本文学习于尚硅谷的视频:B站视频
初识Flink
Flink
起源于 Stratosphere
项目,Stratosphere
是在 2010~2014 年由 3 所地处柏林的大学和欧洲的一些其他的大学共同进行的研究项目,2014 年 4 月 Stratosphere
的代 码 被 复 制 并 捐 赠 给 了 Apache
软 件 基 金 会 , 参 加 这 个 孵 化 项 目 的 初 始 成 员 是Stratosphere
系统的核心开发人员,2014 年 12 月,Flink
一跃成为 Apache
软件基金会的顶级项目。
在德语中,Flink
一词表示快速和灵巧,项目采用一只松鼠的彩色图案作为 logo
,这不仅是因为松鼠具有快速和灵巧的特点,还因为柏林的松鼠有一种迷人的红棕色,而Flink
的松鼠logo
拥有可爱的尾巴,尾巴的颜色与 Apache
软件基金会的 logo
颜色相呼应,也就是说,这是一只 Apache
风格的松鼠。
Flink
项目的理念是:“Apache Flink
是为分布式、高性能、随时可用以及准确的流处理应用程序打造的开源流处理框架”。
Apache Flink
是一个框架和分布式处理引擎,用于对无界和有界数据流进行有状态计算。Flink
被设计在所有常见的集群环境中运行,以内存执行速度和任意规模来执行计算
Flink的重要特点
事件驱动型
事件驱动型应用是一类具有状态的应用,它从一个或多个事件流提取数据,并根据到来的事件触发计算、状态更新或其他外部动作。比较典型的就是以 kafka
为代表的消息队列几乎都是事件驱动型应用。
与之不同的就是 SparkStreaming
微批次,如图
事件驱动型
用户先将数据存储在一个消息队列中,可能是Flume
或者是Kafka
,然后使用Flink
下图去处理,为了数据的可靠性,定期的做持久化的保存,这就是时间驱动
流和微批
SparkStreaming
其实不是完全的流处理,因为他需要先进行攒一批的操作,也就是所说的微批
流与批的世界观
批处理的特点是有界、持久、大量,非常适合需要访问全套记录才能完成的计算工作,一般用于离线统计。
流处理的特点是无界、实时, 无需针对整个数据集执行操作,而是对通过系统传输的每个数据项执行操作,一般用于实时统计。
在 spark
的世界观中,一切都是由批次组成的,离线数据是一个大批次,而实时数据是由一个一个无限的小批次组成的。
而在flink
的世界观中,一切都是由流组成的,离线数据是有界限的流,实时数据是一个没有界限的流,这就是所谓的有界流和无界流。
无界数据流:无界数据流有一个开始但是没有结束,它们不会在生成时终止并提供数据,必须连续处理无界流,也就是说必须在获取后立即处理event
。对于无界数据流我们无法等待所有数据都到达,因为输入是无界的,并且在任何时间点都不会完成。处理无界数据通常要求以特定顺序(例如事件发生的顺序)获取 event
,以便能够推断结果完整性。
有界数据流:有界数据流有明确定义的开始和结束,可以在执行任何计算之前通过获取所有数据来处理有界流,处理有界流不需要有序获取,因为可以始终对有界数据集进行排序,有界流的处理也称为批处理。
这种以流为世界观的架构,获得的最大好处就是具有极低的延迟
其实可以认为,批处理就是一个特殊的流处理
分层API
Flink
可以分为三层
-
越顶层越抽象,表达含义越简明,使用越方便
-
越底层越具体,表单能力越丰富,使用越灵活
最底层级的抽象仅仅提供了有状态流,它将通过过程函数(Process Function
)被嵌入到 DataStream API
中。底层过程函数(Process Function
) 与 DataStream API
相集成,使其可以对某些特定的操作进行底层的抽象,它允许用户可以自由地处理来自一个或多个数据流的事件,并使用一致的容错的状态。除此之外,用户可以注册事件时间并处理时间回调,从而使程序可以处理复杂的计算。
实际上,大多数应用并不需要上述的底层抽象,而是针对核心 API(Core APIs)
进行编程,比如 DataStream API
(有界或无界流数据)以及 DataSet API
(有界数据集)。这些API
为数据处理提供了通用的构建模块,比如由用户定义的多种形式的转换(transformations
),连接(joins
),聚合(aggregations
),窗口操作(windows
)等等。DataSet API
为有界数据集提供了额外的支持,例如循环与迭代。这些 API处理的数据类型以类(classes
)的形式由各自的编程语言所表示
Table API
是以表为中心的声明式编程,其中表可能会动态变化(在表达流数据时)。Table API
遵循(扩展的)关系模型:表有二维数据结构(schema
)(类似于关系数据库中的表),同时 API
提供可比较的操作,例如 select
、project
、join
、group-by
、aggregate
等。Table API
程序声明式地定义了什么逻辑操作应该执行,而不是准确地确定这些操作代码的看上去如何。
尽管 Table API
可以通过多种类型的用户自定义函数(UDF
)进行扩展,其仍不如核心 API
更具表达能力,但是使用起来却更加简洁(代码量更少)。除此之外,Table API
程序在执行之前会经过内置优化器进行优化
你可以在表与 DataStream/DataSet
之间无缝切换,以允许程序将 Table API
与DataStream
以及 DataSet 混合使用。
Flink
提 供 的 最高 层 级 的 抽 象 是 SQL
。 这 一 层抽 象 在 语 法 与 表 达能 力 上 与Table API
类似,但是是以 SQL
查询表达式的形式表现程序。SQL
抽象与 Table API
交互密切,同时 SQL
查询可以直接在 Table API
定义的表上执行。
目前Flink
作为批处理还不是主流,不如 Spark
成熟,所以 DataSet
使用的并不是很多。Flink Table API
和 Flink SQL
也并不完善,大多都由各大厂商自己定制。所以我们主要学习 DataStream API
的使用。实际上 Flink
作为最接近Google DataFlow
模型的实现,是流批统一的观点,所以基本上使用 DataStream
就可以了
Flink
的其他特点
-
支持事件时间和处理时间
-
精确一次的状态一致性保证
-
低延迟,每秒百万个事件处理,毫秒级延迟
-
与众多常用存储系统的连接
-
高可用、动态扩展,实现7*24小时全天候连接
项目的搭建
首先创建一个maven
项目,不做赘述
修改pom
文件
<?xml version="1.0" encoding="UTF-8"?>
<project xmlns="http://maven.apache.org/POM/4.0.0"
xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd">
<modelVersion>4.0.0</modelVersion>
<groupId>org.example</groupId>
<artifactId>Flink_Scala</artifactId>
<version>1.0-SNAPSHOT</version>
<properties>
<maven.compiler.source>8</maven.compiler.source>
<maven.compiler.target>8</maven.compiler.target>
</properties>
<dependencies>
<dependency>
<groupId>org.apache.flink</groupId>
<artifactId>flink-scala_2.12</artifactId>
<version>1.10.1</version>
</dependency>
<!-- https://mvnrepository.com/artifact/org.apache.flink/flink-streaming-scala -->
<dependency>
<groupId>org.apache.flink</groupId>
<artifactId>flink-streaming-scala_2.12</artifactId>
<version>1.10.1</version>
</dependency>
<dependency>
<groupId>org.apache.maven.plugins</groupId>
<artifactId>maven-assembly-plugin</artifactId>
<version>3.0.0</version>
</dependency>
</dependencies>
<build>
<plugins>
<!-- 该插件用于将 Scala 代码编译成 class 文件 -->
<plugin>
<groupId>net.alchim31.maven</groupId>
<artifactId>scala-maven-plugin</artifactId>
<version>3.4.6</version>
<executions>
<execution>
<!-- 声明绑定到 maven 的 compile 阶段 -->
<goals>
<goal>compile</goal>
</goals>
</execution>
</executions>
</plugin>
<plugin>
<groupId>org.apache.maven.plugins</groupId>
<artifactId>maven-assembly-plugin</artifactId>
<configuration>
<descriptorRefs>
<descriptorRef>jar-with-dependencies</descriptorRef>
</descriptorRefs>
</configuration>
<executions>
<execution>
<id>make-assembly</id>
<phase>package</phase>
<goals>
<goal>single</goal>
</goals>
</execution>
</executions>
</plugin>
</plugins>
</build>
</project>
在main
目录下创建一个Scala
文件,并且将其改成Source
文件夹
批处理
数据展示
hello hi hadoop
spark scala hello
wordcount scala
package WordCount
import org.apache.flink.api.scala.ExecutionEnvironment
import org.apache.flink.api.scala._
object WordCount {
def main(args: Array[String]): Unit = {
//创建一个批处理执行环境
val env = ExecutionEnvironment.getExecutionEnvironment
//读取数据
val inputPath = "src/main/resources/WordCount.txt"
val inputDateSet = env.readTextFile(inputPath)
//对数据进行转换处理
val result = inputDateSet
.flatMap(_.split(" "))
.map((_, 1))
.groupBy(0) //以第一个元素作为key分组
.sum(1) //第二个元素求和
//打印输出
result.print()
}
}
一定要导入下面的,这个是导入隐式转换
import org.apache.flink.api.scala._
批处理
package WordCount
import org.apache.flink.streaming.api.scala._
/**
* 流处理的WordCount
*/
object WordCountStream {
def main(args: Array[String]): Unit = {
//流处理的执行环境
val env = StreamExecutionEnvironment.getExecutionEnvironment
//监听端口,socket文本流
val inputDataStream = env.socketTextStream("192.168.23.69", 7777)
//数据转换处理
val resultDataStream = inputDataStream.flatMap(_.split(" "))
.filter(_.nonEmpty)
.map((_, 1))
.keyBy(0)
.sum(1)
resultDataStream.print()
//启动程序
env.execute("wordcount")
}
}
由于是流处理,数据是不断传输的
前面的数字是线程号
跳转顶部