Flink大数据实时标签实时ETL --04mysql广播和kafka流合并

1、项目架构

在这里插入图片描述

2、mysql广播和kafka流合并

主要应用于实时流关联广播. 主要应该与实时流关联mysql上规则增加关联性. 我这个类主要是在process() 里面使用. 可以看我继承的BroadcastProcessFunction 方法就会明白.我这个类所使用的地方.为广播process

3、代码

package com.func

import com.bean.BuriedPointDetailBean
import org.apache.flink.api.common.state.MapStateDescriptor
import org.apache.flink.streaming.api.functions.co.BroadcastProcessFunction
import org.apache.flink.util.Collector
import org.slf4j.LoggerFactory

import scala.collection.immutable._

/**
 * mysql广播和kafka流合并
 */
class BroadcastProcessFunc  extends BroadcastProcessFunction [BuriedPointDetailBean, HashMap[String, Tuple4[String, String, String, String]], BuriedPointDetailBean] {

	// 打印日志类
    private val logger = LoggerFactory.getLogger(classOf[BroadcastProcessFunc])

    /**定义MapStateDescriptor
     * 存储的是 rule的规则原字段 Hashmap: config, label_id: bean
     * */
    val  configDescriptor = new MapStateDescriptor[String, HashMap[String,Tuple4[String, String, String, String]]]("config",classOf[String],classOf[HashMap[String,Tuple4[String, String, String, String]]])

    /**
     * 读取状态,并基于状态,处理事件流中的数据
     * 在这里,从上下文中获取状态,基于获取的状态,对事件流中的数据进行处理
     * @param value 事件流中的数据
     * @param ctx 上下文
     * @param out 输出零条或多条数据
     * @throws Exception 异常
     */
    override def processElement(value: BuriedPointDetailBean,
                                ctx: BroadcastProcessFunction[BuriedPointDetailBean, HashMap[String, Tuple4[String, String, String, String]], BuriedPointDetailBean]#ReadOnlyContext,
                                out: Collector[BuriedPointDetailBean]): Unit = {

        var evenId: String = value.event_id
        //获取状态  HashMap  [event_id ,  bean]
        var broadcastState = ctx.getBroadcastState(configDescriptor)
        var broadcastStateRuleInfo = broadcastState.get("config")//mysql规则数据

        //配置中有此规则,则在该事件中。
        //配置中没有此规则,则丢弃
        if (broadcastStateRuleInfo != null) {
            //value 是event_id
            if(broadcastStateRuleInfo.values.map(_._2).toIterator.contains(evenId)) {
                out.collect(value) //下发下游
            }
            //key是event_id
//            if (broadcastStateUserInfo.contains(evenId)) {
//                out.collect(value)
//            }
        }
    }

    /**
     * 处理广播流中的每一条数据,并更新状态  Hashmap是mysql广播
     * @param value 广播流中的数据,Tuple4你可以用一个bean对象
     * @param ctx 上下文
     * @param out 输出零条或多条数据
     * @throws Exception 异常
     */
    override def processBroadcastElement(value: HashMap[String, Tuple4[String, String, String, String]],
                                         ctx: BroadcastProcessFunction[BuriedPointDetailBean, HashMap[String, Tuple4[String, String, String, String]], BuriedPointDetailBean]#Context,
                                         out: Collector[BuriedPointDetailBean]): Unit = {
        //获取上一条的广播状态 :labelId ,tuple<bean>
        val broadcastState = ctx.getBroadcastState(configDescriptor)

        //清空状态
        broadcastState.clear()
        logger.info("mysql rule init...")
        //获取当前更新状态
        broadcastState.put("config",value)


    }
}

4、说明

要明白一点这里的两个广播是处理两个流的广播。

  1. 一个流processBroadcastElement是处理mysql的流,用于定时加载规则,定时删除规则。
  2. 一个流processElement是用于处理Kafka流,可以是复杂的逻辑,也可以是简单逻辑。自己在的流中写代码处理。
    我的处理逻辑只要判断是否包含,进行一层过滤。contains
  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
用户画像,作为一种勾画目标用户、联系用户诉求与设计方向的有效工具,用户画像在各领域得到了广泛的应用。用户画像最初是在电商领域得到应用的,在大数据时代背景下,用户信息充斥在网络中,将用户的每个具体信息抽象成标签,利用这些标签将用户形象具体化,从而为用户提供有针对性的服务。还记得年底收到的支付宝年度消费账单吗?帮助客户回顾一年的消费细节,包括消费能力、消费去向、信用额度等等,再根据每位客户的消费习惯,量身定制商品推荐列表……这一活动,将数据这个量化的词以形象生动的表现手法推到了大众面前。这就是用户画像在电商领域的一个应用,随着我国电子商务的高速发展,越来越多的人注意到数据信息对于电商市场的推动作用。基于数据分析的精准营销方式,可以最大限度的挖掘并留住潜在客户,数据统计与分析为电商市场带来的突破不可估量。在大数据时代,一切皆可“量化”,看似普通的小小数字背后,蕴藏着无限商机,也正在被越来越多的企业所洞悉。如何从大数据中挖掘商机?建立用户画像和精准化分析是关键。什么是用户画像呢?用户画像是根据市场研究和数据,创建的理想中客户虚构的表示。创建用户画像,这将有助于理解现实生活中的目标受众。企业创建的人物角色画像,具体到针对他们的目标和需求,并解决他们的问题,同时,这将帮助企业更加直观的转化客户。用户画像最重要的一个步骤就是对用户标签化,我们要明确要分析用户的各种维度,才能确定如何对用户进行画像。用户画像建立步骤首先,基础数据收集,电商领域大致分为行为数据、内容偏好数据、交易数据,如浏览量、访问时长、家具偏好、回头率等等。而金融领域又有贷款信息,信用卡,各种征信信息等等。然后,当我们对用户画像所需要的基础数据收集完毕后,需要对这些资料进行分析和加工,提炼关键要素,构建可视化模型。对收集到的数据进行行为建模,抽象出用户的标签。电商领域可能是把用户的基本属性、购买能力、行为特征、兴趣爱好、心理特征、社交网络大致的标签化,而金融风控领域则是更关注用户的基本信息,风险信息,财务信息等等。随后,要利用大数据的整体架构对标签化的过程进行开发实现,对数据进行加工,将标签管理化。同时将标签计算的结果进行计算。这个过程中需要依靠Hive,Hbase等大数据技术,为了提高数据的实时性,还要用到FlinkKafka实时计算技术。最后,也是最关键的一步,要将我们的计算结果,数据,接口等等,形成服务。比如,图表展示,可视化展示。基于Flink+Alink构建全端亿级实时用户画像系统课程,将带领大家一步一步实现一个强大的实时用户画像系统,该系统以热门的互联网电商实际业务应用场景为案例讲解,具体包含:标签管理(支持动态标签扩展,动态标签指标)、用户预测、用户群体画像、用户行为画像、用户中心、几大内容。本课程采用全新的大数据技术栈:Flink+Alink,让你体验到全新技术栈的强大,感受时代变化的气息,通过学习完本课程可以节省你摸索的时间,节省企业成本,提高企业开发效率。本课程包含的技术: 开发工具为:IDEA、WebStorm Flink1.13.0Alink1.5.0 ClickHouseDolphinSchedulerHadoopHbaseKafkaZookeeper SpringBoot2.0.8.RELEASE SpringCloud Finchley.SR2BinlogCanal MySQL MybatisVue.js、Nodejs、ElementUI 课程亮点: 1.与企业接轨、真实工业界产品2.标签化管理模块功能,支持动态标签扩展3.动态标签指标分析和维护4.Alink算法技术框架 5.大数据热门技术Flink新版本 6.主微服务后端系统 7.数据库实时同步解决方案 8.涵盖主前端技术VUE+NodeJS+ElementUI 9.集成SpringCloud实现统一整合方案 10.互联网大数据企业热门技术栈 11.支持海量数据的实时画像 12.支持全端实时画像 13.全程代码实操,提供全部代码和资料 14.提供答疑和提供企业技术方案咨询 

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值