flink架构师2-进阶开发

一 、flink 进阶开发目标 0~ 1:52

1. 掌握常见的DataStream常见的source
2. 掌握常见的DataStream的transformation操作
3. 掌握常见的DataStream的sink操作

1、Flink之数据源（DataStream）0：20~0：45

1 source简介
source是程序的数据源输入，你可以通过StreamExecutionEnvironment.addSource(sourceFunction)
来为你的程序添加一个source。
flink提供了大量的已经实现好的source方法，也可以自定义source：

1. 通过实现sourceFunction接口来自定义无并行度的source
2. 通过实现ParallelSourceFunction 接口 or 继承RichParallelSourceFunction 来自定义有并行度的
   source
   大多数情况下，我们使用自带的source即可。

自定义单线程数据源

public class MyNoParalleSource implements SourceFunction<Long>

自定义多线程数据源

public class MyParalleSource implements ParallelSourceFunction<Long>

2 常见Transformation操作 0：45~1:02

2.1 map和filter

2.2 flatMap，keyBy和sum

/**
* 滑动窗口实现单词计数
* 数据源：socket
* 需求：每隔1秒计算最近2秒单词出现的次数
*
* 练习算子：
* flatMap
* keyBy:
* dataStream.keyBy("someKey") // 指定对象中的 "someKey"字段作为分组key
* dataStream.keyBy(0) //指定Tuple中的第一个元素作为分组key
* sum
*/
public class WindowWordCountJava {
public static void main(String[] args) throws Exception {
int port;
try{
ParameterTool parameterTool = ParameterTool.fromArgs(args);
port = parameterTool.getInt("port");
}catch (Exception e){
System.err.println("no port set,user default port 9988");
port=9988;
}
//步骤一：获取flink运行环境（stream）
StreamExecutionEnvironment env=
StreamExecutionEnvironment.getExecutionEnvironment();
String hostname="10.126.88.226";
String delimiter="\n";
//步骤二：获取数据源
DataStreamSource<String> textStream = env.socketTextStream(hostname,
port, delimiter);
//步骤三：执行transformation操作
SingleOutputStreamOperator<WordCount> wordCountStream =
textStream.flatMap(new FlatMapFunction<String, WordCount>() {
public void flatMap(String line, Collector<WordCount> out) throws
Exception {
String[] fields = line.split("\t");
for (String word : fields) {
out.collect(new WordCount(word, 1L));
}
}
}).keyBy("word")
.timeWindow(Time.seconds(2), Time.seconds(1))//每隔1秒计算最近2秒
.sum("count");
wordCountStream.print().setParallelism(1);//打印并设置并行度
//步骤四：运行程序
env.execute("socket word count");
}

3 常见Sink操作 1:02~1:06

4 DataSet算子操作 1:07~1:40

.####4.1 source
基于文件
readTextFile(path)
基于集合
fromCollection(Collection)

4.4.2 transform 1:09~1:30

算子概览
Map：输入一个元素，然后返回一个元素，中间可以做一些清洗转换等操作
FlatMap：输入一个元素，可以返回零个，一个或者多个元素
MapPartition：类似map，一次处理一个分区的数据【如果在进行map处理的时候需要获取第三方资源
链接，建议使用MapPartition】
Filter：过滤函数，对传入的数据进行判断，符合条件的数据会被留下
Reduce：对数据进行聚合操作，结合当前元素和上一次reduce返回的值进行聚合操作，然后返回一个新的值
Aggregate：sum、max、min等
Distinct：返回一个数据集中去重之后的元素，data.distinct()
Join：内连接
OuterJoin：外链接
Cross：获取两个数据集的笛卡尔积
Union：返回两个数据集的总和，数据类型需要一致
First-n：获取集合中的前N个元素
Sort Partition：在本地对数据集的所有分区进行排序，通过sortPartition()的链接调用来完成对多个段的排序

4.4.4 Flink之广播变量 1:30 ~1:37

广播变量允许编程人员在每台机器上保持1个只读的缓存变量，而不是传送变量的副本给tasks
广播变量创建后，它可以运行在集群中的任何function上，而不需要多次传递给集群节点。另外需要记住，不应该修改广播变量，这样才能确保每个节点获取到的值都是一致的
一句话解释，可以理解为是一个公共的共享变量，我们可以把一个dataset 数据集广播出去，然后不同的task在节点上都能够获取到，这个数据在每个节点上只会存在一份。如果不使用broadcast，则在每个节点中的每个task中都需要拷贝一份dataset数据集，比较浪费内存(也就是一个节点中可能会存在多份dataset数据)

用法

1：初始化数据
DataSet<Integer> toBroadcast = env.fromElements(1, 2, 3)
2：广播数据
withBroadcastSet(toBroadcast, "broadcastSetName");
3：获取数据
Collection<Integer> broadcastSet =
getRuntimeContext().getBroadcastVariable("broadcastSetName");

注意：
1：广播出去的变量存在于每个节点的内存中，所以这个数据集不能太大。因为广播出去的数据，会常驻内存，除非程序执行结束
2：广播变量在初始化广播出去以后不支持修改，这样才能保证每个节点的数据都是一致的。

DataSet<HashMap<String, Integer>> toBroadcast = tupleData.map(new
MapFunction<Tuple2<String, Integer>, HashMap<String, Integer>>() {
@Override
public HashMap<String, Integer> map(Tuple2<String, Integer> value)
throws Exception {
HashMap<String, Integer> res = new HashMap<>();
res.put(value.f0, value.f1);
return res;
}
});
//源数据
DataSource<String> data = env.fromElements("zs", "ls", "ww");
//注意：在这里需要使用到RichMapFunction获取广播变量
DataSet<String> result = data.map(new RichMapFunction<String, String>()
{
List<HashMap<String, Integer>> broadCastMap = new
ArrayList<HashMap<String, Integer>>();
HashMap<String, Integer> allMap = new HashMap<String, Integer>();
/**

• 这个方法只会执行一次
• 可以在这里实现一些初始化的功能
• 所以，就可以在open方法中获取广播变量数据
  */
  @Override
  public void open(Configuration parameters) throws Exception {
  super.open(parameters);
  //3:获取广播数据
  this.broadCastMap =
  getRuntimeContext().getBroadcastVariable("broadCastMapName");
  for (HashMap map : broadCastMap) {
  allMap.putAll(map);
  }
  }
  @Override
  public String map(String value) throws Exception {
  Integer age = allMap.get(value);
  return value + "," + age;
  }
  }).withBroadcastSet(toBroadcast, "broadCastMapName");//2：执行广播数据的操
  作
  result.print();
  }
  }

4.4.5 Flink之Counter（计数器）1:37~ 1:40

Accumulator即累加器，与Mapreduce counter的应用场景差不多，都能很好地观察task在运行期间的数据变化,可以在Flink job任务中的算子函数中操作累加器，但是只能在任务执行结束之后才能获得累加器的最终结果。

Counter是一个具体的累加器(Accumulator)实现
IntCounter, LongCounter 和 DoubleCounter

用法
1：创建累加器
private IntCounter numLines = new IntCounter();

二 、flink 高级开发（state 和window）目标 1:52~

2.1Keyed state 1：52~

Keyed state托管状态有六种类型：

1. ValueState
2. ListState
3. MapState
4. ReducingState
5. AggregatingState
6. FoldingState

2.1.1 ValueState 开发 1：52~2：13

2.1.2 ListState 开发 2：13~