flink中DataStreamAPI的一些基础总结（环境和源算子）

---

前言

flink程序的数据流api处理：

一个Flink程序就是对DataStream API的各种转换。分为几部分：
1.获取执行环境（esecution environment）
2.读取数据源（source）
3.定义基于数据的转换操作（transformations）
4.定义计算结果的输出位置（sink）
5.触发程序执行（execute）

---

一、执行环境。

1.1创建执行环境

//获取执行环境是StreamExecutionEnvironment类的对象
三种方法：
1.直接调用getExecutionEnvironment方法，根据运行方式返回运行环境
2.createLocalEnvironment方法，传入并行度参数，默认为CPU核心数
3.createRemoteEnvironment返回集群执行环境，指定jobmanager的主机名和端口号，指定jar包

1.2 执行模式

• 流处理模式（Streaming）：经典默认，用于持续实时处理的无界数据流
• 批处理模式（Batch）:类似MR框架，不会持续计算的有界数据
  *（配置）：1.通过命令行配置

bin/flink run -Dexecution.runtime-mode=BATCH ...

• 自动模式（AutoMatic）:根据输入源是否有界自动选择

1.3 触发程序执行

Flink事件驱动的（Lazy exection）:显式调用execute()方法，触发程序执行，完成后返回jobExecutionResult.

二、源算子（source）

Flink 代码中通用的添加 source 的方式，是调用执行环境的 addSource()方法：

DataStream<String> stream = env.addSource(...);

方法传入一个对象参数，需要实现 SourceFunction 接口；返回 DataStreamSource。这里的
DataStreamSource 类继承自 SingleOutputStreamOperator 类，又进一步继承自 DataStream。所以
很明显，读取数据的 source 操作是一个算子，得到的是一个数据流（DataStream）

1.读取数据的方式

1.1从集合中读取数据

最简单的读取数据的方式，就是在代码中直接创建一个Java 集合，然后调用执行环境的fromCollection 方法进行读取。这相当于将数据临时存储到内存中，形成特殊的数据结构后，作为数据源使用，一般用于测试。
代码如下（示例）：

public static void main(String[] args) throws Exception {
 StreamExecutionEnvironment env =
StreamExecutionEnvironment.getExecutionEnvironment();
 env.setParallelism(1);
 ArrayList<Event> clicks = new ArrayList<>();
 clicks.add(new Event("Mary","./home",1000L));
 clicks.add(new Event("Bob","./cart",2000L));
 DataStream<Event> stream = env.fromCollection(clicks);
stream.print();
 env.execute();
}

1.2 从文件读数据

DataStream<String> stream = env.readTextFile("clicks.csv");

1.3从Socket读取数据

吞吐量小，稳定性差，一般用于测试

DataStream<String> stream = env.socketTextStream("localhost", 7777);

1.4从kafka读取数据

Kafka 的连接比较复杂，Flink 内部并没有提供预实现的方法。所以我们只能采用通用的addSource 方式、实现一个 SourceFunction 了；Flink官方提供了连接工具flink-connector-kafka，直接帮我们实现了一个消费者 FlinkKafkaConsumer，它就是用来读取 Kafka 数据的SourceFunction
依赖：

<dependency>
 <groupId>org.apache.flink</groupId>
 <artifactId>flink-connector-kafka_${scala.binary.version}</artifactId>
 <version>${flink.version}</version>
</dependency>

然后env.addSource()，传入 FlinkKafkaConsumer 的对象实例就可以了。

import org.apache.flink.api.common.serialization.SimpleStringSchema;
import org.apache.flink.streaming.api.datastream.DataStreamSource;
import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;
import org.apache.flink.streaming.connectors.kafka.FlinkKafkaConsumer;
import java.util.Properties;
public class SourceKafkaTest {
 public static void main(String[] args) throws Exception {
 StreamExecutionEnvironment env =
StreamExecutionEnvironment.getExecutionEnvironment();
 env.setParallelism(1);
 Properties properties = new Properties();
 properties.setProperty("bootstrap.servers", "hadoop102:9092");
 properties.setProperty("group.id", "consumer-group");
 properties.setProperty("key.deserializer",
"org.apache.kafka.common.serialization.StringDeserializer");
 properties.setProperty("value.deserializer",
"org.apache.kafka.common.serialization.StringDeserializer");
 properties.setProperty("auto.offset.reset", "latest");
 DataStreamSource<String> stream = env.addSource(new
FlinkKafkaConsumer<String>(
 "clicks",
 new SimpleStringSchema(),
 properties
 ));
  stream.print("Kafka");
 env.execute();
 }
}

创建 FlinkKafkaConsumer 时需要传入三个参数：
1.第一个参数 topic，定义了从哪些主题中读取数据。可以是一个 topic，也可以是 topic
列表，还可以是匹配所有想要读取的 topic 的正则表达式。当从多个 topic 中读取数据
时，Kafka 连接器将会处理所有 topic 的分区，将这些分区的数据放到一条流中去。
2. 第二个参数是一个 DeserializationSchema 或者 KeyedDeserializationSchema。Kafka 消
息被存储为原始的字节数据，所以需要反序列化成 Java 或者 Scala 对象。上面代码中
使用的 SimpleStringSchema，是一个内置的 DeserializationSchema，它只是将字节数
组简单地反序列化成字符串。DeserializationSchema 和 KeyedDeserializationSchema 是
公共接口，所以我们也可以自定义反序列化逻辑。
3.第三个参数是一个 Properties 对象，设置了 Kafka 客户端的一些属性

1.5自定义source

1.定义数据源

import org.apache.flink.streaming.api.functions.source.SourceFunction;
import java.util.Calendar;
import java.util.Random;
public class ClickSource implements SourceFunction<Event> {
 // 声明一个布尔变量，作为控制数据生成的标识位
private Boolean running = true;
 @Override
 public void run(SourceContext<Event> ctx) throws Exception {
 Random random = new Random(); // 在指定的数据集中随机选取数据
78
 String[] users = {"Mary", "Alice", "Bob", "Cary"};
String[] urls = {"./home", "./cart", "./fav", "./prod?id=1",
"./prod?id=2"};
 while (running) {
 ctx.collect(new Event(
 users[random.nextInt(users.length)],
 urls[random.nextInt(urls.length)],
 Calendar.getInstance().getTimeInMillis()
 ));
 // 隔 1 秒生成一个点击事件，方便观测
Thread.sleep(1000);
 }
 }
 @Override
 public void cancel() {
 running = false;
 }
 }

2.调用addsource

import org.apache.flink.streaming.api.datastream.DataStreamSource;
import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;
public class SourceCustom {
 public static void main(String[] args) throws Exception {
 StreamExecutionEnvironment env =
StreamExecutionEnvironment.getExecutionEnvironment();
 env.setParallelism(1);
//有了自定义的 source function，调用 addSource 方法
 DataStreamSource<Event> stream = env.addSource(new ClickSource());
 stream.print("SourceCustom");
 env.execute();
 }

}

总结

DataStream API的前两步操作：执行环境和数据源的内容（转换算子和输出算子下期见）