大家好,我是老兵。
Flink基于流编程
模型,内置了很多强大功能的算子,可以帮助我们快速开发应用程序。
作为Flink开发老手,大多算子的写法和场景想来已是了然于胸,但是使用过程常常会有一些小小的问题:
部分算子长时间未用,忘了用法。。
某些场景选择什么算子?如何选择?含糊不清。。
工欲善其事,必先利其器!快速高效的使用合适的算子开发程序,往往可以达到事半功倍的效果。
想着好记性不如烂笔头
这个道理,特此整理一份常见的Flink算子开发手册
!!也作为自己的工作笔记。欢迎大家收藏~
1 DataStream API
Flink DataStream API
让用户灵活且高效编写Flink流式程序。主要分为DataSource
模块、Transformation
模块以及DataSink
模块。
Flink编程模型流程示意
-
Source模块定义
数据接入
功能,包括内置数据源和外部数据源。 -
Transformation模块定义DataStream数据流各种
转换
操作。 -
Sink模块定义数据
输出
功能,存储结果到外部存储介质中。
执行环境: StreamExecutionEnvironment
系统模块 :
DataSouce、Transformation和DataSink
2 DataSource 输入
DataSource输入模块定义了DataStream API中的数据输入操作,Flink输入数据源分为内置数据源
和第三方数据源
两种类型。
-
内置数据源包括
文件
、Socket网络端口
以及集合
类型数据,不需要引入其他依赖库,在Flink系统内部已经实现。 -
第三方数据源定义了Flink和外部系统数据交互逻辑,例如
Apache Kafka Connector
、Elastic Search Connector
等。 -
同时用户可以自定义数据源。
DataSource算子全景图
2.1 readTextFile、readFile算子
支持读取文本文件到Flink系统,转换成DataStream数据集。
-
readTextFile算子
直接读取系统文本文件(.log|.txt ...) -
readFile算子
可以指定InputFormat
读取特定数据类型的文件(包括CSV、JSON或者自定义InputFormat)
// 读取文本文件
val textInputStream = env.readTextFile(
"/data/example.log")
// 指定InputFormat,读取CSV文件
val csvInputStream = env.readFile(
// 可以自定义类型(InputFormat)
new CsvInputFormat[String] (
new Path("/data/example.csv")
) {
override def fillRecord(out: String,
onbjects: Array[AnyRef]: String) = {
return null
}
}, "/data/example.csv"
)
2.2 Socket算子
支持从Socket端口读取数据,转换成DataStream算子。
-
算子参数
:Ip地址、端口、delimiter字符串切割符、最大重试次数maxRetry -
maxRetry
主要提供任务失败重连机制。当设定为0时,Flink任务直接停止。 -
Unix环境下,执行
nc -lk [:port]
启动网络服务
// Flink程序读取Socket端口(9999)数据
val socketDataStream =
env.socketTextStream("localhost", 9999)
2.3 集合算子
支持操作Flink内置集合类(Collection),转换成DataStream。
-
支持
Java
、Scala
算子常见集合类 -
本质是将本地集合数据分发到远程执行;适用于
本地测试
,注意数据结构类型的一致性
// fromElements元素集合转换
val elementDataStream =
env.fromElements(
Tuple2('aa', 1L),Tuple2('bb', 2L)
)
// fromCollection数组转换(Java)
String[] collections = new String[] {
"aa", "bb"
};
DataStream<String> collectionDatastream =
env.fromCollection(
Arrays.asList(collections)
);
// List列表转换(Java)
List<String> arrays = new ArrayList<>();
arrays.add("aa")
arrays.add("bb")
DataStream<String> arrayDataStream =
env.fromCollection(arrays)
2.4 外部数据源算子
支持从第三方数据源系统读取数据,转换成DataStreams算子。
-
常见外部数据源算子: Hadoop FileSystem、ElasticSearch、 Apache Kafka、RabbitMQ等
-
使用时需要在Maven环境中添加jar包依赖(pom)
// Maven配置
<dependency>
<groupId>org.apache.flink</groupId>
<artifactId>flink-connector-kafka-1.2_2.12</artifactId>
<version>1.9.1</version>
</dependency>
// 读取Kafka数据源(Java)
Properties prop = new Properties();
prop.setProperty("bootstrap.servers", "localhost:9092");
...
DataStream<String> kafkaStream =
env.addSource(
new FlinkKafkaStream010<> (
"topic-1",
new SimpleStringSchema(),
properties
)
)
2.5 自定义数据源算子
支持实现内置的Function相关接口,自定义数据源。
具体的内置方法包含但不限于:
-
SourceFunction接口
-
ParallelSourceFunction接口
-
RichParallelSourceFunction类
后续再通过env的addSource()方法添加,具体实现不展开。
3 DataStream转换
Flink对若干个DataStream操作生成新的DataStream,该过程被称为Transformation
。
Transformation操作概览
Flink程序中大多数逻辑均在Transformation过程中完成,包含转换
、过滤
、排序
、连接
、关联
、选择
和聚合
等操作。
注意和Spark中transformation的区别。
Transformation算子全景图
Flink中DataStream转换可以分为几种类型:
-
Single DataStream
: 单个DataStream数据集元素处理逻辑 -
Multi DataStream
: 多个DataStream数据集元素处理逻辑 -
物理分区
:数据集并行度和数据分区处理
3.1 Map算子(#Single)
对数据集中每个元素进行转换操作,生成新DataStream。
Map算子示意图
-
底层为MapFunction算子。通过调用map函数,对每个元素执行操作。
-
常用于数据清洗、计算和转换等。
val inputStream = env.fromElements(
("aa", 1), ("bb", 2), ("cc", 3)
)
// 第一种写法: map操作,完成每个元素 + 1
val mapStream1 = inputStream.map(
t => (t._1, t.2 + 1)
)
// 第二种写法: 指定MapFunction
val mapStream2 = inputStream.map(
new MapFunction[(String, Int), (String, Int)] {
override def map(t: (String, Int)):
(String, Int) = {
(t._1, t._2 + 1)}
}
)
3.2 FlatMap算子(#Single)
支持对数据集中所有元素转换成多个元素,生成新DataStream。
FlatMap算子示意图
val flatDataStream = env.fromCollections()
val resultStream = flatDataStream.flatMap{
line => line.split(",")
}
3.3 filter算子(#Single)
支持对数据集进行过滤筛选,生成新的DataStream
filter算子示意图
// 通配符写法
val filterDataStream = dataStream.fliter {
_ % 2 == 0
}
// 指定运算符表达式
val filterDS = dataStream.filter(
x => x % 2 == 0
)
3.4 keyBy算子(#Single)
根据指定Key对DataStream数据集分区,生成新的KeyedStream
keyBy算子示意图
-
相同Key值的数据归并到同一分区
-
类似于Spark中的groupByKey
val inputStream = env.fromElements(
("aa", 11), ("aa", 22), ("bb", 33)
)
// 根据第一个字段作为key分区
// 转换为KeyedStream[(String, String), Tuple]
val keyedStream: inputStream.keyBy(0)
3.5 reduce算子(#Single)
支持对输入KeyedSteam根据reduce()聚合,生成新的DataStream
reduce算子示意图
-
根据key分区聚合形成KeyedStream
-
支持运算符和自定义reduceFunc函数
val inputStream = env.fromElements(
("aa", 11), ("bb", 33), ("cc", 22), ("aa", 21)
)
// 指定第一个字段分区key
val keyedStream = inputStream.keyBy(0)
// 对第二个字段进行累加求和
val reduceDataStream = keyedStream.reduce {
(t1, t2) => (t1._1, t1._2 + t2._2)
}
自定义Reduce函数,需要实现匿名类。
val reduceDataStream = keyedStream.reeduce(
new ReduceFunction[(String, Int)] {
override def reduce(t1: (String,Int),
t2: (String, Int)): (String, Int) = {
(t1._1, t1._2 + t2._2)
}
}
)
3.6 aggregations算子(#Single)
DataStream基础聚合算子,通过输入KeyedStream进行聚合生成新的DataStream
aggregations算子示意图
-
根据指定字段聚合,可自定义聚合逻辑
-
底层封装了sum、min、max等函数
val inputStream = env.fromElements(
(1, 7), (2, 8), (3, 11), (2, 3)
)
// 指定第一个字段分区key
val keyedStream:
[(Int, Int), Tuple] = inputStream.keyBy(0)
// 第二个字段sum统计
val sumStream = keyedStream.sum(1)
// 最后输出结果
sumStream.print()
3.7 Connect合并算子(#Multi)
合并多种类型数据集,并保留原数据集的数据类型,生成ConnectedStream
Connect算子示意图
-
共享
状态数据,可互相获取数据集状态 -
某些场景下可替代join算子,变相实现flink
双流join
功能
// 创建不同数据类型数据集
val stream1 = env.fromElements(
("aa", 3), ("bb", 4), ("cc", 11), ("dd", 22)
)
val stream2 = env.fromElements(
(1, 2, 11, 8)
)
// 连接数据集
// 返回[(String, Int), Int]
// 类似: [("aa", 3),1]
val connectedStream = stream1.connect(stream2)
3.8 Connect算子—CoMap(#Multi)
ConnectedStream数据流的Map功能算子,操作合并数据集所有元素
-
定义CoMapFunction对象,参数为输入数据类型、输出数据类型和mapFunc
-
子map函数多线程交替执行,生成最终的合并目标数据集
// 上文Connected操作后形成的数据流
// 参数: 第1个为stream1类型;第2个为stream2类型;第3个为stream3类型
val resultStream = connnectedStream.map(
new CoMapFunction[(String, Int), Int, (Int, String)] {
// 定义第一个数据集处理逻辑,输入值为stream1
override def map1(in1: (String, Int)): (Int, String) = {
(in1._2, in1._1)
}
// 定义第二个数据集处理逻辑,输入值为stream2
override def map2(in2: Int): (Int,String)={
(in2, "default")
}
)
3.9 Connect算子—CoFlatMap(#Multi)
ConnectedStream数据流的flatmap功能算子
在flatmap()方法中指定CoFlatMapFunction,并分别实现flatmap1()和flatmap2()函数。
val resultStream2 = connectedStream.flatMap(
new CoFlatMapFunction[(String, Int), Int, (String, Int, Int)] {
// 举例: 函数中共享变量,完成两个数据集合并
var value = 0
// 定义第1个数据集处理函数
override def flatMap1(in1: (String, Int),
collect: Collector[(String, Int, Int)]): Unit = {
collect.collect((in1._1, in1._2, value))
}
}
// 定义第2个数据集处理函数
override def flatMap2(in2: Int, collect: Collector[(String, Int, Int)]): Unit = {
value = in2
}
)
3.10 Union算子(#Multi)
将两个或者多个数据集合并,生成与输入数据集类型一致的DataStream
union算子示意图
-
输入数据集的数据类型要求一致
-
输出数据集的数据类型和输入数据一致
-
注意和connect算子的区别
val stream1 = env.fromElements(
("aa", 3), ("bb", 22), ("cc", 45)
)
val stream2 = env.fromElements(
("dd", 23), ("ff", 21), ("gg", 89)
)
val stream3 = ....
// 合并数据集
val unionStream = stream1.union(stream2)
val unionStream2 = stream1.union(
stream2, stream3
)
3.11 Split算子(#Multi)
将DataStream数据集按照条件拆分,转换成两个数据集的DataStream算子
split算子示意图
-
将接入的数据路由到多个输出数据集,在
split
函数中定义拆分逻辑 -
可以被看作是union的逆向实现
val stream1 = env.fromElements(
("aa", 3), ("bb", 33),
("cc", 56),("aa", 23), ("cc", 67)
)
// 根据第二个字段的奇偶性标记数据(切分)
val splitStream = stream1.split(
v => if (v._2 % 2 == 1 Seq("even")
else Seq("odd"))
)
3.12 Select算子(#Multi)
Select筛选算子,通过条件选择数据集中元素,生成新的DataStream
select算子示意图
// 筛选偶数数据
val evenStream = splitedStream.select("even")
//筛选所有数据
val allStream = splitedStream.select("even", "odd")
3.13 window窗口算子(时间机制)
Flink的窗口算子是实时计算的核心算子,常用于某固定时间内指标统计
window算子原理图
1)窗口API
Flink提供了高级窗口API算子,封装底层窗口操作,包括窗口类型、触发器、侧输出等。同时根据上游输入Stream流分为Non-Keyed和Keyed两种类型。
-
Non-keyed(上游为Non-KeyedStream) 直接调用windowAll(),获取全局统计
val inputStream: DataStream = ...
// 当传入为KeyedStream时,调用window()函数
inputStream.keyBy(0).window(new WindowFunc(...))
// 当传入为不做处理的Non-Keyed输入Stream流
// 直接使用windowAll()全局统计
inputStream.windowAll(new WindowFunc(...))
-
keyed(上游为KeyedStream类型)
调用DataStream的内置window()
stream.keyBy(..//keyed输入流.)
.window(..//窗口类型.)
.trigger(.//触发器<可选>..)
.evictor(.//剔除器<可选>.)
.allowdedLateness(.//延迟处理机制.)
.sideOutputLateDate(.//侧输出.)
.reduce/fold.aggregate/apply(.//计算函数.)
2)窗口类型
根据窗口的分配方式分为: 滚动
、滑动
、会话
和全局
等,分别支持不同窗口流动方式和范围。
同时支持事件时间和处理时间数据流。
-
Tumbling Window Join (滚动窗口)
-
Sliding Window Join (滑动窗口)
-
Session Widnow Join(会话窗口)
以十分钟时间滑动窗口统计案例说明:
val tumblingStream = inputStream
.keyBy(0)
.window(
TumblingEventTimeWindows.of(
Time.seconds(10))
).process(...)
4 DataSink输出
Flink读取数据源,经过系列Transform操作后,结果一般转存至外部存储介质或者下游,即Flink的DataSink
过程。
DataSink算子全景图
Flink将外部存储的连接逻辑封装在Connector连接器中,常见的有:
-
Apache Kafka
-
ElasticSearch
-
Hadoop FileSystem
-
Redis
-
文件系统、端口
4.1 文件|端口
支持文件、客户端、Socket网络输出,为Flink内置算子,不需要依赖三方库
常见有writeAsCSV(本地文件)、writeToSocket(Socket网络)
// 本地csv
inputStream.writeAsCsv(
"file://path/xx.csv", WriteMode.OVERWRITE
)
// Socket网络
inputStream.writeToSocket(
host, post, new SimpleStringSchema()
)
4.2 外部第三方
基于SinkFunction定义,需要引入外部三方依赖库,设置三方系统参数
val dataStream = ...
// 定义FlinkKafkaProducer
val kafkaProducer = new FlinkKafkaProducer011[Sting] (
"localhost:9092", //kafka broker list连接
"xxx-topic", // kafka topic
new SimpleStringSchema() //序列化
)
// 添加SinkFunc
dataStream.addSink(kafkaProducer())
5 总结
Flink内置的算子库种类全、功能强大,熟练掌握算子的使用方式和场景应用,是实时计算的必备技能。
后面还会继续更新此系列,欢迎添加我的个人微信: youlong525
,一起学习交流~
未完待续。。请关注大数据兵工厂