Flink常用算子Transformation（转换）

在之前的《Flink DataStream API》一文中，我们列举了一些Flink自带且常用的transformation算子，例如map、flatMap等。在Flink的编程体系中，我们获取到数据源之后，需要经过一系列的处理即transformation操作，再将最终结果输出到目的Sink（ES、mysql或者hdfs），使数据落地。因此，除了正确的继承重写RichSourceFunction<>和RichSinkFunction<>之外，最终要的就是实时处理这部分，下面的图介绍了Flink代码执行流程以及各模块的组成部分。

在Storm中，我们常常用Bolt的层级关系来表示各个数据的流向关系，组成一个拓扑。在Flink中，Transformation算子就是将一个或多个DataStream转换为新的DataStream，可以将多个转换组合成复杂的数据流拓扑。如下图所示，DataStream会由不同的Transformation操作，转换、过滤、聚合成其他不同的流，从而完成我们的业务要求。

那么以《Flink从kafka中读数据存入Mysql Sink》一文中的业务场景作为基础，在Flink读取Kafka的数据之后，进行不同的算子操作来分别详细介绍一下各个Transformation算子的用法。Flink消费的数据格式依然是JSON格式：{"city":"合肥","loginTime":"2019-04-17 19:04:32","os":"Mac OS","phoneName":"vivo"}

1、map

map:输入一个元素，输出一个元素，可以用来做一些清洗工作。

/**
 * create by xiax.xpu on @Date 2019/4/11 20:47
 */
public class FlinkSubmitter {
    public static void main(String[] args) throws Exception{
        //获取运行时环境
        StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
        //checkpoint配置
        //为了能够使用支持容错的kafka Consumer，开启checkpoint机制，支持容错，保存某个状态信息
        env.enableCheckpointing(5000);
        env.getCheckpointConfig().setCheckpointingMode(CheckpointingMode.EXACTLY_ONCE);
        env.getCheckpointConfig().setMinPauseBetweenCheckpoints(500);
        env.getCheckpointConfig().setCheckpointTimeout(60000);
        env.getCheckpointConfig().setMaxConcurrentCheckpoints(1);


        //kafka配置文件
        Properties props = new Properties();
        props.put("bootstrap.servers", "192.168.83.129:9092");
        props.setProperty("group.id","con1");
        props.put("zookeeper.connect","192.168.83.129:2181");
        props.put("key.deserializer", "org.apache.kafka.common.serialization.StringDeserializer");  //key 反序列化
        props.put("value.deserializer", "org.apache.kafka.common.serialization.StringDeserializer"); //value 反序列化

        System.out.println("ready to print");
        FlinkKafkaConsumer011<String> consumer = new FlinkKafkaConsumer011<>(
                "kafka_flink_mysql",
                new SimpleStringSchema(),
                props);
        consumer.setStartFromGroupOffsets();//默认消费策略


        SingleOutputStreamOperator<Entity> StreamRecord = env.addSource(consumer)
                .map(string -> JSON.parseObject(string, Entity.class))
                .setParallelism(1);
        //融合一些transformation算子进来
        //map:输入一个元素，输出一个元素，可以用来做一些清洗工作
        SingleOutputStreamOperator<Entity> result = StreamRecord.map(new MapFunction<Entity, Entity>() {
            @Override
            public Entity map(Entity value) throws Exception {
                Entity entity1 = new Entity();
                entity1.city = value.city+".XPU.Xiax";
                entity1.phoneName = value.phoneName.toUpperCase();
                entity1.loginTime = value.loginTime;
                entity1.os = value.os;
                return entity1;
            }
        });
        result.print().setParallelism(1);
        env.execute("new one");

    }
}

本例中我们将获取的JSON字符串转换到Entity object之后，使用map算子让所有的phoneName编程大写，city后面添加XPU.Xiax后缀。

2、flatMap

flatMap:打平操作，我们可以理解为将输入的元素压平，从而对输出结果的数量不做要求，可以为0、1或者多个都OK。它和Map相似，但引入flatMap的原因是因为一般java方法的返回值结果都是一个，因此引入flatMap来区别这个。

//flatMap, 输入一个元素，返回0个、1个或者多个元素
SingleOutputStreamOperator<Entity> result = StreamRecord
      .flatMap(new FlatMapFunction<Entity, Entity>() {
       @Override
       public void flatMap(Entity entity, Collector<Entity> out) throws Exception {
            if (entity.city.equals("北京")) {
                 out.collect(entity);
             }
        }
});

这里我们将所有city是北京的结果集聚合输出，注意这里并不是过滤，有些人可能会困惑这不是起了过滤filter的作用吗，其实不然，只是这里的用法刚好相似而已。简单分析一下，new FlatMapFunction<Entity, Entity>，接收的输入是Entity实体，发出的也是Entity实体类，看到这就可以与Map对应上了。

3、filter

filter:过滤筛选，将所有符合判断条件的结果集输出

//filter 判断条件输出
SingleOutputStreamOperator<Entity> result = StreamRecord
       .filter(new FilterFunction<Entity>() {
        @Override
       public boolean filter(Entity entity) throws Exception {
              if (entity.phoneName.equals("HUAWEI")) {
                  return true;
              }
              return false;
       }
});

这里我们将所有phoneName是HUAWEI的值过滤，在直接输出。

4、keyBy

keyBy:在逻辑上将Stream根据指定的Key进行分区，是根据key的Hash值进行分区的。

//keyBy 从逻辑上对逻辑分区
KeyedStream<Entity, String> result = StreamRecord
     .keyBy(new KeySelector<Entity, String>() {
     @Override
    public String getKey(Entity entity) throws Exception {
          return entity.os;
    }
});

这里只是对DataStream进行分区而已，按照os进行分区，然而这输出的效果其实没什么变化

---

由于下面这些操作，在之前模拟生成的数据，去做转换操作不太适合。因此每个操作附上其他demo

5、reduce

reduce:属于归并操作，它能将3的keyedStream转换成DataStream，Reduce 返回单个的结果值，并且 reduce 操作每处理每一天新数据时总是创建一个新值。常用聚合操作例如min、max等都可使用reduce方法实现。这里通过实现一个Socket的wordCount简单例子，来帮助了解flatMap/keyBy/reduce/window等操作的过程。

package com.bigdata.flink.Stream;

import org.apache.flink.api.common.functions.FlatMapFunction;
import org.apache.flink.api.common.functions.ReduceFunction;
import org.apache.flink.api.java.utils.ParameterTool;
import org.apache.flink.streaming.api.datastream.DataStream;
import org.apache.flink.streaming.api.datastream.DataStreamSource;

import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;
import org.apache.flink.streaming.api.windowing.time.Time;
import org.apache.flink.util.Collector;

/**
 * 滑动窗口的计算
 *
 * 通过socket模拟产生单词数据 flink对其进行统计计数
 * 实现时间窗口：
 *              每隔1秒统计前两秒的数据
 */
public class SocketWindowWordCount {
    public static void main(String[] args) throws Exception{
        //定义端口号，通过cli接收
        int port;
        try{
            ParameterTool parameterTool = ParameterTool.fromArgs(args);
            port = parameterTool.getInt("port");
        }catch(Exception e){
            System.err.println("No port Set, use default port---java");
            port = 9000;
        }

        //获取运行时环境，必须要
        StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
        //绑定Source,通过master的nc -l 900 产生单词
        String hostname = "192.168.83.129";
        String delimiter = "\n";
        //连接socket 绑定数据源
        DataStreamSource<String> socketWord = env.socketTextStream(hostname, port, delimiter);

        DataStream<WordWithCount> windowcounts = socketWord.flatMap(new FlatMapFunction<String, WordWithCount>() {
            public void flatMap(String value, Collector<WordWithCount> out) throws Exception {
                String[] splits = value.split("\\s");
                for (String word : splits) {
                    out.collect(new WordWithCount(word, 1));
                }
            }
        }).keyBy("word")     
                //.sum("count");//这里求聚合 可以用reduce和sum两种方式
                .reduce(new ReduceFunction<WordWithCount>() {
                    public WordWithCount reduce(WordWithCount a, WordWithCount b) throws Exception {
                        return new WordWithCount(a.word, a.count + b.count);
                    }
                });
        windowcounts.print().setParallelism(1);
        env.execute("socketWindow");
    }

    public static class  WordWithCount{
        public String word;
        public int count;
        //无参的构造函数
        public WordWithCount(){

        }
        //有参的构造函数
        public WordWithCount(String word, int count){
            this.count = count;
            this.word = word;
        }

        @Override
        public String toString() {
            return "WordWithCount{" +
                    "word='" + word + '\'' +
                    ", count=" + count +
                    '}';
        }
    }
}

 

这里只是做单词计数，至于为什么有的单词重复出现，但是请注意它后面的count值都不一样，我们直接生成了toString方法打印出的结果。

6、aggregations

aggregations:进行一些聚合操作，例如sum()，min()，max()等,这些可以用于keyedStream从而获得聚合。用法如下

KeyedStream.sum(0)或者KeyedStream.sum(“Key”)

7、unoin

union:可以将多个流合并到一个流中，以便对合并的流进行统一处理，有点类似于Storm中的将上一级的两个Bolt数据汇聚到这一级同一个Bolt中。注意，合并的流类型需要一致

//1.获取执行环境配置信息
 StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
 //2.定义加载或创建数据源（source）,监听9000端口的socket消息
 DataStream<String> textStream9000 = env.socketTextStream("localhost", 9000, "\n");
 DataStream<String> textStream9001 = env.socketTextStream("localhost", 9001, "\n");
 DataStream<String> textStream9002 = env.socketTextStream("localhost", 9002, "\n");

 DataStream<String> mapStream9000=textStream9000.map(s->"来自9000端口："+s);
 DataStream<String> mapStream9001=textStream9001.map(s->"来自9001端口："+s);
 DataStream<String> mapStream9002=textStream9002.map(s->"来自9002端口："+s);

//3.union用来合并两个或者多个流的数据，统一到一个流中
 DataStream<String> result =  mapStream9000.union(mapStream9001,mapStream9002);

//4.打印输出sink
 result.print();
//5.开始执行
 env.execute();

8、connect

connect:和union类似，但是只能连接两个流，两个流的数据类型可以不同，会对两个流中的数据应用不同的处理方法。

        //获取Flink运行环境
        StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
        
        //绑定数据源
        DataStreamSource<Long> text1 = env.addSource(new MyParalleSource()).setParallelism(1);
        DataStreamSource<Long> text2 = env.addSource(new MyParalleSource()).setParallelism(1);

        //为了演示connect的不同，将第二个source的值转换为string
        SingleOutputStreamOperator<String> text2_str = text2.map(new MapFunction<Long, String>() {
            @Override
            public String map(Long value) throws Exception {
                return "str" + value;
            }
        });

        ConnectedStreams<Long, String> connectStream = text1.connect(text2_str);

        SingleOutputStreamOperator<Object> result = connectStream.map(new CoMapFunction<Long, String, Object>() {
            @Override
            public Object map1(Long value) throws Exception {
                return value;
            }

            @Override
            public Object map2(String value) throws Exception {
                return value;
            }
        });

        //打印到控制台,并行度为1
        result.print().setParallelism(1);
        env.execute( "StreamingDemoWithMyNoParalleSource");

9、split

split:根据规则吧一个数据流切分成多个流，可能在实际场景中，源数据流中混合了多种类似的数据，多种类型的数据处理规则不一样，所以就可以根据一定的规则把一个数据流切分成多个数据流。

//获取Flink运行环境
        StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
        
        //绑定数据源
        DataStreamSource<Long> text = env.addSource(new MyParalleSource()).setParallelism(1);
        //对流进行切分 奇数偶数进行区分
        SplitStream<Long> splitString = text.split(new OutputSelector<Long>() {
            @Override
            public Iterable<String> select(Long value) {
                ArrayList<String> output = new ArrayList<>();
                if (value % 2 == 0) {
                    output.add("even");//偶数
                } else {
                    output.add("odd");//奇数
                }

                return output;
            }
        });

        //选择一个或者多个切分后的流
        DataStream<Long> evenStream = splitString.select("even");//选择偶数
        DataStream<Long> oddStream = splitString.select("odd");//选择奇数

        DataStream<Long> moreStream = splitString.select("odd","even");//选择多个流
        //打印到控制台,并行度为1
        evenStream.print().setParallelism(1);
        env.execute( "StreamingDemoWithMyNoParalleSource");

10、window以及windowAll

window:按时间进行聚合或者其他条件对KeyedStream进行分组，用法：inputStream.keyBy(0).window(Time.seconds(10));

windowAll： 函数允许对常规数据流进行分组。通常，这是非并行数据转换，因为它在非分区数据流上运行。用法：inputStream.keyBy(0).windowAll(Time.seconds(10));

关于时间窗口，这个我们后期会详细说一下，敬请关注。