Flink多流处理之coGroup(协同分组)

这篇文章主要介绍协同分组coGroup的使用,先讲解API代码模板,后面会结图解介绍coGroup是如何将流中数据进行分组的.

1 API介绍

• 数据源

  # 左流数据
  ➜  ~ nc -lk 6666
  101,Tom
  102,小明
  103,小黑
  104,张强
  105,Ken
  106,GG小日子
  107,小花
  108,赵宣艺
  109,明亮
  
  

  # 右流数据
  ➜  ~ nc -lk 7777
  101,男,本科,程序员
  102,男,本科,程序员
  103,女,本科,会计
  104,男,大专,安全工程师
  105,男,硕士,律师
  106,未知,小本,挖粪使者
  108,女,本科,人事
  110,男,本科,算法工程师
  
  

• 代码

  import org.apache.flink.api.common.functions.CoGroupFunction;
  import org.apache.flink.api.common.typeinfo.TypeHint;
  import org.apache.flink.api.java.tuple.Tuple2;
  import org.apache.flink.api.java.tuple.Tuple4;
  import org.apache.flink.streaming.api.datastream.DataStream;
  import org.apache.flink.streaming.api.datastream.DataStreamSource;
  import org.apache.flink.streaming.api.datastream.SingleOutputStreamOperator;
  import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;
  import org.apache.flink.streaming.api.windowing.assigners.TumblingProcessingTimeWindows;
  import org.apache.flink.streaming.api.windowing.time.Time;
  import org.apache.flink.util.Collector;
  
  /**
   * @Author: J
   * @Version: 1.0
   * @CreateTime: 2023/8/10
   * @Description: 协同分组
   **/
  public class FlinkCoGroup {
      public static void main(String[] args) throws Exception {
          // 构建流环境
          StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
          // 设置并行度
          env.setParallelism(2);
          // 数据源1(socket数据源),为了方便测试,根据实际情况自行选择
          DataStreamSource<String> sourceStream1 = env.socketTextStream("localhost", 6666);
          // 将数据进行切分返回Tuple2(id,name)
          SingleOutputStreamOperator<Tuple2<String, String>> mapStream1 = sourceStream1.map(value -> {
              String[] split = value.split(",");
              return Tuple2.of(split[0], split[1]);
          }).returns(new TypeHint<Tuple2<String, String>>() {
          });
          // 数据源2(socket数据源),为了方便测试,根据实际情况自行选择
          DataStreamSource<String> sourceStream2 = env.socketTextStream("localhost", 7777);
          // 将数据进行切分返回Tuple4(id,gender,education,job)
          SingleOutputStreamOperator<Tuple4<String, String, String, String>> mapStream2 = sourceStream2.map(value -> {
              String[] split = value.split(",");
              return Tuple4.of(split[0], split[1], split[2], split[3]);
          }).returns(new TypeHint<Tuple4<String, String, String, String>>() {});
          // 数据流协同
          DataStream<Tuple4<String, String, String, String>> coGrouped = mapStream1.coGroup(mapStream2)
                  .where(tup -> tup.f0) // 左流协同分组字段(mapStream1)
                  .equalTo(tup -> tup.f0) // 右流协同分组字段(mapStream2)
                  .window(TumblingProcessingTimeWindows.of(Time.seconds(20))) // 开窗口,以处理时间划分(每20秒一个窗口)
                  .apply(new CoGroupFunction<Tuple2<String, String>, Tuple4<String, String, String, String>, Tuple4<String, String, String, String>>() {
                      @Override
                      public void coGroup(Iterable<Tuple2<String, String>> first, Iterable<Tuple4<String, String, String, String>> second, Collector<Tuple4<String, String, String, String>> out) throws Exception {
                          /**
                           *first 代表左流的迭代器
                           * second 代表右流的迭代器
                           * out 则是返回的数据形式
                           * 具体方法中两个迭代器存数据的原理后续会通过图结合进行解析
                           **/
                          // 这里的逻辑模拟sql中left join
                          // 遍历左流数据(first)
                          for (Tuple2<String, String> left : first) {
                              // 定义右流是否为NULL判断标识
                              boolean flag = false;
                              // 遍历右流数据(second)
                              for (Tuple4<String, String, String, String> right : second) {
                                  // 返回left(id, name) + right(gender, education)
                                  Tuple4<String, String, String, String> tup4 = Tuple4.of(left.f0, left.f1, right.f1, right.f2);
                                  // 输出
                                  out.collect(tup4);
                                  // 修改判断标识
                                  flag = true;
                              }
                              // 如果右流为NULL,则输出左流的数据
                              if (!flag) {
                                  // 这里用字符串"NULL"代替null值,方便观察
                                  Tuple4<String, String, String, String> tup4 = Tuple4.of(left.f0, left.f1, "NULL", "NULL");
                                  // 输出
                                  out.collect(tup4);
                              }
                          }
                      }
                  });
          // 打印结果
          coGrouped.print();
  
          env.execute("Flink CoGroup");
  
      }
  }
  

• 结果

  2> (102,小明,男,本科)
  1> (106,GG小日子,未知,小本)
  2> (109,明亮,NULL,NULL)
  1> (107,小花,NULL,NULL)
  2> (105,Ken,男,硕士)
  2> (103,小黑,女,本科)
  2> (101,Tom,男,本科)
  2> (108,赵宣艺,女,本科)
  2> (104,张强,男,大专)
  

  从数据源和结果数据可以看到和代码逻辑是完全吻合的.

2 原理解析

我这我们先看一下图解,如下

• 无界转有界
  在代码中我们开启window,这也是使用coGroup的必要条件,开启window后实际上就是将我们原本的无界数据流转变成一个以20S为界限的有界数据流.
• 迭代器分组
  将数据进入到窗口内后,就会根据经我们前面设定的条件也就是.where和.equalTo中的内容将mapStream1和mapStream2中的数据根据key进行分组存储到不同的iterator中.
• 逻辑计算
  上面已经将数据根据key都存储到iterator中了,这里就会根据我们在new CoGroupFunction<...>(){...}中的写的逻辑将mapStream1和mapStream2中具有相同key的iterator进行计算.
• 输出
  当一个window结束后,就会将数据按照计算后的结果(在代码中就是Tuple4<String, String, String, String>)输出到下游.