5.1 Environment
在学习**FLINK**过程中的一些新的笔记
5.1.1 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
或
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。
# The parallelism used for programs that did not specify and other parallelism.
parallelism.default: 1
5.1.2 createLocalEnvironment
返回本地执行环境,需要在调用时指定默认的并行度。
val env = StreamExecutionEnvironment.createLocalEnvironment(1)
5.1.3 createRemoteEnvironment
返回集群执行环境,将 Jar 提交到远程服务器。需要在调用时指定 JobManager
的 IP 和端口号,并指定要在集群中运行的 Jar 包。
val env = ExecutionEnvironment.createRemoteEnvironment("jobmanage-hostname", 6123,"YOURPATH//wordcount.jar")
端口 6123 指 RPC( jobmanager.rpc.port)
5.2 Source
5.2.1 从集合读取数据
// 定义样例类,传感器 id,时间戳,温度
case class SensorReading(id: String, timestamp: Long, temperature: Double)
object Sensor {
def main(args: Array[String]): Unit = {
val env = StreamExecutionEnvironment.getExecutionEnvironment
val stream1 = env .fromCollection(
List(
SensorReading("sensor_1", 1547718199, 35.80018327300259),
SensorReading("sensor_6", 1547718201, 15.402984393403084),
SensorReading("sensor_7", 1547718202, 6.720945201171228),
SensorReading("sensor_10", 1547718205, 38.101067604893444)
)
)
stream1.print("stream1:").setParallelism(1)
env.execute() }
}
5.2.2 从文件读取数据
val stream2 = env.readTextFile("YOUR_FILE_PATH")
5.2.3 以 kafka 消息队列的数据作为来源
需要引入 kafka 连接器的依赖:
<!-- https://mvnrepository.com/artifact/org.apache.flink/flink-connector-kafka-0.11 -->
org.apache.flink</groupId> flink-connector-kafka-0.11_2.11</artifactId>
1.7.2</version>
<dependency>
<groupId>org.apache.flink</groupId>
<artifactId>flink-connector-kafka-0.11_2.11</artifactId>
<version>1.7.2</version>
</dependency>
val properties = new Properties() properties.setProperty("bootstrap.servers", "localhost:9092")
properties.setProperty("group.id", "consumer-group")
properties.setProperty("key.deserializer", "org.apache.kafka.common.serialization.StringDeserializer") properties.setProperty("value.deserializer","org.apache.kafka.common.serialization.StringDeserializer")
properties.setProperty("auto.offset.reset", "latest")
val stream3 = env.addSource(new FlinkKafkaConsumer011[String]("sensor", new SimpleStringSchema(), properties))
因为flink是一条一条消费,所以不会存在数据未消费就丢失的情况。就算需要修复,也比较好找回。
5.2.4 自定义 Source
除了以上的 source 数据来源,还可以自定义 source。需要做的,只是传入一个 SourceFunction 就可以。具体调用如下:
val stream4 = env.addSource( new MySensorSource() )
可以随机生成传感器数据,MySensorSource 具体的代码实现如下:
class MySource() extends SourceFunction[SensorReading]{
// 定义一个flag ,表示数据源是否正常运行
var running: Boolean = true
// 正常生成数据
override def run(sourceContext: SourceFunction.SourceContext[SensorReading]): Unit = {
// 初始化一个随机数据
val range = new Random()
// 初始化定义一组温度数据
var curTemp = 1.to(10).map(
// nextGaussian 高斯随机数 (正态分布)c
i =>("sensor_"+ i,60 + range.nextGaussian() * 10)
)
// 产生数据量
while (running) {
// 在前一次的基础上更新温度值
curTemp = curTemp.map(
t => (t._1,t._2 + range.nextGaussian())
)
// 获取当前时间戳
val curTime = System.currentTimeMillis()
curTemp.foreach(
t =>sourceContext.collect(SensorReading(t._1,curTime,t._2))
)
Thread.sleep(1000)
}
}
// 获取数据源生成
override def cancel(): Unit = {
running = false
}
}
5.3 Transform
转换算子
5.3.1 map
val streamMap = stream.map { x => x * 2 }
5.3.2 flatMap
flatMap 的函数签名:def flatMap[A,B](as: List[A])(f: A ⇒ List[B]): List[B] 例如: flatMap(List(1,2,3))(i ⇒ List(i,i))
结果是 List(1,1,2,2,3,3),
而 List(“a b”, “c d”).flatMap(line ⇒ line.split(" "))
结果是 List(a, b, c, d)。
val streamFlatMap = stream.flatMap{
x => x.split(" ")
}
5.3.3 Filter
val streamFilter = stream.filter{
x => x == 1
}
5.3.4 KeyBy
DataStream → KeyedStream:逻辑地将一个流拆分成不相交的分区,每个分区包含具有相同 key 的元素,在内部以 hash 的形式实现的。
5.3.5 滚动聚合算子(RollingAggregation)
这些算子可以针对 KeyedStream 的每一个支流做聚合。keyby之后可以做dataStream。尽可能打的去使用分布式操作。
- sum()
- min()
- max()
- minBy()
- maxBy()
5.3.6 Reduce
KeyedStream → DataStream:一个分组数据流的聚合操作,合并当前的元素 和上次聚合的结果,产生一个新的值,返回的流中包含每一次聚合的结果,而不是 只返回最后一次聚合的最终结果。
val stream2 = env.readTextFile("YOUR_PATH\\sensor.txt") .map( data => {
val dataArray = data.split(",")
SensorReading(dataArray(0).trim, dataArray(1).trim.toLong, dataArray(2).trim.toDouble)
.keyBy("id")
//上一次的时间戳加1,当前的温度加10。 x表示上一次的数据,y表示这一次的数据。
.reduce( (x, y) => SensorReading(x.id, x.timestamp + 1, y.temperature+10) )
})
5.3.7Split 和 Select
Split
DataStream → SplitStream:根据某些特征把一个 DataStream 拆分成两个或者
多个 DataStream。
Select
SplitStream→DataStream:从一个 SplitStream 中获取一个或者多个 DataStream。
需求:传感器数据按照温度高低(以 30 度为界),拆分成两个流。
val splitStream = stream2 .split( sensorData => {
if (sensorData.temperature > 30) Seq("high") else Seq("low")
})
val high = splitStream.select("high")
val low = splitStream.select("low")
val all = splitStream.select("high", "low")
5.3.8 Connect 和 CoMap
DataStream,DataStream → ConnectedStreams:连接两个保持他们类型的数据
流,两个数据流被 Connect 之后,只是被放在了一个同一个流中,内部依然保持各 自的数据和形式不发生任何变化,两个流相互独立。
CoMap,CoFlatMap
ConnectedStreams → DataStream:作用于 ConnectedStreams 上,功能与 map 和 flatMap 一样,对 ConnectedStreams 中的每一个 Stream 分别进行 map 和 flatMap 处理。
val warning = high.map( sensorData => (sensorData.id, sensorData.temperature) )
val connected = warning.connect(low)
val coMap = connected.map(
warningData => (warningData._1, warningData._2, "warning"), lowData => (lowData.id, "healthy")
)
5.3.9 Union
DataStream → DataStream:对两个或者两个以上的 DataStream 进行 union 操
作,产生一个包含所有 DataStream 元素的新 DataStream。
//合并以后打印
val unionStream: DataStream[StartUpLog] = appStoreStream.union(otherStream) unionStream.print("union:::")
** Connect 与 Union 区别: **
- Union 之前两个流的类型必须是一样,Connect 可以不一样,在之后的 coMap 中再去调整成为一样的。
- Connect 只能操作两个流,Union 可以操作多个。
5.4 支持的数据类型
Flink 流应用程序处理的是以数据对象表示的事件流。所以在 Flink 内部,我们 需要能够处理这些对象。它们需要被序列化和反序列化,以便通过网络传送它们; 或者从状态后端、检查点和保存点读取它们。为了有效地做到这一点,Flink 需要明 确知道应用程序所处理的数据类型。Flink 使用类型信息的概念来表示数据类型,并 为每个数据类型生成特定的序列化器、反序列化器和比较器。
Flink 还具有一个类型提取系统,该系统分析函数的输入和返回类型,以自动获 取类型信息,从而获得序列化器和反序列化器。但是,在某些情况下,例如 lambda 函数或泛型类型,需要显式地提供类型信息,才能使应用程序正常工作或提高其性 能。
Flink 支持 Java 和 Scala 中所有常见数据类型。使用最广泛的类型有以下几种。
5.4.1 基础数据类型
Flink 支持所有的 Java 和 Scala 基础数据类型,Int, Double, Long, String, …
val numbers: DataStream[Long] = env.fromElements(1L, 2L, 3L, 4L)
numbers.map( n => n + 1 )
5.4.2 Java 和 Scala 元组(Tuples)
val persons: DataStream[(String, Integer)] = env.fromElements( ("Adam", 17),
("Sarah", 23) ) persons.filter(p => p._2 > 18)
5.4.3 Scala 样例类(case classes)
case class Person(name: String, age: Int)
val persons: DataStream[Person] = env.fromElements( Person("Adam", 17),
Person("Sarah", 23) )
persons.filter(p => p.age > 18)
5.4.4 Java 简单对象(POJOs)
public class Person {
public String name;
public int age;
public Person() {}
public Person(String name, int age) {
this.name = name;
this.age = age; }
}
DataStream<Person> persons = env.fromElements(
new Person("Alex", 42), new Person("Wendy", 23));
5.4.5 其它(Arrays, Lists, Maps, Enums, 等等)
Flink 对 Java 和 Scala 中的一些特殊目的的类型也都是支持的,比如 Java 的
ArrayList,HashMap,Enum 等等。
5.5 实现 UDF 函数——更细粒度的控制流
5.5.1 函数类(Function Classes)
Flink 暴露了所有 udf 函数的接口(实现方式为接口或者抽象类)。例如 MapFunction, FilterFunction, ProcessFunction 等等。
下面例子实现了 FilterFunction 接口:
class FilterFilter extends FilterFunction[String] {
override def filter(value: String): Boolean = { value.contains("flink")
} }
val flinkTweets = tweets.filter(new FlinkFilter)
还可以将函数实现成匿名类
val flinkTweets = tweets.filter(
new RichFilterFunction[String] {
override def filter(value: String): Boolean = {
value.contains("flink") }
} )
我们 filter 的字符串"flink"还可以当作参数传进去。
val tweets: DataStream[String] = ...
val flinkTweets = tweets.filter(new KeywordFilter("flink"))
class KeywordFilter(keyWord: String) extends FilterFunction[String] { override def filter(value: String): Boolean = {
value.contains(keyWord) }
}
5.5.2 匿名函数(Lambda Functions)
val tweets: DataStream[String] = ...
val flinkTweets = tweets.filter(_.contains("flink"))
5.5.3 富函数(RichFunctions)
“富函数”是 DataStream API 提供的一个函数类的接口,所有 Flink 函数类都 有其 Rich 版本。它与常规函数的不同在于,可以获取运行环境的上下文,并拥有一 些生命周期方法,所以可以实现更复杂的功能。
- RichMapFunction
- RichFlatMapFunction
- RichFilterFunction
*…
Rich Function 有一个生命周期的概念。典型的生命周期方法有: - open()方法是 rich function 的初始化方法,当一个算子例如 map 或者 filter
被调用之前 open()会被调用。 - close()方法是生命周期中的最后一个调用的方法,做一些清理工作。
- getRuntimeContext()方法提供了函数的 RuntimeContext 的一些信息,例如函
数执行的并行度,任务的名字,以及 state 状态。
class MyFlatMap extends RichFlatMapFunction[Int, (Int, Int)] {
var subTaskIndex = 0
override def open(configuration: Configuration): Unit = {
subTaskIndex = getRuntimeContext.getIndexOfThisSubtask
// 以下可以做一些初始化工作,例如建立一个和 HDFS 的连接
}
override def flatMap(in: Int, out: Collector[(Int, Int)]): Unit = { if (in % 2 == subTaskIndex) {
out.collect((subTaskIndex, in)) }
}
override def close(): Unit = {
// 以下做一些清理工作,例如断开和 HDFS 的连接。
}
}
5.6 Sink
Flink 没有类似于 spark 中 foreach 方法,让用户进行迭代的操作。虽有对外的 输出操作都要利用 Sink 完成。最后通过类似如下方式完成整个任务最终输出操作。
stream.addSink(new MySink(xxxx))
官方提供了一部分的框架的 sink。除此以外,需要用户自定义实现 sink。
5.6.1 Kafka
<!-- https://mvnrepository.com/artifact/org.apache.flink/flink-connector-kafka-0.11 -->
<dependency>
<groupId>org.apache.flink</groupId>
<artifactId>flink-connector-kafka-0.11_2.11</artifactId>
<version>1.7.2</version>
</dependency>
主函数中添加 sink:
// 转成string 方便输出序列化
val env = StreamExecutionEnvironment.getExecutionEnvironment
val stream = env.addSource(new MySource())
val dataStream = stream.map(data => (data.id,data.timestamp,data.temperature).toString)
dataStream.addSink(new FlinkKafkaProducer011[String]("node101:9092,node102:9092,node103:9092","test",new SimpleStringSchema()))
env.execute("kafka pro start")
在终端起一个kafka消费者检测数据
5.6.2 Redis
<dependency>
<groupId>org.apache.bahir</groupId>
<artifactId>flink-connector-redis_2.11</artifactId>
<version>1.0</version>
</dependency>
定义一个 redis 的 mapper 类,用于定义保存到 redis 时调用的命令:
class MyRedisMapper extends RedisMapper[SensorReading]{
override def getCommandDescription: RedisCommandDescription = {
new RedisCommandDescription(RedisCommand.HSET, "sensor_temperature")
}
override def getValueFromData(t: SensorReading): String = t.temperature.toString
override def getKeyFromData(t: SensorReading): String = t.id
}
在主函数中调用:
val conf = new FlinkJedisPoolConfig.Builder().setHost("localhost").setPort(6379).build()
dataStream.addSink( new RedisSink[SensorReading](conf, new MyRedisMapper) )
5.6.3 Elasticsearch
<dependency>
<groupId>org.apache.flink</groupId>
<artifactId>flink-connector-elasticsearch6_2.11</artifactId>
<version>1.7.2</version>
</dependency>
在主函数中调用:
val httpHosts = new util.ArrayList[HttpHost]()
httpHosts.add(new HttpHost("localhost", 9200))
val esSinkBuilder = new ElasticsearchSink.Builder[SensorReading]( httpHosts, new ElasticsearchSinkFunction[SensorReading] {
override def process(t: SensorReading, runtimeContext: RuntimeContext, requestIndexer: RequestIndexer): Unit = {
println("saving data: " + t)
val json = new util.HashMap[String, String]()
json.put("data", t.toString)
val indexRequest =Requests.indexRequest().index("sensor").`type`("readingData").source(json)
requestIndexer.add(indexRequest)
println("saved successfully")
} })
dataStream.addSink( esSinkBuilder.build() )
5.6.4 JDBC 自定义 sink
<dependency>
<groupId>mysql</groupId>
<artifactId>mysql-connector-java</artifactId>
<version>5.1.44</version>
</dependency>
添加 MyJdbcSink
class MyJdbcSink() extends RichSinkFunction[SensorReading]{ var conn: Connection = _
var insertStmt: PreparedStatement = _
var updateStmt: PreparedStatement = _
// open 主要是创建连接
override def open(parameters: Configuration): Unit = {
super.open(parameters)
conn = DriverManager.getConnection("jdbc:mysql://localhost:3306/test", "root", "123456")
insertStmt = conn.prepareStatement("INSERT INTO temperatures (sensor, temp) VALUES (?, ?)")
updateStmt = conn.prepareStatement("UPDATE temperatures SET temp = ? WHERE
sensor = ?") }
// 调用连接,执行 sql
override def invoke(value: SensorReading, context: SinkFunction.Context[_]): Unit = {
updateStmt.setDouble(1, value.temperature)
updateStmt.setString(2, value.id) updateStmt.execute()
if (updateStmt.getUpdateCount == 0) { insertStmt.setString(1, value.id) insertStmt.setDouble(2, value.temperature) insertStmt.execute()
} }
override def close(): Unit = { insertStmt.close() updateStmt.close() conn.close()
} }
在 main 方法中增加,把明细保存到 mysql 中
dataStream.addSink(new MyJdbcSink())