七、Flink的分布式缓存

分布式缓存

Flink提供了一个分布式缓存，类似于hadoop，可以使用户在并行函数中很方便的读取本地文件，并把它放在taskmanager节点中，防止task重复拉取。

此缓存的工作机制如下：

• 程序注册一个文件或者目录(本地或者远程文件系统，例如hdfs或者s3)，通过ExecutionEnvironment注册缓存文件并为它起一个名称。

• 当程序执行，Flink自动将文件或者目录复制到所有taskmanager节点的本地文件系统，仅会执行一次。

• 用户可以通过这个指定的名称查找文件或者目录，然后从taskmanager节点的本地文件系统访问它。

示例

在ExecutionEnvironment中注册一个文件：

//获取运行环境
ExecutionEnvironment env = ExecutionEnvironment.getExecutionEnvironment();

//1：注册一个文件,可以使用hdfs上的文件 也可以是本地文件进行测试
env.registerCachedFile("/Users/wangzhiwu/WorkSpace/quickstart/text","a.txt");

在用户函数中访问缓存文件或者目录(这里是一个map函数)。这个函数必须继承RichFunction,因为它需要使用RuntimeContext读取数据:

object DfsCacheTest {
  import org.apache.flink.api.scala._
  def func = new RichMapFunction[String,String] {
    var list :List[(String)] = _

    override def open(parameters: Configuration): Unit = {
      super.open(parameters)
      super.open(parameters)
      // 获取缓存的数据
      val file = getRuntimeContext.getDistributedCache.getFile("testfile")
      val lines = Source.fromFile(file.getAbsoluteFile).getLines()
      list = lines.toList
    }
    override def map(value: String): String = {
      var middle: String = ""
      if(list.head.contains(value)) {
        middle = value
      }
      middle
    }
  }
  def main(args: Array[String]): Unit = {
    val env = ExecutionEnvironment.getExecutionEnvironment
    //    固定间隔： 间隔10秒 重启3次
    env.setRestartStrategy(RestartStrategies.fixedDelayRestart( 3, Time.of(10, TimeUnit.SECONDS) ))
    //    分布式缓存就相当于spark的广播,把一个变量广播到所有的executor上,也可以看做是Flink的广播流,只不过这里广播的是一个文件.
    // 注册缓存的文件,里面有数据hello,jason
    env.registerCachedFile("cache/test.txt", "testfile")
    val stream = env.fromElements("hello", "jason", "hello", "jim")
    val result = stream.flatMap(_.split(","))
      .map(func)
      .map((_,1L))
      .filter(_._1.nonEmpty)
      .groupBy(0)
      .sum(1)
    result.print()
//(jason,1)
//(hello,2)
  }
}