四、Flink入门-- DataStream API

1.DataStream 概览

1.1 使用示例

package com.lyh.flink

import org.apache.flink.streaming.api.scala._
import org.apache.flink.streaming.api.windowing.time.Time

object SocketWindowWordCount {
  def main(args: Array[String]): Unit = {
    val env: StreamExecutionEnvironment = StreamExecutionEnvironment.getExecutionEnvironment
    val dStream: DataStream[String] = env.socketTextStream("localhost", 9999, '\n')

    val windowWordCount = dStream.flatMap(w => w.split("\\s"))
      .map(w => WordWithCount(w, 1))
      .keyBy(0)
      .timeWindow(Time.seconds(5))
      .sum(1)
      .setParallelism(1)

    windowWordCount.print()
    env.execute("Socket Window WordCount")
  }

  case class WordWithCount(word: String, count: Int)

}

启动并查看结果：

nc -lk 9999
hello word word

1> WordWithCount(hello,1)
2> WordWithCount(word,2)

1.2 数据源 Data Source

• File
  • readFile
  • readTextFile
• Socket
  • socketTextStream
• Collection
  • fromCollection()
  • fromElement()
  • fromParallelCollection()
• Custom自定义
  • addSource()方法

1.3 数据输出 Data Sink

• print()
• writeAsText()
• writeAsCsv()
• writeToSocket()
• writeUsingOutputFormat()
• addSink()

1.4 Opeator作用概览

算子名称	转换类型	描述
map	DataStream → DataSteam
flatMap	DataStream → DataSteam
filter	DataStream → DataSteam
keyBy	DataStream → KeyedStream
reduce	KeyedStream → DataStream
fold	KeyedStream → DataStream
aggregations	KeyedStream → DataStream	sum,min,max,minBy,maxBy
window	KeyedStream → DataStream
windowAll	DataStream → AllWindowedStream
window apply	WindowedStream → DataStream/AllWindowedStream → DataStream
window reduce	WindowedSteam → DataStream
fold	WindowedSteam → DataStream
aggregations on window	WindowedSteam → DataStream	sum,min,max,minBy,maxBy聚合函数
union	DataStream → DataStream
join	DataStream,DataStream → DataStream
intervalJoin	KeyedStream,KeyedStream → DataStream
coGroup	DataStream,DataStream → DataStream
connect	DataStream,DataStream → ConnectedStreams
coMap	ConnectedStreams → DataStream
split	DataStream → SplitStream
select	SplitStream → DataStream
iterator	DataStream → IterativeStream → DataStream
assignTimestamps	DataStream → DataStream

1.5 KeyedStream

在flink中一个很重要的operator就是keyby这个算子，可能会占比到70-80%，我们着重理解一下keyedstream.假设一个有DataStream，按照窗口操作，比如1个小时的counter。如果这个1小时数据量非常的大，那么在flink单个taskmanager肯定算不完，需要多台计算节点来计算，这时候用到keyby将相同特性的key分发到不同的tm进行计算，最后对结果进行汇总保存这时候充分体现了flink分布式计算的威力。同时我们知道flink是状态流计算，调用keyby后可以由各小块计算只负责自己那一部分的状态，不用关心其他的状态。同时调用keyby后数据划分会非常明确，不会随任务的重启，并发度等影响，故在数据恢复时也会比较方便。最后注意应用keyby是一定要保证key的数量远远大于并发度，不然的话会有很多资源是空跑状态。

1.6 物理分组

global:无论下游有多少个实例，都会发往下游的第一个实例.A1->b1,A2->B2.很少用
brocast:将上游实例都发一份到下游所有实例。A1->(b1-b5) A2->(b1-b5) 广播适用于小内存算子
forward : 一对一发送 A1->A2,B1-B2
shuffle:随机分配
rebalance:round-robin分配
recale: local round-robin分配（在本机轮循）
partitionCustom():自定义分组逻辑，函数只能返回一个具体的下游实例，不能返回一组或多个，所以可以叫单播

1.7类型系统

DataStream需要一个明确的类型，例如：DataStream,DataStream<Tuple2<String,Integer>>

类型	说明
基本类型	String,java基本类型包装类
复合类型	tuple或scala中的row, case class,POJO
集合类型	option,either,list,map
上述类型的数组
其他类型	自定义typeinformation或kryo不推荐使用

• Tuple不支持null字段,而且不能超过25个字段
• Row类型支持null字段
• 尽量使用flink内置的类型

2.DataStream API原理

一个DataStream是怎么转换为另一个DataStream的呢？

DataStream调用map方法-->
调用DataStream.transform方法(入参是一个function)-->
Function生成OneInputStreamOperator-->
OneInputStreamOperator生成OneInputTransformation,transformation会添加到transformations list中，后续生成StreamGraph时会用到--> 
由OneInputTransformation可以生成SingleOutputStreamOperator-->
SingleOutputStreamOperator继承自DataStream也就是一个新的DataStream