1 Flink 的序列化
- Flink自带了针对诸如int,long,String等标准类型的序列化器
- 针对Flink无法实现序列化的数据类型,我们可以交给Avro和Kryo
- 使用方法:ExecutionEnvironment env = ExecutionEnvironment.getExecutionEnvironment();
- 使用avro序列化:env.getConfig().enableForceAvro();
- 使用kryo序列化:env.getConfig().enableForceKryo();
- 使用自定义序列化:env.getConfig().addDefaultKryoSerializer(Class<?> type, Class<? extends Serializer<?>> serializerClass)
- https://ci.apache.org/projects/flink/flink-docs-release-1.6/dev/custom_serializers.html
2 Flink Broadcast
2.1DataStreaming 中的Broadcast
把元素广播给所有的分区,数据会被重复处理 类似于storm中的allGrouping dataStream.broadcast().这里我先介绍下这个broadcast分区。在之前的文章中说道Flink DataSet的hash分区以及range分区。他们都是把数据源分给不同的线程执行。而broadcast分区则是共享同一份数据。每一个线程的数据都是相同的,并且每一个map操作的并不是线程复制的副本,而是共享的变量。
因此下面我先演示下brocast的分区,看下他的分区规则。
2.2 Broadcast分区演示
public class BrocastHandler {
public static void main(String[] args) throws Exception{
//设置并行度为4
StreamExecutionEnvironment e = StreamExecutionEnvironment.getExecutionEnvironment().setParallelism(4);
DataStreamSource<Long> streamSource = e.addSource(new SelfdDefinitionSerialSourceFunction());
//broadcast分区
streamSource.broadcast().map(new MapFunction<Long, Long>() {
@Override
public Long map(Long value) throws Exception {
System.out.println("接受到的数据:" + value);
return value;
}
}).timeWindowAll(Time.seconds(2)).sum(0).print().setParallelism(1);
e.execute(BrocastHandler.class.getSimpleName());
}
}
public class SelfdDefinitionSerialSourceFunction implements SourceFunction<Long> {
private boolean ISRUNNING=true;
private Long COUNT=0L;
public void run(SourceContext<Long> sourceContext) throws Exception {
while (ISRUNNING){
sourceContext.collect(COUNT);
COUNT++;
Thread.sleep(1000);
}
}
public void cancel() {
ISRUNNING=false;
}
}
结果如下:
接受到的数据:0
接受到的数据:0
接受到的数据:0
接受到的数据:0
0
接受到的数据:1
接受到的数据:1
接受到的数据:1
接受到的数据:1
接受到的数据:2
接受到的数据:2
接受到的数据:2
接受到的数据:2
2.3 Broadcast变量
- 广播变量允许编程人员在每台机器上保持1个只读的缓存变量,而不是传送变量的副本给tasks
- 广播变量创建后,它可以运行在集群中的任何function上,而不需要多次传递给集群节点。另外需要记住,不应该修改广播变量,这样才能确保每个节点获取到的值都是一致的
- 一句话解释,可以理解为是一个公共的共享变量,我们可以把一个dataset 数据集广播出去,然后不同的task在节点上都能够获取到,这个数据在每个节点上只会存在一份。如果不使用broadcast,则在每个节点中的每个task中都需要拷贝一份dataset数据集,比较浪费内存(也就是一个节点中可能会存在多份dataset数据)。
- 用法
- 1:初始化数据 DataSet<Integer> toBroadcast = env.fromElements(1, 2, 3)
- 2:广播数据 .withBroadcastSet(toBroadcast, "broadcastSetName");
- 3:获取数据 Collection<Integer> broadcastSet = getRuntimeContext().getBroadcastVariable("broadcastSetName"); 注意:
- 3.1:广播出去的变量存在于每个节点的内存中,所以这个数据集不能太大。因为广播出去的数据,会常驻内存,除非程序执行结束
- 3.2:广播变量在初始化广播出去以后不支持修改,这样才能保证每个节点的数据都是一致的。
2.4 Broadcast变量代码演示
需求:Flink从数据源获取到用户的姓名,最终需要把用户的姓名和年龄打印出来。
import org.apache.flink.api.common.functions.MapFunction;
import org.apache.flink.api.common.functions.RichMapFunction;
import org.apache.flink.api.java.DataSet;
import org.apache.flink.api.java.ExecutionEnvironment;
import org.apache.flink.api.java.operators.DataSource;
import org.apache.flink.api.java.tuple.Tuple2;
import org.apache.flink.configuration.Configuration;
import java.util.ArrayList;
import java.util.HashMap;
import java.util.List;
import java.util.Map;
/**
* brocast广播变量
*
* @ProjectName: FlinkLearning
* @Package: com.caozg.batch
* @ClassName: BrocastVarHandler
* @Author: GoSaint
* @CreateDate: 19-11-2 下午9:12
* @UpdateDate: 19-11-2 下午9:12
* @Version: 1.0
*/
public class BrocastVarHandler {
private static final String BROCASTVALNAME = "employee";
public static void main(String[] args) throws Exception {
ExecutionEnvironment e = ExecutionEnvironment.getExecutionEnvironment();
/**
* Tuple2中存储了用户的姓名和年龄
*/
List<Tuple2<String, Integer>> data = new ArrayList<>();
data.add(new Tuple2<>("zs", 18));
data.add(new Tuple2<>("ls", 21));
data.add(new Tuple2<>("wu", 26));
DataSource<Tuple2<String, Integer>> source = e.fromCollection(data);
DataSet<Map<String, Integer>> toBrocastSource = source.map(new MapFunction<Tuple2<String, Integer>, Map<String, Integer>>() {
@Override
public Map<String, Integer> map(Tuple2<String, Integer> value) throws Exception {
Map<String, Integer> maps = new HashMap<>();
maps.put(value.f0, value.f1);
return maps;
}
});
DataSource<String> dataSource = e.fromElements("zs", "ls", "wu");
dataSource.map(new RichMapFunction<String, String>() {
List<Map<String, Integer>> targetList = new ArrayList<>();
Map<String, Integer> targetMap = new HashMap<>();
/**
* open方法只会执行一次,因此可以在这个方法里面做初始化操作
* @param parameters
* @throws Exception
*/
@Override
public void open(Configuration parameters) throws Exception {
super.open(parameters);
this.targetList = getRuntimeContext().getBroadcastVariable(BROCASTVALNAME);
for (Map<String, Integer> m : targetList) {
this.targetMap.putAll(m);
}
}
@Override
public String map(String value) throws Exception {
Integer age = targetMap.get(value);
return value+" , "+age;
}
}).withBroadcastSet(toBrocastSource, BROCASTVALNAME).print();
}
}
3 Accumulators & Counters
- Accumulator即累加器,与Mapreduce counter的应用场景差不多,都能很好地观察task在运行期间的数据变化
- 可以在Flink job任务中的算子函数中操作累加器,但是只能在任务执行结束之后才能获得累加器的最终结果。
- Counter是一个具体的累加器(Accumulator)实现 IntCounter, LongCounter 和 DoubleCounter
- 用法
- 1:创建累加器 private IntCounter numLines = new IntCounter();
- 2:注册累加器 getRuntimeContext().addAccumulator("num-lines", this.numLines);
- 3:使用累加器 this.numLines.add(1);
- 4:获取累加器的结果 myJobExecutionResult.getAccumulatorResult("num-lines")
import org.apache.flink.api.common.JobExecutionResult;
import org.apache.flink.api.common.accumulators.IntCounter;
import org.apache.flink.api.common.functions.RichMapFunction;
import org.apache.flink.api.java.ExecutionEnvironment;
import org.apache.flink.api.java.operators.DataSource;
import org.apache.flink.configuration.Configuration;
/**
* 累加器的演示代码
* 统计map操作的次数
*/
public class CounterHandler {
private static final String COUNTERNAME = "num-lines";
public static void main(String[] args) throws Exception {
ExecutionEnvironment environment = ExecutionEnvironment.getExecutionEnvironment();
DataSource<String> dataSource = environment.fromElements("a", "b", "c", "d");
dataSource.map(new RichMapFunction<String, String>() {
private IntCounter numLines = new IntCounter();
@Override
public String map(String value) throws Exception {
//使用累加器
numLines.add(1);
return value;
}
@Override
public void open(Configuration parameters) throws Exception {
super.open(parameters);
//注册累加器
getRuntimeContext().addAccumulator(COUNTERNAME, this.numLines);
}
//这里不能使用print sink输出
}).setParallelism(4).writeAsText("/home/caozg/Desktop/data/count");
JobExecutionResult job = environment.execute(CounterHandler.class.getSimpleName());
int result = job.getAccumulatorResult(COUNTERNAME);
System.out.println(result);//结果为4
}
}
4 Flink Broadcast和Accumulators的区别
Broadcast(广播变量)允许程序员将一个只读的变量缓存在每台机器上,而不用在任务之间传递变量。广播变量可以进行共享,但是不可以进行修改 Accumulators(累加器)是可以在不同任务中对同一个变量进行累加操作。
5 Distributed Cache(分布式缓存)
- Flink提供了一个分布式缓存,类似于hadoop,可以使用户在并行函数中很方便的读取本地文件
- 此缓存的工作机制如下:程序注册一个文件或者目录(本地或者远程文件系统,例如hdfs或者s3),通过ExecutionEnvironment注册缓存文件并为它起一个名称。当程序执行,Flink自动将文件或者目录复制到所有taskmanager节点的本地文件系统,用户可以通过这个指定的名称查找文件或者目录,然后从taskmanager节点的本地文件系统访问它
- 用法
- 1:注册一个文件 env.registerCachedFile("hdfs:///path/to/your/file", "hdfsFile")
- 2:访问数据 File myFile = getRuntimeContext().getDistributedCache().getFile("hdfsFile");
import org.apache.commons.io.FileUtils;
import org.apache.flink.api.common.functions.RichMapFunction;
import org.apache.flink.api.java.DataSet;
import org.apache.flink.api.java.ExecutionEnvironment;
import org.apache.flink.api.java.operators.DataSource;
import org.apache.flink.configuration.Configuration;
import java.io.File;
import java.util.List;
/**
* 分布式缓存
*/
public class CacheHandler {
private static final String CACHEFILENAME = "cache";
public static void main(String[] args) throws Exception {
ExecutionEnvironment environment = ExecutionEnvironment.getExecutionEnvironment();
//注册缓存
environment.registerCachedFile("/home/caozg/Desktop/data/a.txt", CACHEFILENAME);
DataSource<String> source = environment.fromElements("a", "b", "c", "d");
DataSet<String> res = source.map(new RichMapFunction<String, String>() {
@Override
public String map(String value) throws Exception {
// TODO 这里可以获取缓存数据做业务操作
return value;
}
@Override
public void open(Configuration parameters) throws Exception {
File file = getRuntimeContext().getDistributedCache().getFile(CACHEFILENAME);
List<String> list = FileUtils.readLines(file);
for (String s : list) {
System.out.println("line:" + s);
}
}
});
res.print();
}
}