Flink 02 | 英雄莫问出处 Flink丰富多彩的数据源

Flink 数据源

Flink中，Source是数据流的  "起点" ，负责从外部数据源读取数据。Flink提供了多种内置的Source接口和类，以适应不同的使用场景,同时还支持自定义数据源。

Flink 数据源非常灵活，可以是文件，分布式系统，可以是消息队列、可以是数据库，并且支持用户自定义。英雄莫问出处，从理论上讲，Flink可以处理几乎"一切数据"。

本文主要内容

• 内置数据源

• 自定义数据源

• 几种数据源接口介绍

• 自定义数据源Demo

1. 基本数据源

Collection Source

• 使用方式:通过fromCollection或fromElements方法

• 应用场景:通常用于测试或演示简单的Flink程序，一般适用于一些静态离线演示的场景。

List<Person> people = new ArrayList<Person>();

people.add(new Person("Fred", 35));
people.add(new Person("Wilma", 35));
people.add(new Person("Pebbles", 2));

DataStream<Person> flintstones = env.fromCollection(people);

Socket-based

• 使用方式:env.socketTextStream("localhost", 9999)

• 应用场景:通常用于测试或演示简单的Flink程序，这种方式测试数据比fromCollection 更加灵活，方便，但不适用大量数据演示。

DataStream<String> lines = env.socketTextStream("localhost", 9999);

File-based

• Flink数据源可以是本地文件或者分布式文件系统(如HDFS)。

本地文件

DataStream<String> textStream = env.readTextFile("file:///path/to/file.txt");

HDFS

Flink  能够与HDFS 无缝集成，实现对海量数据的实时处理。

DataStream<String> hdfsStream = env.readTextFile("hdfs://namenode:port/path/to/file");

2. 自定义数据源

除了基本数据源外Flink 内置了许多数据源连接器：如Kafka Source、Elasticsearch Source等等，以满足不同的业务场景，比如Kafka 数据源

 KafkaSource<String> source = KafkaSource.<String>builder()
                .setBootstrapServers("localhost:9092")
                .setTopics("input-topic")
                .setGroupId("my-group")
                .setStartingOffsets(OffsetsInitializer.earliest())
                .setValueOnlyDeserializer(new SimpleStringSchema())
                .build();

env.fromSource(source, WatermarkStrategy.noWatermarks(), "Kafka Source");

自定义数据源接口介绍

SourceFunction接口

这是一个基础的数据源接口，用于定义非并行数据源或并行度为 1 的数据源

• run(SourceContextctx) throws Exception：在这个方法中实现数据的生成逻辑，并通过 ctx.collect 发送数据。

• cancel()：用于停止数据源的生成操作。当作业取消或出现异常时会调用此方法。

ParallelSourceFunction接口

它继承自 SourceFunction 接口，增加了对并行性的支持。

RichParallelSourceFunction

这是一个更丰富的带有生命周期管理方法 的并行数据源类。除了 run 和 cancel 方法外，还提供了 open 和 close 方法。

• open(Configuration parameters)：在每个并行数据源实例启动时调用，可以用于初始化资源，如建立数据库连接等。

• close()：在数据源实例关闭时调用，用于清理资源。

Flink还提供了数据源接口，我们实现该接口就可以实现自定义数据源，不同的接口有不同的功能，分类如下：

import org.apache.flink.configuration.Configuration;
import org.apache.flink.streaming.api.functions.source.RichParallelSourceFunction;

import java.sql.Connection;
import java.sql.DriverManager;
import java.sql.ResultSet;
import java.sql.Statement;

public class JDBCRichParallelSourceFunction extends RichParallelSourceFunction<Integer> {

  private Connection connection;


  @Override
  public void open(Configuration parameters) throws Exception {
      // 建立数据库连接
      connection = DriverManager.getConnection("jdbc:mysql://localhost:3306/mydb", "username", "password");
 
  }

  @Override
  public void run(SourceContext<Integer> ctx) throws Exception {
      Statement  statement = connection.createStatement();
      ResultSet resultSet = statement.executeQuery("SELECT * FROM my_table");
      while (resultSet.next()) {

          String value = resultSet.getString("my_column");
          // 发送数据
          ctx.collect(value);
      }
      statement.close();
  }

  @Override
  public void cancel() {
      // 停止数据读取
  }

  @Override
  public void close() throws Exception {
    
      if (connection!= null) {
          connection.close();
      }
  }
}

3. 总结

本文介绍了Flink 数据源使用，以及自定义数据库的使用方式，学了本文相信读者可以根据业务场景选择合适的数据源。