课程大纲 |
课程内容 |
学习效果 |
掌握目标 |
DataSet/Stream |
Dataset/stream |
掌握 |
|
Window操作 |
Window |
掌握 |
- DataSet/Stream API
Flink处理主要是分为流处理和批量处理。流处理、批量处理使用的api也大致相同,两者有很多相似之处,但是也有略微的不同之处,下面就两者api共同介绍一下。
最难写最复杂就是tramsform,这里面涉及到业务,不同的业务有不同的处理规则。
1.1 Environment
1.1.1 getExecutionEnvironment
创建一个执行环境,表示当前执行程序的上下文。 如果程序是独立调用的,则此方法返回本地执行环境;如果从命令行客户端调用程序以提交到集群,则此方法返回此集群的执行环境,也就是说,getExecutionEnvironment 会根据查询运行的方式决定返回什么样的运行环境,是最常用的一种创建执行环境的方式。
val env: ExecutionEnvironment = ExecutionEnvironment.getExecutionEnvironment val env = StreamExecutionEnvironment.getExecutionEnvironment |
如果没有设置并行度,会以 flink-conf.yaml 中的配置为准,默认是 1。
1.2 Source
1.2.1 基于本地集合的source
在一个本地内存中,生成一个集合作为Flink处理的source。
离线处理代码如下:
import org.apache.flink.api.scala.ExecutionEnvironment
import org.apache.flink.api.scala._
object ListSource {
def main(args: Array[String]): Unit = {
val env = ExecutionEnvironment.getExecutionEnvironment
val listDataSet: DataSet[String] = env.fromCollection(List("hadoop spark","hive hbase"))
listDataSet.print()
}
}
1.2.2 基于本地文件的source
导入本地文本数据作为数据源。
离线处理代码如下:
import org.apache.flink.api.scala.{DataSet, ExecutionEnvironment}
object FileSource {
def main(args: Array[String]): Unit = {
val env = ExecutionEnvironment.getExecutionEnvironment
val fileDataSet = env.readTextFile("C:\\Users\\thinkpad\\Desktop\\words.txt")
fileDataSet.print()
实时处理代码如下:
import org.apache.flink.streaming.api.scala.{DataStream, StreamExecutionEnvironment}
object FileSourceStream {
def main(args: Array[String]): Unit = {
val env = StreamExecutionEnvironment.getExecutionEnvironment
val fileDataStream: DataStream[String] = env.readTextFile("C:\\Users\\thinkpad\\Desktop\\words.txt")
fileDataStream.print()
env.execute("FileSourceStream is runned")
}
}
1.2.3 基于HDFS的source
读取hdfs文件,作为数据源。
离线处理代码如下:
import org.apache.flink.api.scala.{DataSet, ExecutionEnvironment}
object hdfsSource {
def main(args: Array[String]): Unit = {
val env = ExecutionEnvironment.getExecutionEnvironment
val hdfsDataSet: DataSet[String] = env.readTextFile("hdfs://linux01:9000/a.txt")
hdfsDataSet.print()
}
}
实时处理代码如下:
import org.apache.flink.streaming.api.scala.{DataStream, StreamExecutionEnvironment}
object hdfsSourceStream {
def main(args: Array[String]): Unit = {
val env = StreamExecutionEnvironment.getExecutionEnvironment
val hdfsDataStream: DataStream[String] = env.readTextFile("hdfs://linux01:9000/a.txt")
hdfsDataStream.print()
env.execute("hdfsSourceStream is runned")
}
}
1.2.4 基于 kafka 消息队列的source
处理代码如下:
import java.util.Properties
import org.apache.flink.api.common.serialization.SimpleStringSchema
import org.apache.flink.streaming.api.scala.{DataStream, StreamExecutionEnvironment}
import org.apache.flink.streaming.connectors.kafka.FlinkKafkaConsumer010
import org.apache.flink.api.scala._
object kafkaSourceStream {
def main(args: Array[String]): Unit = {
val env = StreamExecutionEnvironment.getExecutionEnvironment
val props = new Properties()
props.setProperty("bootstrap.servers", "linux01:9092,linux02:9092,linux03:9092")
props.setProperty("group.id", "consumer-group")
props.setProperty("key.deserializer", "org.apache.kafka.common.serialization.StringDeserializer")
props.setProperty("value.deserializer", "org.apache.kafka.common.serialization.StringDeserializer")
props.setProperty("auto.offset.reset", "latest")
//SimpleStringSchema反序列化工具
val kafkaDataStream: DataStream[String] =
env.addSource(new FlinkKafkaConsumer010[String]("test",new SimpleStringSchema(),props))
kafkaDataStream.print()
env.execute(“kafkaSourceStream is runned”)
}
}
1.2.5 自定义 Source作为数据源
除了以上的source数据来源,我们还可以自定义source,只是继承SourceFunction即可。
自定义source代码如下:
mport org.apache.flink.streaming.api.functions.source.SourceFunction
class MySource extends SourceFunction[String] {
//定义标志位用来标记是否正常运行
var running = true
override def cancel(): Unit = {
running = false
}
override def run(sourceContext: SourceFunction.SourceContext[String]): Unit = {
val data: Range.Inclusive = 1.to(10)
while (running) {
data.foreach(t => {
sourceContext.collect(t.toString)
})
}
}
}
调用自定义source代码如下:
mport org.apache.flink.streaming.api.scala.{DataStream, StreamExecutionEnvironment}
import org.apache.flink.api.scala._
object DefineSource {
def main(args: Array[String]): Unit = {
val env = StreamExecutionEnvironment.getExecutionEnvironment
val defineSource: DataStream[String] = env.addSource(new MySource())
defineSource.print()
env.execute("DefineSource is runned")
}
}
1.3 Sink
sink 也就是Flink运行完后,最终要将数据输出到哪儿。
1.3.1基于本地内存集合的sink
将数据最终输出到内存中的集合中。
示例代码如下:
import org.apache.flink.api.scala.ExecutionEnvironment
import org.apache.flink.api.scala._
object listSink {
def main(args: Array[String]): Unit = {
val env = ExecutionEnvironment.getExecutionEnvironment
val listDataSet: DataSet[String] = env.fromCollection(List("hadoop","spark","hive"))
val list: Seq[String] = listDataSet.collect()
list.foreach(println(_))
}
}
1.3.2基于本地文件的sink
将结果输出到本地文件系统中。
示例代码如下:
import org.apache.flink.api.scala.ExecutionEnvironment
import org.apache.flink.api.scala._
object fileSink {
def main(args: Array[String]): Unit = {
val env = ExecutionEnvironment.getExecutionEnvironment
val fileDataSet: DataSet[Strin