelism(2);这种方式设置的并行度,只针对当前算子有效。
  • 我们也可以直接调用执行环境的 setParallelism()方法,全局设定并行度:env.setParallelism(2);这样代码中所有算子,默认的并行度就都为 2 了。

提交应用时设置

在使用 flink run 命令提交应用时,可以增加 -p 参数来指定当前应用程序执行的并行度,它的作用类似于执行环境的全局设置。如果我们直接在 Web UI 上提交作业,也可以在对应输入框中直接添加并行度。

配置文件中设置

我们还可以直接在集群的配置文件 flink-conf.yaml 中直接更改默认并行度:parallelism.default: 2(初始值为 1)

这个设置对于整个集群上提交的所有作业有效。

在开发环境中,没有配置文件,默认并行度就是当前机器的 CPU 核心数

并行度生效优先级

  1. 对于一个算子,首先看在代码中是否单独指定了它的并行度,这个特定的设置优先级最高,会覆盖后面所有的设置。
  2. 如果没有单独设置,那么采用当前代码中执行环境全局设置的并行度。
  3. 如果代码中完全没有设置,那么采用提交时-p 参数指定的并行度。
  4. 如果提交时也未指定-p 参数,那么采用集群配置文件中的默认并行度。

这里需要说明的是,算子的并行度有时会受到自身具体实现的影响。比如读取 socket 文本流的算子 socketTextStream,它本身就是非并行的 Source 算子,所以无论怎么设置,它在运行时的并行度都是 1

Task

在 Flink 中,Task 是一个阶段多个功能相同 subTask 的集合,Flink 会尽可能地将 operator 的 subtask 链接(chain)在一起形成 task。每个 task 在一个线程中执行。将 operators 链接成 task 是非常有效的优化:它能减少线程之间的切换,减少消息的序列化/反序列化,减少数据在缓冲区的交换,减少了延迟的同时提高整体的吞吐量。

要是之前学过Spark,这里可以用Spark的思想来看,Flink的Task就好比Spark中的Stage,而我们知道Spark的Stage是根据宽依赖来拆分的。所以我们也可以认为Flink的Task也是根据宽依赖拆分的(尽管Flink中并没有宽依赖的概念),这样会更好理解,如下图:

Operator Chain(算子链)

在Flink中,为了分布式执行,Flink会将算子子任务链接在一起形成任务。每个任务由一个线程执行。将算子链接在一起形成任务是一种有用的优化:它减少了线程间切换和缓冲的开销,并增加了整体吞吐量,同时降低了延迟

举个例子,假设我们有一个简单的Flink流处理程序,它从一个源读取数据,然后应用mapfilter操作,最后将结果写入到一个接收器。这个程序可能看起来像这样:

DataStream data = env.addSource(new CustomSource());data.map(new MapFunction() {    @Override    public String map(String value) throws Exception {        return value.toUpperCase();    }}).filter(new FilterFunction() {    @Override    public boolean filter(String value) throws Exception {        return value.startsWith("A");    }}).addSink(new CustomSink());

在这个例子中,mapfilter操作可以被链接在一起形成一个任务,被优化为算子链,这意味着它们将在同一个线程中执行,而不是在不同的线程中执行并通过网络进行数据传输

Task Slots

Task Slots即是任务槽,slot 在 Flink 里面可以认为是资源组,Flink 将每个任务分成子任务并且将这些子任务分配到 slot 来并行执行程序,我们可以通过集群的配置文件来设定 TaskManager 的 slot 数量:taskmanager.numberOfTaskSlots: 8。

例如,如果 Task Manager 有2个 slot,那么它将为每个 slot 分配 50% 的内存。 可以在一个 slot 中运行一个或多个线程。 同一 slot 中的线程共享相同的 JVM。

需要注意的是,slot 目前仅仅用来隔离内存,不会涉及 CPU 的隔离。在具体应用时,可以将 slot 数量配置为机器的 CPU 核心数,尽量避免不同任务之间对 CPU 的竞争。这也是开发环境默认并行度设为机器 CPU 数量的原因

分发规则

  • 不同的Task下的subtask要分发到同一个TaskSlot中,降低数据传输、提高执行效率
  • 相同的Task下的subtask要分发到不同的TaskSlot

Slot共享组

如果希望某个算子对应的任务完全独占一个 slot,或者只有某一部分算子共享 slot,在Flink中,可以通过在代码中使用slotSharingGroup方法来设置slot共享组。Flink会将具有相同slot共享组的操作放入同一个slot中,同时保持不具有slot共享组的操作在其他slot中。这可以用来隔离slot。

例如,你可以这样设置:

dataStream.map(...).slotSharingGroup("group1");

默认情况下,所有操作都被分配相同的SlotSharingGroup。

这样,只有属于同一个 slot 共享组的子任务,才会开启 slot 共享;不同组之间的任务是完全隔离的,必须分配到不同的 slot 上。

并行度和Slots的例子

听了上面并行度和Slots的理论,可能有点疑惑,通过一个例子简单说明下:

假设一共有3个TaskManager,每一个TaskManager中的slot数量设置为3个,那么一共有9个task slot,表示最多能并行执行9个任务。

假设我们写了一个WordCount程序,有四个转换算子:source —> flatMap —> reduce —> sink

当所有算子并行度相同时,容易看出source和flatMap可以优化合并算子链,于是最终有三个任务节点:source & flatMap,reduce 和sink。
如果我们没有任何并行度设置,而配置文件中默认parallelism.default=1,那么程序运行的默认并行度为1,总共有3个任务。由于不同算子的任务可以共享任务槽,所以最终占用的slot只有1个。9个slot只用了1个,有8个空闲。如图所示:

我们可以直接把并行度设置为 9,这样所有 3*9=27 个任务就会完全占用 9 个 slot。这是当前集群资源下能执行的最大并行度,计算资源得到了充分的利用。

另外再考虑对于某个算子单独设置并行度的场景。例如,如果我们考虑到输出可能是写入文件,那会希望不要并行写入多个文件,就需要设置 sink 算子的并行度为 1。这时其他的算子并行度依然为 9,所以总共会有 19 个子任务。根据 slot 共享的原则,它们最终还是会占用全部的 9 个 slot,而 sink 任务只在其中一个 slot 上执行,通过这个例子也可以明确地看到,整个流处理程序的并行度,就应该是所有算子并行度中最大的那个,这代表了运行程序需要的 slot 数量

DataSource数据源

Flink内嵌支持的数据源非常多,比如HDFS、Socket、Kafka、Collections。Flink也提供了addSource方式,可以自定义数据源,下面介绍一些常用的数据源。

File Source

  • 通过读取本地、HDFS文件创建一个数据源。

如果读取的是HDFS上的文件,那么需要导入Hadoop依赖

org.apache.hadoophadoop-client2.6.5

代码示例:每隔10s去读取HDFS指定目录下的新增文件内容,并且进行WordCount。

import org.apache.flink.api.java.io.TextInputFormatimport org.apache.flink.core.fs.Pathimport org.apache.flink.streaming.api.functions.source.FileProcessingModeimport org.apache.flink.streaming.api.scala.StreamExecutionEnvironment//在算子转换的时候,会将数据转换成Flink内置的数据类型,所以需要将隐式转换导入进来,才能自动进行类型转换import org.apache.flink.streaming.api.scala._object FileSource {  def main(args: Array[String]): Unit = {    val env = StreamExecutionEnvironment.getExecutionEnvironment    //读取hdfs文件    val filePath = "hdfs://node01:9000/flink/data/"    val textInputFormat = new TextInputFormat(new Path(filePath))    //每隔10s中读取 hdfs上新增文件内容    val textStream = env.readFile(textInputFormat,filePath,FileProcessingMode.PROCESS_CONTINUOUSLY,10)    textStream.flatMap(_.split(" ")).map((_,1)).keyBy(0).sum(1).print()    env.execute()  }}

readTextFile底层调用的就是readFile方法,readFile是一个更加底层的方式,使用起来会更加的灵活


Collection Source

基于本地集合的数据源,一般用于测试场景,没有太大意义。

import org.apache.flink.streaming.api.scala.StreamExecutionEnvironmentimport org.apache.flink.streaming.api.scala._object CollectionSource {  def main(args: Array[String]): Unit = {    val env = StreamExecutionEnvironment.getExecutionEnvironment    val stream = env.fromCollection(List("hello flink msb","hello msb msb"))    stream.flatMap(_.split(" ")).map((_,1)).keyBy(0).sum(1).print()    env.execute()  }}

Socket Source

接受Socket Server中的数据。

val initStream:DataStream[String] = env.socketTextStream("node01",8888)

Kafka Source

Flink接受Kafka中的数据,首先要配置flink与kafka的连接器依赖。

Maven依赖:

  org.apache.flink  flink-connector-kafka_2.11  1.9.2

代码:

val env = StreamExecutionEnvironment.getExecutionEnvironment    val prop = new Properties()    prop.setProperty("bootstrap.servers","node01:9092,node02:9092,node03:9092")    prop.setProperty("group.id","flink-kafka-id001")    prop.setProperty("key.deserializer",classOf[StringDeserializer].getName)    prop.setProperty("value.deserializer",classOf[StringDeserializer].getName)    /**      * earliest:从头开始消费,旧数据会频繁消费      * latest:从最近的数据开始消费,不再消费旧数据      */    prop.setProperty("auto.offset.reset","latest")val kafkaStream = env.addSource(new FlinkKafkaConsumer[(String, String)]("flink-kafka", new KafkaDeserializationSchema[(String, String)] {      override def isEndOfStream(t: (String, String)): Boolean = false      override def deserialize(consumerRecord: ConsumerRecord[Array[Byte], Array[Byte]]): (String, String) =   {        val key = new String(consumerRecord.key(), "UTF-8")        val value = new String(consumerRecord.value(), "UTF-8")        (key, value)      }      //指定返回数据类型      override def getProducedType: TypeInformation[(String, String)] =        createTuple2TypeInformation(createTypeInformation[String], createTypeInformation[String])    }, prop))    kafkaStream.print()    env.execute()

Transformations

Transformations算子可以将一个或者多个算子转换成一个新的数据流,使用Transformations算子组合可以进行复杂的业务处理。

Map

DataStream → DataStream

遍历数据流中的每一个元素,产生一个新的元素。

FlatMap

DataStream → DataStream

遍历数据流中的每一个元素,产生N个元素 N=0,1,2,……。

Filter

DataStream → DataStream

过滤算子,根据数据流的元素计算出一个boolean类型的值,true代表保留,false代表过滤掉。

KeyBy

DataStream → KeyedStream

根据数据流中指定的字段来分区,相同指定字段值的数据一定是在同一个分区中,内部分区使用的是HashPartitioner。

指定分区字段的方式有三种:

1、根据索引号指定
2、通过匿名函数来指定
3、通过实现KeySelector接口 指定分区字段

val env = StreamExecutionEnvironment.getExecutionEnvironment    val stream = env.generateSequence(1, 100)    stream      .map(x => (x % 3, 1))      //根据索引号来指定分区字段      //      .keyBy(0)      //通过传入匿名函数 指定分区字段      //      .keyBy(x=>x._1)      //通过实现KeySelector接口  指定分区字段      .keyBy(new KeySelector[(Long, Int), Long] {      override def getKey(value: (Long, Int)): Long = value._1    })      .sum(1)      .print()    env.execute()

Reduce

KeyedStream:根据key分组 → DataStream

注意,reduce是基于分区后的流对象进行聚合,也就是说,DataStream类型的对象无法调用reduce方法

.reduce((v1,v2) => (v1._1,v1._2 + v2._2))

代码例子:读取kafka数据,实时统计各个卡口下的车流量。

  • 实现kafka生产者,读取卡口数据并且往kafka中生产数据:
 val prop = new Properties()    prop.setProperty("bootstrap.servers", "node01:9092,node02:9092,node03:9092")    prop.setProperty("key.serializer", classOf[StringSerializer].getName)    prop.setProperty("value.serializer", classOf[StringSerializer].getName)    val producer = new KafkaProducer[String, String](prop)    val iterator = Source.fromFile("data/carFlow_all_column_test.txt", "UTF-8").getLines()    for (i <- 1 to 100) {      for (line <- iterator) {        //将需要的字段值 生产到kafka集群  car_id monitor_id event-time speed        //车牌号 卡口号 车辆通过时间 通过速度        val splits = line.split(",")        val monitorID = splits(0).replace("'","")        val car_id = splits(2).replace("'","")        val eventTime = splits(4).replace("'","")        val speed = splits(6).replace("'","")        if (!"00000000".equals(car_id)) {          val event = new StringBuilder          event.append(monitorID + "\t").append(car_id+"\t").append(eventTime + "\t").append(speed)          producer.send(new ProducerRecord[String, String]("flink-kafka", event.toString()))        }        Thread.sleep(500)      }    }
  • 实现kafka消费者:
val env = StreamExecutionEnvironment.getExecutionEnvironment    val props = new Properties()    props.setProperty("bootstrap.servers","node01:9092,node02:9092,node03:9092")    props.setProperty("key.deserializer",classOf[StringDeserializer].getName)    props.setProperty("value.deserializer",classOf[StringDeserializer].getName)    props.setProperty("group.id","flink001")    props.getProperty("auto.offset.reset","latest")    val stream = env.addSource(new FlinkKafkaConsumer[String]("flink-kafka", new SimpleStringSchema(),props))    stream.map(data => {      val splits = data.split("\t")      val carFlow = CarFlow(splits(0),splits(1),splits(2),splits(3).toDouble)      (carFlow,1)    }).keyBy(_._1.monitorId)        .sum(1)        .print()    env.execute()

Aggregations

KeyedStream → DataStream

Aggregations代表的是一类聚合算子,具体算子如下:

keyedStream.sum(0)keyedStream.sum("key")keyedStream.min(0)keyedStream.min("key")keyedStream.max(0)keyedStream.max("key")keyedStream.minBy(0)keyedStream.minBy("key")keyedStream.maxBy(0)keyedStream.maxBy("key")

代码例子:实时统计各个卡口最先通过的汽车的信息

val stream = env.addSource(new FlinkKafkaConsumer[String]("flink-kafka", new SimpleStringSchema(),props))    stream.map(data => {      val splits = data.split("\t")      val carFlow = CarFlow(splits(0),splits(1),splits(2),splits(3).toDouble)      val eventTime = carFlow.eventTime      val format = new SimpleDateFormat("yyyy-MM-dd HH:mm:ss")      val date = format.parse(eventTime)      (carFlow,date.getTime)    }).keyBy(_._1.monitorId)        .min(1)        .map(_._1)        .print()    env.execute()

Union 真合并

DataStream → DataStream

Union of two or more data streams creating a new stream containing all the elements from all the streams

合并两个或者更多的数据流产生一个新的数据流,这个新的数据流中包含了所合并的数据流的元素

注意:需要保证数据流中元素类型一致

val env = StreamExecutionEnvironment.getExecutionEnvironment    val ds1 = env.fromCollection(List(("a",1),("b",2),("c",3)))    val ds2 = env.fromCollection(List(("d",4),("e",5),("f",6)))    val ds3 = env.fromCollection(List(("g",7),("h",8)))    val unionStream = ds1.union(ds2,ds3)    unionStream.print()    env.execute()输出:("a", 1)("b", 2)("c", 3)("d", 4)("e", 5)("f", 6)("g", 7)("h", 8)

Connect 假合并

DataStream,DataStream → ConnectedStreams

合并两个数据流并且保留两个数据流的数据类型,能够共享两个流的状态

val ds1 = env.socketTextStream("node01", 8888)val ds2 = env.socketTextStream("node01", 9999)val wcStream1 = ds1.flatMap(_.split(" ")).map((_,1)).keyBy(0).sum(1)val wcStream2 = ds2.flatMap(_.split(" ")).map((_,1)).keyBy(0).sum(1)val restStream: ConnectedStreams[(String, Int), (String, Int)] = wcStream2.connect(wcStream1)

CoMap, CoFlatMap

ConnectedStreams → DataStream

CoMap, CoFlatMap并不是具体算子名字,而是一类操作名称

凡是基于ConnectedStreams数据流做map遍历,这类操作叫做CoMap

凡是基于ConnectedStreams数据流做flatMap遍历,这类操作叫做CoFlatMap

CoMap第一种实现方式:

restStream.map(new CoMapFunction[(String,Int),(String,Int),(String,Int)] {      //对第一个数据流做计算      override def map1(value: (String, Int)): (String, Int) = {        (value._1+":first",value._2+100)      }      //对第二个数据流做计算      override def map2(value: (String, Int)): (String, Int) = {        (value._1+":second",value._2*100)      }    }).print()

CoMap第二种实现方式:

restStream.map(      //对第一个数据流做计算      x=>{(x._1+":first",x._2+100)}      //对第二个数据流做计算      ,y=>{(y._1+":second",y._2*100)}    ).print()

代码例子:现有一个配置文件存储车牌号与车主的真实姓名,通过数据流中的车牌号实时匹配出对应的车主姓名(注意:配置文件可能实时改变)

val env = StreamExecutionEnvironment.getExecutionEnvironmentenv.setParallelism(1)val filePath = "data/carId2Name"val carId2NameStream = env.readFile(new TextInputFormat(new Path(filePath)),filePath,FileProcessingMode.PROCESS_CONTINUOUSLY,10)val dataStream = env.socketTextStream("node01",8888)dataStream.connect(carId2NameStream).map(new CoMapFunction[String,String,String] {    private val hashMap = new mutable.HashMap[String,String]()    override def map1(value: String): String = {        hashMap.getOrElse(value,"not found name")    }    override def map2(value: String): String = {        val splits = value.split(" ")        hashMap.put(splits(0),splits(1))        value + "加载完毕..."    }}).print()env.execute()

CoFlatMap第一种实现方式:

ds1.connect(ds2).flatMap((x,c:Collector[String])=>{      //对第一个数据流做计算      x.split(" ").foreach(w=>{        c.collect(w)      })    }      //对第二个数据流做计算      ,(y,c:Collector[String])=>{      y.split(" ").foreach(d=>{        c.collect(d)      })    }).print

CoFlatMap第二种实现方式:

 ds1.connect(ds2).flatMap(      //对第一个数据流做计算      x=>{      x.split(" ")    }      //对第二个数据流做计算      ,y=>{        y.split(" ")      }).print()

CoFlatMap第三种实现方式:

ds1.connect(ds2).flatMap(new CoFlatMapFunction[String,String,(String,Int)] {    //对第一个数据流做计算     override def flatMap1(value: String, out: Collector[(String, Int)]): Unit = {        val words = value.split(" ")        words.foreach(x=>{          out.collect((x,1))        })      }    //对第二个数据流做计算    override def flatMap2(value: String, out: Collector[(String, Int)]): Unit = {        val words = value.split(" ")        words.foreach(x=>{          out.collect((x,1))        })      }    }).print()

Split

DataStream → SplitStream

根据条件将一个流分成两个或者更多的流

val env = StreamExecutionEnvironment.getExecutionEnvironmentval stream = env.generateSequence(1,100)val splitStream = stream.split(    d => {        d % 2 match {            case 0 => List("even")            case 1 => List("odd")        }    })splitStream.select("even").print()env.execute()

Select

SplitStream → DataStream

从SplitStream中选择一个或者多个数据流

splitStream.select("even").print()

Iterate

DataStream → IterativeStream → DataStream

Iterate算子提供了对数据流迭代的支持

迭代由两部分组成:迭代体、终止迭代条件,不满足终止迭代条件的数据流会返回到stream流中,进行下一次迭代,满足终止迭代条件的数据流继续往下游发送:

val env = StreamExecutionEnvironment.getExecutionEnvironmentval initStream = env.socketTextStream("node01",8888)val stream = initStream.map(_.toLong)stream.iterate {    iteration => {        //定义迭代逻辑        val iterationBody = iteration.map ( x => {            println(x)            if(x > 0) x - 1            else x        } )        //> 0  大于0的值继续返回到stream流中,当  0), iterationBody.filter(_ <= 0))    }}.print()env.execute()

函数类和富函数类

在使用Flink算子的时候,可以通过传入匿名函数和函数类对象。

函数类分为:普通函数类、富函数类。

富函数类相比于普通的函数,可以获取运行环境的上下文(Context),拥有一些生命周期方法,管理状态,可以实现更加复杂的功能

普通函数类富函数类
MapFunctionRichMapFunction
FlatMapFunctionRichFlatMapFunction
FilterFunctionRichFilterFunction
…………
  • 使用普通函数类过滤掉车速高于100的车辆信息
val env = StreamExecutionEnvironment.getExecutionEnvironment    val stream = env.readTextFile("./data/carFlow_all_column_test.txt")    stream.filter(new FilterFunction[String] {      override def filter(value: String): Boolean = {        if (value != null && !"".equals(value)) {          val speed = value.split(",")(6).replace("'", "").toLong          if (speed > 100)            false          else            true        }else          false      }    }).print()    env.execute()
  • 使用富函数类,将车牌号转化成车主真实姓名,映射表存储在Redis中

添加redis依赖,数据写入到redis。

redis.clientsjedis${redis.version}
val env = StreamExecutionEnvironment.getExecutionEnvironment    val stream = env.socketTextStream("node01", 8888)    stream.map(new RichMapFunction[String, String] {      private var jedis: Jedis = _      //初始化函数  在每一个thread启动的时候(处理元素的时候,会调用一次)      //在open中可以创建连接redis的连接      override def open(parameters: Configuration): Unit = {        //getRuntimeContext可以获取flink运行的上下文环境  AbstractRichFunction抽象类提供的        val taskName = getRuntimeContext.getTaskName        val subtasks = getRuntimeContext.getTaskNameWithSubtasks        println("=========open======"+"taskName:" + taskName + "\tsubtasks:"+subtasks)        jedis = new Jedis("node01", 6379)        jedis.select(3)      }      //每处理一个元素,就会调用一次      override def map(value: String): String = {        val name = jedis.get(value)        if(name == null){          "not found name"        }else          name      }      //元素处理完毕后,会调用close方法      //关闭redis连接      override def close(): Unit = {        jedis.close()      }    }).setParallelism(2).print()    env.execute()

ProcessFunction(处理函数)

ProcessFunction属于低层次的API,我们前面讲的map、filter、flatMap等算子都是基于这层高层封装出来的。

越低层次的API,功能越强大,用户能够获取的信息越多,比如可以拿到元素状态信息、事件时间、设置定时器等

  • 代码例子:监控每辆汽车,车速超过100迈,2s钟后发出超速的警告通知:

    object MonitorOverSpeed02 {  case class CarInfo(carId:String,speed:Long)  def main(args: Array[String]): Unit = {    val env = StreamExecutionEnvironment.getExecutionEnvironment    val stream = env.socketTextStream("node01",8888)    stream.map(data => {      val splits = data.split(" ")      val carId = splits(0)      val speed = splits(1).toLong      CarInfo(carId,speed)    }).keyBy(_.carId)      //KeyedStream调用process需要传入KeyedProcessFunction      //DataStream调用process需要传入ProcessFunction      .process(new KeyedProcessFunction[String,CarInfo,String] {      override def processElement(value: CarInfo, ctx: KeyedProcessFunction[String, CarInfo, String]#Context, out: Collector[String]): Unit = {        val currentTime = ctx.timerService().currentProcessingTime()        if(value.speed > 100 ){          val timerTime = currentTime + 2 * 1000          ctx.timerService().registerProcessingTimeTimer(timerTime)        }      }      override def onTimer(timestamp: Long, ctx: KeyedProcessFunction[String, CarInfo, String]#OnTimerContext, out: Collector[String]): Unit = {        var warnMsg = "warn... time:" + timestamp + "  carID:" + ctx.getCurrentKey        out.collect(warnMsg)      }    }).print()    env.execute()  }}

总结

使用Map Filter….算子的适合,可以直接传入一个匿名函数、普通函数类对象(MapFuncation FilterFunction),富函数类对象(RichMapFunction、RichFilterFunction),传入的富函数类对象:可以拿到任务执行的上下文,生命周期方法、管理状态…..。

如果业务比较复杂,通过Flink提供这些算子无法满足我们的需求,通过process算子直接使用比较底层API(获取上下文、生命周期方法、测输出流、时间服务等)。

KeyedDataStream调用process,KeyedProcessFunction 。

DataStream调用process,ProcessFunction 。

Sink

Flink内置了大量sink,可以将Flink处理后的数据输出到HDFS、kafka、Redis、ES、MySQL等。

工程场景中,会经常消费kafka中数据,处理结果存储到Redis或者MySQL中

Redis Sink

Flink处理的数据可以存储到Redis中,以便实时查询

Flink内嵌连接Redis的连接器,只需要导入连接Redis的依赖就可以

    org.apache.bahir    flink-connector-redis_2.11

WordCount写入到Redis中,选择的是HSET数据类型,代码如下:

val env = StreamExecutionEnvironment.getExecutionEnvironment    val stream = env.socketTextStream("node01",8888)    val result = stream.flatMap(_.split(" "))      .map((_, 1))      .keyBy(0)      .sum(1)    //若redis是单机    val config = new FlinkJedisPoolConfig.Builder().setDatabase(3).setHost("node01").setPort(6379).build()    //如果是 redis集群    /*val addresses = new util.HashSet[InetSocketAddress]()    addresses.add(new InetSocketAddress("node01",6379))    addresses.add(new InetSocketAddress("node01",6379))   val clusterConfig = new FlinkJedisClusterConfig.Builder().setNodes(addresses).build()*/    result.addSink(new RedisSink[(String,Int)](config,new RedisMapper[(String,Int)] {      override def getCommandDescription: RedisCommandDescription = {        new RedisCommandDescription(RedisCommand.HSET,"wc")      }      override def getKeyFromData(t: (String, Int))  = {        t._1      }      override def getValueFromData(t: (String, Int))  = {        t._2 + ""      }    }))    env.execute()

Kafka Sink

处理结果写入到kafka topic中,Flink也是默认支持,需要添加连接器依赖,跟读取kafka数据用的连接器依赖相同,之前添加过就不需要再次添加了

            org.apache.flink            flink-connector-kafka_2.11            ${flink-version}        
import java.langimport java.util.Propertiesimport org.apache.flink.streaming.api.scala.StreamExecutionEnvironmentimport org.apache.flink.streaming.api.scala._import org.apache.flink.streaming.connectors.kafka.{FlinkKafkaProducer, KafkaSerializationSchema}import org.apache.kafka.clients.producer.ProducerRecordimport org.apache.kafka.common.serialization.StringSerializerobject KafkaSink {  def main(args: Array[String]): Unit = {    val env = StreamExecutionEnvironment.getExecutionEnvironment    val stream = env.socketTextStream("node01",8888)    val result = stream.flatMap(_.split(" "))      .map((_, 1))      .keyBy(0)      .sum(1)    val props = new Properties()    props.setProperty("bootstrap.servers","node01:9092,node02:9092,node03:9092")//    props.setProperty("key.serializer",classOf[StringSerializer].getName)//    props.setProperty("value.serializer",classOf[StringSerializer].getName)    /**    public FlinkKafkaProducer(     FlinkKafkaProducer(defaultTopic: String, serializationSchema: KafkaSerializationSchema[IN], producerConfig: Properties, semantic: FlinkKafkaProducer.Semantic)      */    result.addSink(new FlinkKafkaProducer[(String,Int)]("wc",new KafkaSerializationSchema[(String, Int)] {      override def serialize(element: (String, Int), timestamp: lang.Long): ProducerRecord[Array[Byte], Array[Byte]] = {        new ProducerRecord("wc",element._1.getBytes(),(element._2+"").getBytes())      }    },props,FlinkKafkaProducer.Semantic.EXACTLY_ONCE))    env.execute()  }}

MySQL Sink

Flink处理结果写入到MySQL中,这并不是Flink默认支持的,需要添加MySQL的驱动依赖

   mysql   mysql-connector-java   5.1.44

因为不是内嵌支持的,所以需要基于RichSinkFunction自定义sink。

代码例子:消费kafka中数据,统计各个卡口的流量,并且存入到MySQL中

注意点:需要去重,操作MySQL需要幂等性

import java.sql.{Connection, DriverManager, PreparedStatement}import java.util.Propertiesimport org.apache.flink.api.common.functions.ReduceFunctionimport org.apache.flink.api.common.typeinfo.TypeInformationimport org.apache.flink.configuration.Configurationimport org.apache.flink.streaming.api.functions.sink.{RichSinkFunction, SinkFunction}import org.apache.flink.streaming.api.scala.StreamExecutionEnvironmentimport org.apache.flink.streaming.api.scala._import org.apache.flink.streaming.connectors.kafka.{FlinkKafkaConsumer, KafkaDeserializationSchema}import org.apache.kafka.clients.consumer.ConsumerRecordimport org.apache.kafka.common.serialization.StringSerializerobject MySQLSink {  case class CarInfo(monitorId: String, carId: String, eventTime: String, Speed: Long)  def main(args: Array[String]): Unit = {    val env = StreamExecutionEnvironment.getExecutionEnvironment    //设置连接kafka的配置信息    val props = new Properties()    //注意   sparkstreaming + kafka(0.10之前版本) receiver模式  zookeeper url(元数据)    props.setProperty("bootstrap.servers", "node01:9092,node02:9092,node03:9092")    props.setProperty("group.id", "flink-kafka-001")    props.setProperty("key.deserializer", classOf[StringSerializer].getName)    props.setProperty("value.deserializer", classOf[StringSerializer].getName)    //第一个参数 : 消费的topic名    val stream = env.addSource(new FlinkKafkaConsumer[(String, String)]("flink-kafka", new KafkaDeserializationSchema[(String, String)] {      //什么时候停止,停止条件是什么      override def isEndOfStream(t: (String, String)): Boolean = false      //要进行序列化的字节流      override def deserialize(consumerRecord: ConsumerRecord[Array[Byte], Array[Byte]]): (String, String) = {        val key = new String(consumerRecord.key(), "UTF-8")        val value = new String(consumerRecord.value(), "UTF-8")        (key, value)      }      //指定一下返回的数据类型  Flink提供的类型      override def getProducedType: TypeInformation[(String, String)] = {        createTuple2TypeInformation(createTypeInformation[String], createTypeInformation[String])      }    }, props))    stream.map(data => {      val value = data._2      val splits = value.split("\t")      val monitorId = splits(0)      (monitorId, 1)    }).keyBy(_._1)      .reduce(new ReduceFunction[(String, Int)] {        //t1:上次聚合完的结果  t2:当前的数据        override def reduce(t1: (String, Int), t2: (String, Int)): (String, Int) = {          (t1._1, t1._2 + t2._2)        }      }).addSink(new MySQLCustomSink)    env.execute()  }  //幂等性写入外部数据库MySQL  class MySQLCustomSink extends RichSinkFunction[(String, Int)] {    var conn: Connection = _    var insertPst: PreparedStatement = _    var updatePst: PreparedStatement = _    //每来一个元素都会调用一次    override def invoke(value: (String, Int), context: SinkFunction.Context[_]): Unit = {      println(value)      updatePst.setInt(1, value._2)      updatePst.setString(2, value._1)      updatePst.execute()      println(updatePst.getUpdateCount)      if(updatePst.getUpdateCount == 0){        println("insert")        insertPst.setString(1, value._1)        insertPst.setInt(2, value._2)        insertPst.execute()      }    }    //thread初始化的时候执行一次    override def open(parameters: Configuration): Unit = {      conn = DriverManager.getConnection("jdbc:mysql://node01:3306/test", "root", "123123")      insertPst = conn.prepareStatement("INSERT INTO car_flow(monitorId,count) VALUES(?,?)")      updatePst = conn.prepareStatement("UPDATE car_flow SET count = ? WHERE monitorId = ?")    }    //thread关闭的时候 执行一次    override def close(): Unit = {      insertPst.close()      updatePst.close()      conn.close()    }  }}

Socket Sink

Flink处理结果发送到套接字(Socket),基于RichSinkFunction自定义sink:

import java.io.PrintStreamimport java.net.{InetAddress, Socket}import java.util.Propertiesimport org.apache.flink.api.common.functions.ReduceFunctionimport org.apache.flink.api.common.typeinfo.TypeInformationimport org.apache.flink.configuration.Configurationimport org.apache.flink.streaming.api.functions.sink.{RichSinkFunction, SinkFunction}import org.apache.flink.streaming.api.scala.{StreamExecutionEnvironment, createTuple2TypeInformation, createTypeInformation}import org.apache.flink.streaming.connectors.kafka.{FlinkKafkaConsumer, KafkaDeserializationSchema}import org.apache.kafka.clients.consumer.ConsumerRecordimport org.apache.kafka.common.serialization.StringSerializer//sink 到 套接字 socketobject SocketSink {  def main(args: Array[String]): Unit = {    val env = StreamExecutionEnvironment.getExecutionEnvironment    //设置连接kafka的配置信息    val props = new Properties()    //注意   sparkstreaming + kafka(0.10之前版本) receiver模式  zookeeper url(元数据)    props.setProperty("bootstrap.servers", "node01:9092,node02:9092,node03:9092")    props.setProperty("group.id", "flink-kafka-001")    props.setProperty("key.deserializer", classOf[StringSerializer].getName)    props.setProperty("value.deserializer", classOf[StringSerializer].getName)    //第一个参数 : 消费的topic名    val stream = env.addSource(new FlinkKafkaConsumer[(String, String)]("flink-kafka", new KafkaDeserializationSchema[(String, String)] {      //什么时候停止,停止条件是什么      override def isEndOfStream(t: (String, String)): Boolean = false      //要进行序列化的字节流      override def deserialize(consumerRecord: ConsumerRecord[Array[Byte], Array[Byte]]): (String, String) = {        val key = new String(consumerRecord.key(), "UTF-8")        val value = new String(consumerRecord.value(), "UTF-8")        (key, value)      }      //指定一下返回的数据类型  Flink提供的类型      override def getProducedType: TypeInformation[(String, String)] = {        createTuple2TypeInformation(createTypeInformation[String], createTypeInformation[String])      }    }, props))    stream.map(data => {      val value = data._2      val splits = value.split("\t")      val monitorId = splits(0)      (monitorId, 1)    }).keyBy(_._1)      .reduce(new ReduceFunction[(String, Int)] {        //t1:上次聚合完的结果  t2:当前的数据        override def reduce(t1: (String, Int), t2: (String, Int)): (String, Int) = {          (t1._1, t1._2 + t2._2)        }      }).addSink(new SocketCustomSink("node01",8888))    env.execute()  }  class SocketCustomSink(host:String,port:Int) extends RichSinkFunction[(String,Int)]{    var socket: Socket  = _    var writer:PrintStream = _    override def open(parameters: Configuration): Unit = {      socket = new Socket(InetAddress.getByName(host), port)      writer = new PrintStream(socket.getOutputStream)    }    override def invoke(value: (String, Int), context: SinkFunction.Context[_]): Unit = {      writer.println(value._1 + "\t" +value._2)      writer.flush()    }    override def close(): Unit = {      writer.close()      socket.close()    }  }}

File Sink

Flink处理的结果保存到文件,这种使用方式不是很常见

支持分桶写入,每一个桶就是一个目录,默认每隔一个小时会产生一个分桶,每个桶下面会存储每一个Thread的处理结果,可以设置一些文件滚动的策略(文件打开、文件大小等),防止出现大量的小文件。

Flink默认支持,导入连接文件的连接器依赖

    org.apache.flink    flink-connector-filesystem_2.11     1.9.2 
import org.apache.flink.api.common.functions.ReduceFunctionimport org.apache.flink.api.common.serialization.SimpleStringEncoderimport org.apache.flink.api.common.typeinfo.TypeInformationimport org.apache.flink.core.fs.Pathimport org.apache.flink.streaming.api.functions.sink.filesystem.StreamingFileSinkimport org.apache.flink.streaming.api.functions.sink.filesystem.rollingpolicies.DefaultRollingPolicyimport org.apache.flink.streaming.api.scala.{StreamExecutionEnvironment, createTuple2TypeInformation, createTypeInformation}import org.apache.flink.streaming.connectors.kafka.{FlinkKafkaConsumer, KafkaDeserializationSchema}import org.apache.kafka.clients.consumer.ConsumerRecordimport org.apache.kafka.common.serialization.StringSerializerobject FileSink {  def main(args: Array[String]): Unit = {    val env = StreamExecutionEnvironment.getExecutionEnvironment    //设置连接kafka的配置信息    val props = new Properties()    //注意   sparkstreaming + kafka(0.10之前版本) receiver模式  zookeeper url(元数据)    props.setProperty("bootstrap.servers", "node01:9092,node02:9092,node03:9092")    props.setProperty("group.id", "flink-kafka-001")    props.setProperty("key.deserializer", classOf[StringSerializer].getName)    props.setProperty("value.deserializer", classOf[StringSerializer].getName)    //第一个参数 : 消费的topic名    val stream = env.addSource(new FlinkKafkaConsumer[(String, String)]("flink-kafka", new KafkaDeserializationSchema[(String, String)] {      //什么时候停止,停止条件是什么      override def isEndOfStream(t: (String, String)): Boolean = false      //要进行序列化的字节流      override def deserialize(consumerRecord: ConsumerRecord[Array[Byte], Array[Byte]]): (String, String) = {        val key = new String(consumerRecord.key(), "UTF-8")        val value = new String(consumerRecord.value(), "UTF-8")        (key, value)      }      //指定一下返回的数据类型  Flink提供的类型      override def getProducedType: TypeInformation[(String, String)] = {        createTuple2TypeInformation(createTypeInformation[String], createTypeInformation[String])      }    }, props))    val restStream = stream.map(data => {      val value = data._2      val splits = value.split("\t")      val monitorId = splits(0)      (monitorId, 1)    }).keyBy(_._1)      .reduce(new ReduceFunction[(String, Int)] {        //t1:上次聚合完的结果  t2:当前的数据        override def reduce(t1: (String, Int), t2: (String, Int)): (String, Int) = {          (t1._1, t1._2 + t2._2)        }      }).map(x=>x._1 + "\t" + x._2)      //设置文件滚动策略    val rolling:DefaultRollingPolicy[String,String] = DefaultRollingPolicy.create()      //当文件超过2s没有写入新数据,则滚动产生一个小文件      .withInactivityInterval(2000)      //文件打开时间超过2s 则滚动产生一个小文件  每隔2s产生一个小文件      .withRolloverInterval(2000)      //当文件大小超过256 则滚动产生一个小文件      .withMaxPartSize(256*1024*1024)      .build()    /**      * 默认:      * 每一个小时对应一个桶(文件夹),每一个thread处理的结果对应桶下面的一个小文件      * 当小文件大小超过128M或者小文件打开时间超过60s,滚动产生第二个小文件      */     val sink: StreamingFileSink[String] = StreamingFileSink.forRowFormat(      new Path("d:/data/rests"),      new SimpleStringEncoder[String]("UTF-8"))         .withBucketCheckInterval(1000)         .withRollingPolicy(rolling)         .build()//    val sink = StreamingFileSink.forBulkFormat(//      new Path("./data/rest"),//      ParquetAvroWriters.forSpecificRecord(classOf[String])//    ).build()    restStream.addSink(sink)    env.execute()  }}

HBase Sink

计算结果写入sink 两种实现方式:

  1. map算子写入,频繁创建hbase连接。
  2. process写入,适合批量写入hbase。

导入HBase依赖包

            org.apache.hbase            hbase-client            ${hbase.version}                            org.apache.hbase            hbase-common            ${hbase.version}                            org.apache.hbase            hbase-server            ${hbase.version}        

读取kafka数据,统计卡口流量保存至HBase数据库中

  1. HBase中创建对应的表
create 'car_flow',{NAME => 'count', VERSIONS => 1}
  1. 实现代码
import java.util.{Date, Properties}import com.msb.stream.util.{DateUtils, HBaseUtil}import org.apache.flink.api.common.serialization.SimpleStringSchemaimport org.apache.flink.configuration.Configurationimport org.apache.flink.streaming.api.functions.ProcessFunctionimport org.apache.flink.streaming.api.scala.StreamExecutionEnvironmentimport org.apache.flink.streaming.api.scala._import org.apache.flink.streaming.connectors.kafka.FlinkKafkaConsumerimport org.apache.flink.util.Collectorimport org.apache.hadoop.hbase.HBaseConfigurationimport org.apache.hadoop.hbase.client.{HTable, Put}import org.apache.hadoop.hbase.util.Bytesimport org.apache.kafka.common.serialization.StringSerializerobject HBaseSinkTest {  def main(args: Array[String]): Unit = {    val env = StreamExecutionEnvironment.getExecutionEnvironment    //设置连接kafka的配置信息    val props = new Properties()    //注意   sparkstreaming + kafka(0.10之前版本) receiver模式  zookeeper url(元数据)    props.setProperty("bootstrap.servers", "node01:9092,node02:9092,node03:9092")    props.setProperty("group.id", "flink-kafka-001")    props.setProperty("key.deserializer", classOf[StringSerializer].getName)    props.setProperty("value.deserializer", classOf[StringSerializer].getName)    val stream = env.addSource(new FlinkKafkaConsumer[String]("flink-kafka", new SimpleStringSchema(), props))    stream.map(row => {      val arr = row.split("\t")      (arr(0), 1)    }).keyBy(_._1)      .reduce((v1: (String, Int), v2: (String, Int)) => {        (v1._1, v1._2 + v2._2)      }).process(new ProcessFunction[(String, Int), (String, Int)] {      var htab: HTable = _      override def open(parameters: Configuration): Unit = {        val conf = HBaseConfiguration.create()        conf.set("hbase.zookeeper.quorum", "node01:2181,node02:2181,node03:2181")        val hbaseName = "car_flow"        htab = new HTable(conf, hbaseName)      }      override def close(): Unit = {        htab.close()      }      override def processElement(value: (String, Int), ctx: ProcessFunction[(String, Int), (String, Int)]#Context, out: Collector[(String, Int)]): Unit = {        // rowkey:monitorid   时间戳(分钟) value:车流量        val min = DateUtils.getMin(new Date())        val put = new Put(Bytes.toBytes(value._1))        put.addColumn(Bytes.toBytes("count"), Bytes.toBytes(min), Bytes.toBytes(value._2))        htab.put(put)      }    })    env.execute()  }}

分区策略

在 Apache Flink 中,分区(Partitioning)是将数据流按照一定的规则划分成多个子数据流或分片,以便在不同的并行任务或算子中并行处理数据。分区是实现并行计算和数据流处理的基础机制。Flink 的分区决定了数据在作业中的流动方式,以及在并行任务之间如何分配和处理数据。

在 Flink 中,数据流可以看作是一个有向图,图中的节点代表算子(Operators),边代表数据流(Data Streams)。数据从源算子流向下游算子,这些算子可能并行地处理输入数据,而分区就是决定数据如何从一个算子传递到另一个算子的机制。

shuffle

场景:增大分区、提高并行度,解决数据倾斜

DataStream → DataStream

分区元素随机均匀分发到下游分区,网络开销比较大

val env = StreamExecutionEnvironment.getExecutionEnvironmentval stream = env.generateSequence(1,10).setParallelism(1)println(stream.getParallelism)stream.shuffle.print()env.execute()

console result:上游数据比较随意的分发到下游

2> 11> 47> 104> 66> 35> 78> 21> 51> 81> 9

rebalance

场景:增大分区、提高并行度,解决数据倾斜

DataStream → DataStream

轮询分区元素,均匀的将元素分发到下游分区,下游每个分区的数据比较均匀,在发生数据倾斜时非常有用,网络开销比较大

val env = StreamExecutionEnvironment.getExecutionEnvironmentenv.setParallelism(3)val stream = env.generateSequence(1,100)val shuffleStream = stream.rebalanceshuffleStream.print()env.execute()

console result:上游数据比较均匀的分发到下游

8> 63> 15> 37> 51> 72> 86> 44> 23> 94> 10

rescale

场景:减少分区 防止发生大量的网络传输 不会发生全量的重分区

DataStream → DataStream

通过轮询分区元素,将一个元素集合从上游分区发送给下游分区,发送单位是集合,而不是一个个元素

注意:rescale发生的是本地数据传输,而不需要通过网络传输数据,比如taskmanager的槽数。简单来说,上游的数据只会发送给本TaskManager中的下游。

val env = StreamExecutionEnvironment.getExecutionEnvironmentval stream = env.generateSequence(1,10).setParallelism(2)stream.writeAsText("./data/stream1").setParallelism(2)stream.rescale.writeAsText("./data/stream2").setParallelism(4)env.execute()

console result:stream1:1内容分发给stream2:1和stream2:2

stream1:1

13579

stream1:2

246810

stream2:1

159

stream2:2

37

stream2:3

2610

stream2:4

48

broadcast

场景:需要使用映射表、并且映射表会经常发生变动的场景

DataStream → DataStream

上游中每一个元素内容广播到下游每一个分区中

val env = StreamExecutionEnvironment.getExecutionEnvironmentval stream = env.generateSequence(1,10).setParallelism(2)stream.writeAsText("./data/stream1").setParallelism(2)stream.broadcast.writeAsText("./data/stream2").setParallelism(4)env.execute()

console result:stream1:1、2内容广播到了下游每个分区中

stream1:1

13579

stream1:2

246810

stream2:1

13579246810

global

场景:并行度降为1

DataStream → DataStream

上游分区的数据只分发给下游的第一个分区

val env = StreamExecutionEnvironment.getExecutionEnvironmentval stream = env.generateSequence(1,10).setParallelism(2)stream.writeAsText("./data/stream1").setParallelism(2)stream.global.writeAsText("./data/stream2").setParallelism(4)env.execute()

console result:stream1:1、2内容只分发给了stream2:1

stream1:1

13579

stream1:2

246810

stream2:1

13579246810

forward

场景:一对一的数据分发,map、flatMap、filter 等都是这种分区策略

DataStream → DataStream

上游分区数据分发到下游对应分区中

partition1->partition1

partition2->partition2

注意:必须保证上下游分区数(并行度)一致,不然会有如下异常:

Forward partitioning does not allow change of parallelism* Upstream operation: Source: Sequence Source-1 parallelism: 2,* downstream operation: Sink: Unnamed-4 parallelism: 4* stream.forward.writeAsText("./data/stream2").setParallelism(4)
val env = StreamExecutionEnvironment.getExecutionEnvironmentval stream = env.generateSequence(1,10).setParallelism(2)stream.writeAsText("./data/stream1").setParallelism(2)stream.forward.writeAsText("./data/stream2").setParallelism(2)env.execute()

console result:stream1:1->stream2:1、stream1:2->stream2:2

stream1:1

13579

stream1:2

246810

stream2:1

13579

stream2:2

246810

keyBy

场景:与业务场景匹配

DataStream → DataStream

根据上游分区元素的Hash值与下游分区数取模计算出,将当前元素分发到下游哪一个分区

MathUtils.murmurHash(keyHash)(每个元素的Hash值) % maxParallelism(下游分区数)
val env = StreamExecutionEnvironment.getExecutionEnvironmentval stream = env.generateSequence(1,10).setParallelism(2)stream.writeAsText("./data/stream1").setParallelism(2)stream.keyBy(0).writeAsText("./data/stream2").setParallelism(2)env.execute()

console result:根据元素Hash值分发到下游分区中

PartitionCustom

DataStream → DataStream

通过自定义的分区器,来决定元素是如何从上游分区分发到下游分区

object ShuffleOperator {  def main(args: Array[String]): Unit = {    val env = StreamExecutionEnvironment.getExecutionEnvironment    env.setParallelism(2)    val stream = env.generateSequence(1,10).map((_,1))    stream.writeAsText("./data/stream1")    stream.partitionCustom(new customPartitioner(),0)      .writeAsText("./data/stream2").setParallelism(4)    env.execute()  }  class customPartitioner extends Partitioner[Long]{    override def partition(key: Long, numPartitions: Int): Int = {      key.toInt % numPartitions    }  }}

本篇文章就到这里,感谢阅读,如果本篇博客有任何错误和建议,欢迎给我留言指正。文章持续更新,可以关注公众号第一时间阅读。