一 、简介
1.1 发展史
大数据的飞速发展,也促使了各种计算引擎的诞生。2006年2月诞生的Hadoop中的MapReduce,2014年9月份诞生的Storm以及2014年2月诞生的Spark都有着各自专注的应用场景。特别是Spark开启了内存计算的先河,其计算速度比Hadoop的MapReduce快100倍,以此赢得了内存计算的飞速发展。或许因为早期人们对大数据的分析认知不够深刻,亦或许当时业务场景大都局限在批处理领域,从而使得Spark的火热或多或少的掩盖了其他分布式计算引擎的身影。但就在这个时候,有些分布式计算引擎也在默默发展着,直到2016年,人们才开始慢慢意识到流计算的重要性。
1.2 Flink是什么
flink是一个框架和分布式处理引擎,用于无界和有界数据流进行状态计算
- 分布式:可部署在分布式环境中进行并行计算,提高计算效率
- 有界和无界:根据数据有没有起始点和结束点进行划分,例如时间,如果固定为2s则处理的数据就是起始时间就是起始时0s结束是2s之间的数据这就称为有界,如果没有固定时间点,进来一个数据计算一个数据,这就称为无界
- 状态:在对数据流进行计算的过程中,如果上一次计算的结果洗一次还要用,即上次计算的结果进行保存作为下一次计算时候的一个数据,这就称为有状态的计算,如果每一次的计算都不依赖于上次计算的结果,就称为无状态的计算
1.3 Flink的特点
- 可以充分利用内存性能
- 可以以任何规模运行程序
- 部署的方式也有很多种:例如:本地环境运行,命令部署、远程部署、图形化界面部署
- 可以处理有界和无界的数据流
1.4 Spark 和Flink的对比
- Spark底层计算是批处理模型,在批处理基础上模拟流,从而导致了流计算实时性较低
- Flink底层计算是连续的流计算模型,在流计算上模拟批处理,既可以保证流的实时性又可以实现批处理
1.5 Flink 的应用场景
系统监控、舆情监控、交通预测、国家电网、疾病预测、金融行业风控、电商实时搜索优化等
二、环境搭建
1.在Linux上安装flink并配置
- 在官网下载安装包并上传到Linux服务器上
https://flink.apache.org/downloads.html
- 解压,然后将文件夹名字改为flink
- 修改配置文件:flink-conf.yaml
jobmanager.rpc.address: hadoop10
taskmanager.numberOfTaskSlots: 4
parallelism.default: 3
- 修改slave文件:
hadoop10
2.编写代码
- 在IDEA中创建一个Maven项目,并在pom文件中添加依赖和引入插件
<dependency>
<groupId>org.apache.flink</groupId>
<artifactId>flink-streaming-scala_2.11</artifactId>
<version>1.10.0</version>
</dependency>
<build>
<plugins>
<!--scala编译插件-->
<plugin>
<groupId>net.alchim31.maven</groupId>
<artifactId>scala-maven-plugin</artifactId>
<version>4.0.1</version>
<executions>
<execution>
<id>scala-compile-first</id>
<phase>process-resources</phase>
<goals>
<goal>add-source</goal>
<goal>compile</goal>
</goals>
</execution>
</executions>
</plugin>
<!--创建fatjar插件-->
<plugin>
<groupId>org.apache.maven.plugins</groupId>
<artifactId>maven-shade-plugin</artifactId>
<version>2.4.3</version>
<executions>
<execution>
<phase>package</phase>
<goals>
<goal>shade</goal>
</goals>
<configuration>
<filters>
<filter>
<artifact>*:*</artifact>
<excludes>
<exclude>META-INF/*.SF</exclude>
<exclude>META-INF/*.DSA</exclude>
<exclude>META-INF/*.RSA</exclude>
</excludes>
</filter>
</filters>
</configuration>
</execution>
</executions>
</plugin>
<!--编译插件-->
<plugin>
<groupId>org.apache.maven.plugins</groupId>
<artifactId>maven-compiler-plugin</artifactId>
<version>3.2</version>
<configuration>
<source>1.8</source>
<target>1.8</target>
<encoding>UTF-8</encoding>
</configuration>
<executions>
<execution>
<phase>compile</phase>
<goals>
<goal>compile</goal>
</goals>
</execution>
</executions>
</plugin>
</plugins>
</build>
- 编写程序:
import org.apache.flink.streaming.api.scala._
//创建一个scala的Object
object FlinkQuickStart {
def main(args: Array[String]): Unit = {
//1.创建执行环境:(通用的,可运行在本地或者服务器上)
val environment = StreamExecutionEnvironment.getExecutionEnvironment
//本地运行环境
//val environment = StreamExecutionEnvironment.createLocalEnvironment(3)
//2.创建DataStream:即制定数据源。就是说从哪里拿到数据进行计算,我们这里在hadoop10的9999 端口上使用nc工具进行数据的产生,所以数据源就设置为hadoop的9999端口
val text = environment.socketTextStream("hadoop10", 9999)
//3.对text数据进行常规转换,对拿到的数据进行计算,这里做了一个WordCount 案例
val result = text.flatMap(line=>line.split("\\s+"))
.map(word=>(word,1))
//keyBy就是对上面的数据做分组处理,根据0号元素分组。也就是根据输入的单词分组
.keyBy(0) //类似于spark中的reducebykey;groupbykey
.keyBy(0)
.sum(1);
//4.控制台打印结果
result.print();
//5.执行流计算任务:(括号中即为这个job的名字,可随便起)
environment.execute("myDataStreamJobTask")
}
}
3.部署,进行测试
3.1 本地执行
- 打开Linux 服务器运行flink 和 打开nc端口,准备产生数据
- 在IDEA中执行main方法
- 在NC端口发送数据在IDEA中查看结果
3.2 远程脚本部署
- 通过package对写好的项目进行打包,然后上传到Linux的文件系统上
- 进入flink的目录下编写运行程序的命令进行运行jar包
./flink run -c FlinkQuickStart -p 3 -d -m hadoop10:8081 /opt/data/......jar
参数说明:
1 使用flink进行操作
2 run 表示运行
3 -c 指定要运行那个类,后面跟上类的权限定名
4 -p 设置并行度
5 -d 设置为后台运行
6 -m 设置要运行的主机
后面跟上jar包的地址
- 查看运行中的job
./flink list --running --jobmanager hadoop10:8081
- 查看所有job
./flink list --all --jobmanager hadoop10:8081
- 取消指定job
./flink cancle --jobmanager hadoop10:8081
3.3 图形化界面部署
- 打开浏览器进去UI界面:hadoop10:8081
- 点击左侧栏最后一个Submit New job
- 点击右上方的add job
- 上传本地打好的jar包
- 设置第一行的左侧为类的权限定名,右面为并行度,然后点击submit
3.4 跨平台部署
- 修改程序的运行环境代码,并指定并行度
//创建跨平台执行环境
val jar = "F:\\flink\\date\\FlinkQuickStart-1.0-SNAPSHOT.jar";
val environment = StreamExecutionEnvironment.createRemoteEnvironment("hadoop10",8081,jar);
//设置并行度
environment.setParallelism(3);
- 通过mvn package将程序打包
- 运行main方法完成部署