【大数据面试】Flink 02 基本操作：入门案例、Env、Source、Transform、数据类型、UDF、Sink...

二、基本操作

1、入门案例

(1)批处理wordcount--DataSet

val env = ExecutionEnvironment.getExecutionEnvironment  // 从文件中读取数据  val inputPath = "D:\\Projects\\BigData\\TestWC1\\src\\main\\resources\\hello.txt"  val inputDS: DataSet[String] = env.readTextFile(inputPath)  // 分词之后，对单词进行groupby分组，然后用sum进行聚合  val wordCountDS: AggregateDataSet[(String, Int)] = inputDS.flatMap(_.split(" ")).map((_, 1)).groupBy(0).sum(1)  // 打印输出  wordCountDS.print()

(2)流处理wordcount--DataStream

object StreamWordCount {   def main(args: Array[String]): Unit = {     // 从外部命令中获取参数     val params: ParameterTool =  ParameterTool.fromArgs(args)     val host: String = params.get("host")     val port: Int = params.getInt("port")     // 创建流处理环境     val env = StreamExecutionEnvironment.getExecutionEnvironment     // 接收socket文本流     val textDstream: DataStream[String] = env.socketTextStream(host, port)     // flatMap和Map需要引用的隐式转换     import org.apache.flink.api.scala._     val dataStream: DataStream[(String, Int)] = textDstream.flatMap(_.split("\\s")).filter(_.nonEmpty).map((_, 1)).keyBy(0).sum(1)     dataStream.print().setParallelism(1)     // 启动executor，执行任务     env.execute("Socket stream word count")   } }

2、Environment创建

getExecutionEnvironment，客户端，当前执行程序的上下文

createLocalEnvironment：返回本地执行环境

createRemoteEnvironment：集群执行环境，需要指定ip、端口及jar包

3、Source读取

(1)从集合读取数据：env.fromCollection(List(SensorReading("sensor_1 ",15477181 99,35.8),SensorReading("sensor_6",1547718201,15.4))

(2)从文件读取数据：valstream2=env.readTextFile("YOUR_FILE_PATH")

(3)以kafka消息队列的数据作为来源：valstream3=env.addSource(newFlinkKafkaConsumer 011[String]("sensor",newSimpleStringSchema(),properties))

(4)自定义Source：valstream4=env.addSource(newMySensorSource()

4、Transform算子

Map：DataStream → DataStream，输入一个参数产生一个参数，map的功能是对输入的参数进行转换操作。

flatMap：flatMap(List(1,2,3))(i⇒List(i,i))变成112233自动加逗号

Filter：过滤掉指定条件的数据。

KeyBy：按照指定的key进行分组，流拆分成不相交的分区。

Reduce：合并当前的元素和上次聚合的结果，用来进行结果汇总合并。

Window：窗口函数，根据某些特性将每个key的数据进行分组(例如：在5s内到达的数据)

滚动聚合算子(RollingAggregation)：sum()、min()、max()、minBy()、maxBy()针对每个支流聚合Split和Select：拆分和获取指定的流

Connect(放在同一个流中)和CoMap(组合成一个流)

Union：产生一个包含所有DataStream元素的新DataStream

Connect只能操作两个流，Union可以操作多个。

5、常见的数据类型

env.fromElements(XXXX)

(1)基础数据类型

(2)Java和Scala元组(Tuples)

(3)Scala样例类(caseclasses)

(4)Java简单对象(POJOs)

(5)其它(Arrays,Lists,Maps,Enums,等等)

6、UDF-更细粒度的控制流

函数类(Function Classes)：实现MapFunction,FilterFunction,ProcessFunction接口

匿名函数(Lambda Functions)

富函数(Rich Functions)：函数类的接口，所有Flink函数类都有其Rich版本，自带一系列生命周期方法(开关、得到上下文)，可以实现复杂功能

7、sink操作

(1)使用

没有spark中的forEach方法，需要通过stream.addSink(newMySink(xxxx))完成任务最终输出

(2)举例

kafka：union.addSink(new FlinkKafkaProducer011[String]("localhost:9092", "test", new Simple StringSchema()))

redis：dataStream.addSink(newRedisSink[SensorReading](conf,newMyRedisMapper))

Elasticsearch：dataStream.addSink( esSinkBuilder.build() )

自定义sink：dataStream.addSink(newMyJdbcSink())