一、应用场景:
Flink 消费 Kafka 数据进行实时处理,并将结果写入 HDFS。
二、Streaming File Sink
由于流数据本身是无界的,所以,流数据将数据写入到分桶(bucket)中。默认使用基于系统时间(yyyy-MM-dd--HH)的分桶策略。在分桶中,又根据滚动策略,将输出拆分为 part 文件。
1、Flink 提供了两个分桶策略,分桶策略实现了
org.apache.flink.streaming.api.functions.sink.filesystem.BucketAssigner 接口:
BasePathBucketAssigner
,不分桶,所有文件写到根目录;DateTimeBucketAssigner
,基于系统时间(yyyy-MM-dd--HH)分桶。
除此之外,还可以实现BucketAssigner接口,自定义分桶策略。
2、Flink 提供了两个滚动策略,滚动策略实现了
org.apache.flink.streaming.api.functions.sink.filesystem.RollingPolicy
接口:
-
DefaultRollingPolicy
当超过最大桶大小(默认为 128 MB),或超过了滚动周期(默认为 60 秒),或未写入数据处于不活跃状态超时(默认为 60 秒)的时候,滚动文件; -
OnCheckpointRollingPolicy
当 checkpoint 的时候,滚动文件。
具体说明见Flink官网
三、编码。
1、pom添加依赖。
<dependency>
<groupId>org.apache.flink</groupId>
<artifactId>flink-connector-filesystem_${scala.binary.version}</artifactId>
<version>${flink.version}</version>
</dependency>
<dependency>
<groupId>org.apache.flink</groupId>
<artifactId>flink-connector-kafka_${scala.binary.version}</artifactId>
<version>${flink.version}</version>
</dependency>
2、添加Source。
// 源数据
val kafkaProps = new Properties()
kafkaProps.setProperty(ConsumerConfig.BOOTSTRAP_SERVERS_CONFIG, Constant.DATA_KAFKA_BROKER)
kafkaProps.setProperty(ConsumerConfig.AUTO_OFFSET_RESET_CONFIG, "latest")
kafkaProps.setProperty(ConsumerConfig.GROUP_ID_CONFIG, "user-login-info")
val consumer010 = new FlinkKafkaConsumer010[String](Constant.DATA_KAFKA_TOPIC, new SimpleStringSchema(), kafkaProps)
val transaction = env.addSource(consumer010)
DataStream<String> sourceStream = transaction.map(xxx) …… ;
3、添加Sink。
DefaultRollingPolicy rollingPolicy = DefaultRollingPolicy
.create()
.withMaxPartSize(1024*1024*120) // 设置每个文件的最大大小 ,默认是128M。这里设置为120M
.withRolloverInterval(Long.MAX_VALUE) // 滚动写入新文件的时间,默认60s。这里设置为无限大
.withInactivityInterval(60*1000) // 60s空闲,就滚动写入新的文件
.build();
final StreamingFileSink<String> sink = StreamingFileSink
.forRowFormat(new Path("xxx"), new SimpleStringEncoder<String>("UTF-8"))
.withBucketAssigner(new MemberBucketAssigner())
.withRollingPolicy(rollingPolicy)
.withBucketCheckInterval(1000L) // 桶检查间隔,这里设置为1s
.build()
;
sourceStream.addSink(sink);
说明:
- forRowFormat 表示输出的文件是按行存储的,对应的还有 forBulkFormat,可以将输出结果用 Parquet 等格式进行压缩存储。
4、自定义BucketAssigner。
public class MemberBucketAssigner implements BucketAssigner<String, String> {
private static final long serialVersionUID = 10000L;
@Override
public String getBucketId(String info, Context context) {
// 指定桶名 yyyy-mm-dd
String[] array = info.split("\t");
System.out.println(DateUtil.format(new Date(Long.valueOf(array[5])), "yyyy-MM-dd"));
return DateUtil.format(new Date(Long.valueOf(array[5])), "yyyy-MM-dd");
}
@Override
public SimpleVersionedSerializer<String> getSerializer() {
return SimpleVersionedStringSerializer.INSTANCE;
}
}
四、总结。
截止目前,Flink 的 Streaming File Sink 仍存在不少问题,如:
- 它只支持 Hadoop 2.7 以上的版本,因为需要用到高版本文件系统提供的 truncate 方法来实现故障恢复。
-
不支持写入到 Hive。
-
写入HDFS时,会产生大量的小文件。
-
当程序突然停止时,文件仍处于inprogress状态。
-
默认桶下的文件名是 part-{parallel-task}-{count}。当程序重启时,从上次编号值加1继续开始。前提是程序是正常停止
-
除了使用StreamingFileSink外,还可以使用BucketingSink,见 这里。
-
StreamingFileSink API 见 这里。
-
间隔检查时间, 是以系统时间0秒时刻开始算的。如10:00:10运行程序,inactivityInterval=300s,bucketCheckInterval=60s,最后一次写入时间是10:05:30。则在10:11:00时,将inprocess文件转为正式文件。
如果有写的不对的地方,欢迎大家指正。有什么疑问,欢迎加QQ群:176098255
【一起学习】