Flink on Zeppelin (3) - Streaming 篇

最新推荐文章于 2024-05-04 23:27:48 发布

Apache Flink

最新推荐文章于 2024-05-04 23:27:48 发布

阅读量968

点赞数

继之前入门篇和 Batch 篇之后，今天这篇 Flink on Zeppelin 主要讲述如何在 Zeppelin 中使用 Flink 的 Streaming 功能，我们会以 2 个主要的场景来讲：

Streaming ETL
Streaming Data Analytics

准备工作

本文我们会用 Kafka 作为我们的数据源，使用 Flink SQL 处理 Kafka 中的某个 topic 数据，然后写入到另外一个 Kafka Topic。为了使用 Flink 的 Kafka connector，你需要在 Flink Interpreter 中配置 flink.execution.packages。

flink.execution.packages org.apache.flink:flink-connector-kafka_2.11:1.10-SNAPSHOT,org.apache.flink:flink-connector-kafka-base_2.11:1.10-SNAPSHOT,org.apache.flink:flink-json:1.10-SNAPSHOT

本文使用的 kafka 数据源是 json 格式，所以需要添加 org.apache.flink:flink-json。

另外本文的例子会使用这个 docker compose 来创建 Kafka Cluster，https://github.com/xushiyan/kafka-connect-datagen/

需要运行下面2个命令来启动kafka集群和创建kafka topic：

‍
docker-compose up -d

curl -X POST http://localhost:8083/connectors \
-H 'Content-Type:application/json' \
-H 'Accept:application/json' \
-d @connect.source.datagen.json

具体请参考这个官方链接：https://kafka-connect-datagen.readthedocs.io/en/latest/

Streaming ETL

接下里我们会用 Flink SQL 来做基于 Kafka 的 Streaming ETL。首先我们需要创建 Kafka source table 代表 kafka 中的源数据。

‍
%flink.ssql


DROP TABLE IF EXISTS source_kafka;


CREATE TABLE source_kafka (
    status  STRING,
    direction STRING,
    event_ts BIGINT
) WITH (
  'connector.type' = 'kafka',       
  'connector.version' = 'universal',
  'connector.topic' = 'generated.events',
  'connector.startup-mode' = 'earliest-offset',
  'connector.properties.zookeeper.connect' = 'localhost:2181',
  'connector.properties.bootstrap.servers' = 'localhost:9092',
  'connector.properties.group.id' = 'testGroup',
  'connector.startup-mode' = 'earliest-offset',
  'format.type'='json',
  'update-mode' = 'append'
);

然后创建 Kafka sink table，代表清洗后的数据（这里我们定义了 WATERMARK，是为了下一步做基于 window 的流式数据分析）。

%flink.ssql


DROP TABLE IF EXISTS sink_kafka;


CREATE TABLE sink_kafka (
    status  STRING,
    direction STRING,
    event_ts TIMESTAMP(3),
    WATERMARK FOR event_ts AS event_ts - INTERVAL '5' SECOND
) WITH (
  'connector.type' = 'kafka',       
  'connector.version' = 'universal',    
  'connector.topic' = 'generated.events2',
  'connector.properties.zookeeper.connect' = 'localhost:2181',
  'connector.properties.bootstrap.servers' = 'localhost:9092',
  'connector.properties.group.id' = 'testGroup',
  'format.type'='json',
  'update-mode' = 'append'
)

接下来我们就可以用 Insert Into 语句来做 Streaming ETL 的工作了。

%flink.ssql


insert into sink_kafka select status, direction, cast(event_ts/1000000000 as timestamp(3)) from source_kafka where status <> 'foo'

这条 Insert into 语句非常简单，我们过滤掉了status 为 foo 的数据，以及将 event_ts 转化为 timestamp 类型。

然后可以用 select 语句来预览 sink table 中的数据来确认 Streaming ETL 正常工作。

Streaming Data Analytics

在完成了上面的 Streaming ETL 工作之后，我们就可以在 Zeppelin 中做流式数据分析了。在 Zeppelin 中可以用 Select 语句来做 Flink 流数据分析，Select 的结果会 push 到 Zeppelin 前端展示，可以用来做流式数据的 dashboard。

Zeppelin 支持 3 种模式的流式数据分析：

Single 模式
Update 模式
Append 模式

Single 模式

Single 模式适合当输出结果是一行的情况，比如下面的 Select 语句。这条 SQL 语句永远只有一行数据，但这行数据会持续不断的更新。这种模式的数据输出格式是 html 形式，用户可以用 template 来指定输出模板，{i} 是第 i 列的 placeholder。



%flink.ssql(type=single, parallelism=1, refreshInterval=3000, template=<h1>{1}</h1> until <h2>{0}</h2>)


select max(event_ts), count(1) from sink_kafka

Update 模式

Update 模式适合多行输出的情况，比如下面的 select group by 语句。这种模式会定期更新这多行数据，输出是 Zeppelin 的 table 格式，所以可以用 Zeppelin 自带的可视化控件。

%flink.ssql(type=update, refreshInterval=2000, parallelism=1)


select status, count(1) as pv from sink_kafka group by status

Append 模式

Append 模式适合不断有新数据输出，但不会覆盖原有数据，只会不断 append 的情况。比如下面的基于窗口的 group by 语句。Append 模式要求第一列数据类型是 timestamp，这里的 start_time 就是 timestamp 类型。

%flink.ssql(type=append, parallelism=1, refreshInterval=2000, threshold=60000)


select TUMBLE_START(event_ts, INTERVAL '5' SECOND) as start_time, status, count(1) from sink_kafka
group by TUMBLE(event_ts, INTERVAL '5' SECOND), status