第五章.Flink DataStream API

作者: __元昊__ | 来源:发表于2019-05-23 14:47 被阅读0次

5.1 Flink 运行模型

微信截图_20190523140417.png

以上为 Flink 的运行模型，Flink 的程序主要由三部分构成，分别为 Source、
Transformation、Sink。DataSource 主要负责数据的读取，Transformation 主要负责对
属于的转换操作，Sink 负责最终数据的输出。

5.2 Flink 程序架构

每个 Flink 程序都包含以下的若干流程：
 获得一个执行环境；（Execution Environment）
 加载/创建初始数据；（Source）
 指定转换这些数据；（Transformation）
 指定放置计算结果的位置；（Sink）
 触发程序执行。

5.3 Environment

先创建一个Flink项目，pom文件：

<dependency>
      <groupId>org.scala-lang</groupId>
      <artifactId>scala-library</artifactId>
      <version>2.11.8</version>
    </dependency>

    <dependency>
      <groupId>org.apache.flink</groupId>
      <artifactId>flink-core</artifactId>
      <version>1.6.1</version>
    </dependency>

    <dependency>
      <groupId>org.apache.flink</groupId>
      <artifactId>flink-clients_2.11</artifactId>
      <version>1.6.1</version>
    </dependency>

    <dependency>
      <groupId>org.apache.flink</groupId>
      <artifactId>flink-scala_2.11</artifactId>
      <version>1.6.1</version>
    </dependency>

    <dependency>
      <groupId>org.apache.flink</groupId>
      <artifactId>flink-streaming-scala_2.11</artifactId>
      <version>1.6.1</version>
    </dependency>

注意：需要import flink下所有用._如果单个引入，代码虽然不报错，但是执行Transformation隐式转换时候会报错

import org.apache.flink.streaming.api.scala._

执行环境 StreamExecutionEnvironment 是所有 Flink 程序的基础。
创建执行环境有三种方式，分别为：

StreamExecutionEnvironment.getExecutionEnvironment
StreamExecutionEnvironment.createLocalEnvironment
StreamExecutionEnvironment.createRemoteEnvironment

5.3.1 StreamExecutionEnvironment.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 = StreamExecutionEnvironment.getExecutionEnvironment

5.3.2 StreamExecutionEnvironment.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)

5.3.3 StreamExecutionEnvironment.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 = StreamExecutionEnvironment.createRemoteEnvironment(1)

5.4 Source

5.4.1 基于 File 的数据源

readTextFile(path)
一列一列的读取遵循 TextInputFormat 规范的文本文件，并将结果作为 String 返
回。

val env = StreamExecutionEnvironment.getExecutionEnvironment
val stream = env.readTextFile("/opt/modules/test.txt")
stream.print()
env.execute("FirstJob")

注意：stream.print()：每一行前面的数字代表这一行是哪一个并行线程输出的。

readFile(fileInputFormat, path)
按照指定的文件格式读取文件。

val env = StreamExecutionEnvironment.getExecutionEnvironment
val path = new Path("/opt/modules/test.txt")
val stream = env.readFile(new TextInputFormat(path), "/opt/modules/test.txt")
stream.print()
env.execute("FirstJob")

5.4.2 基于 Socket 的数据源

socketTextStream
从 Socket 中读取信息，元素可以用分隔符分开。

val env = StreamExecutionEnvironment.getExecutionEnvironment
val stream = env.socketTextStream("localhost", 11111)
stream.print()
env.execute("FirstJob")

5.4.3 基于集合（Collection）的数据源

fromCollection(seq)
从集合中创建一个数据流，集合中所有元素的类型是一致的。

val env = StreamExecutionEnvironment.getExecutionEnvironment
val list = List(1,2,3,4)
val stream = env.fromCollection(list)
stream.print()
env.execute("FirstJob")

fromCollection(Iterator)
从迭代(Iterator)中创建一个数据流，指定元素数据类型的类由 iterator 返回。

val env = StreamExecutionEnvironment.getExecutionEnvironment
val iterator = Iterator(1,2,3,4)
val stream = env.fromCollection(iterator)
stream.print()
env.execute("FirstJob")

fromElements(elements:_*)
从一个给定的对象序列中创建一个数据流，所有的对象必须是相同类型的。

val env = StreamExecutionEnvironment.getExecutionEnvironment
val list = List(1,2,3,4)
val stream = env.fromElement(list)
stream.print()
env.execute("FirstJob")

generateSequence(from, to)
从给定的间隔中并行地产生一个数字序列。

val env = StreamExecutionEnvironment.getExecutionEnvironment
val stream = env.generateSequence(1,10)
stream.print()
env.execute("FirstJob")

5.5 Sink

Data Sink 消费 DataStream 中的数据，并将它们转发到文件、套接字、外部系
统或者打印出。
Flink 有许多封装在 DataStream 操作里的内置输出格式。

5.5.1 writeAsText

将元素以字符串形式逐行写入（TextOutputFormat），这些字符串通过调用每个
元素的 toString()方法来获取。

5.5.2 WriteAsCsv

将元组以逗号分隔写入文件中（CsvOutputFormat），行及字段之间的分隔是可
配置的。每个字段的值来自对象的 toString()方法。

5.5.3 print/printToErr

打印每个元素的 toString()方法的值到标准输出或者标准错误输出流中。或者也
可以在输出流中添加一个前缀，这个可以帮助区分不同的打印调用，如果并行度大
于 1，那么输出也会有一个标识由哪个任务产生的标志。

5.5.4 writeUsingOutputFormat

自定义文件输出的方法和基类（FileOutputFormat），支持自定义对象到字节的
转换。

5.5.5 writeToSocket

根据 SerializationSchema 将元素写入到 socket 中。

5.6 Transformation

5.6.1 Map

DataStream → DataStream：输入一个参数产生一个参数。

val env = StreamExecutionEnvironment.getExecutionEnvironment
val stream = env.generateSequence(1,10)
val streamMap = stream.map { x => x * 2 }
streamMap.print()
env.execute("FirstJob")

5.6.2 FlatMap

DataStream → DataStream：输入一个参数，产生 0 个、1 个或者多个输出。

val env = StreamExecutionEnvironment.getExecutionEnvironment
val stream = env.readTextFile("test.txt")
val streamFlatMap = stream.flatMap{
 x => x.split(" ")
}
streamFlatMap.print()
env.execute("FirstJob")

5.6.3 Filter

DataStream → DataStream：结算每个元素的布尔值，并返回布尔值为 true 的
元素。下面这个例子是过滤出非 0 的元素：

val env = StreamExecutionEnvironment.getExecutionEnvironment
val stream = env.generateSequence(1,10)
val streamFilter = stream.filter{
 x => x > 1
}
streamFilter.print()
env.execute("FirstJob")

5.6.4 Connect

微信截图_20190523142659.png

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。

val env = StreamExecutionEnvironment.getExecutionEnvironment
val stream = env.readTextFile("test.txt")
val streamMap = stream.flatMap(item => item.split(" ")).filter(item => 
item.equals("hadoop"))
val streamCollect = env.fromCollection(List(1,2,3,4))
val streamConnect = streamMap.connect(streamCollect)
streamConnect.map(item=>println(item), item=>println(item))
env.execute("FirstJob")

5.6.5 CoMap,CoFlatMap

微信截图_20190523142856.png

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 env = StreamExecutionEnvironment.getExecutionEnvironment
val stream1 = env.readTextFile("data/test00.txt")
val streamFlatMap = stream1.flatMap(x => x.split(" "))
val stream2 = env.fromCollection(List(1,2,3,4))
val streamConnect = streamFlatMap.connect(stream2)
val streamCoMap = streamConnect.map(
    item => item + "connect",
    item => item + 100
  )
streamCoMap.map(item=>println(item))
env.execute("FirstJob")

val env = StreamExecutionEnvironment.getExecutionEnvironment
val stream1 = env.readTextFile("test.txt")
val stream2 = env.readTextFile("test1.txt")
val streamConnect = stream1.connect(stream2)
val streamCoMap = streamConnect.flatMap(
 (str1) => str1.split(" "),
 (str2) => str2.split(" ")
)
streamCoMap.print()
env.execute("FirstJob")

5.6.6 Split

微信截图_20190523143307.png

DataStream → SplitStream：根据某些特征把一个 DataStream 拆分成两个或者
多个 DataStream。

val env = StreamExecutionEnvironment.getExecutionEnvironment
val stream = env.readTextFile("test.txt")
val streamFlatMap = stream.flatMap(x => x.split(" "))
val streamSplit = streamFlatMap.split(
 num =>
# 字符串内容为 hadoop 的组成一个 DataStream，其余的组成一个 DataStream 
 (num.equals("hadoop")) match{
 case true => List("hadoop")
 case false => List("other")
 }
)
env.execute("FirstJob")

5.6.7 Select

微信截图_20190523143520.png

SplitStream→DataStream：从一个 SplitStream 中获取一个或者多个 DataStream。

val env = StreamExecutionEnvironment.getExecutionEnvironment
val stream = env.readTextFile("test.txt")
val streamFlatMap = stream.flatMap(x => x.split(" "))
val streamSplit = streamFlatMap.split(
num =>
 (num.equals("hadoop")) match{
 case true => List("hadoop")
 case false => List("other")
 }
)
val hadoop = streamSplit.select("hadoop")
val other = streamSplit.select("other")
hadoop.print()
env.execute("FirstJob")

5.6.8 Union

微信截图_20190523143707.png

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。注意 :如果你将一个
DataStream 跟它自己做 union 操作，在新的 DataStream 中，你将看到每一个元素都
出现两次。

val env = StreamExecutionEnvironment.getExecutionEnvironment
val stream1 = env.readTextFile("test.txt")
val streamFlatMap1 = stream1.flatMap(x => x.split(" "))
val stream2 = env.readTextFile("test1.txt")
val streamFlatMap2 = stream2.flatMap(x => x.split(" "))
val streamConnect = streamFlatMap1.union(streamFlatMap2)
env.execute("FirstJob")

5.6.9 KeyBy

DataStream → KeyedStream：输入必须是 Tuple 类型，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。

val env = StreamExecutionEnvironment.getExecutionEnvironment
val stream = env.readTextFile("test.txt")
val streamFlatMap = stream.flatMap{
 x => x.split(" ")
}
val streamMap = streamFlatMap.map{
 x => (x,1)
}
val streamKeyBy = streamMap.keyBy(0)
env.execute("FirstJob")

5.6.10 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 env = StreamExecutionEnvironment.getExecutionEnvironment
val stream = env.readTextFile("test.txt").flatMap(item => item.split(" ")).map(item => 
(item, 1)).keyBy(0)
val streamReduce = stream.reduce(
 (item1, item2) => (item1._1, item1._2 + item2._2)
)
streamReduce.print()
env.execute("FirstJob")

注意： (item1, item2) => (item1._1, item1._2 + item2._2)代码中的(item1, item2)，其中item1是一个key value的元组，例如(hadoop,1).item2是另外一个元组，并且因为经过keyby分组后，item1和item2的俩个元组的key是相同的。所以后面的 (item1._1, item1._2 + item2._2)就好理解了。

5.6.11 Fold

KeyedStream → DataStream：一个有初始值的分组数据流的滚动折叠操作，
合并当前元素和前一次折叠操作的结果，并产生一个新的值，返回的流中包含每一
次折叠的结果，而不是只返回最后一次折叠的最终结果。

val env = StreamExecutionEnvironment.getExecutionEnvironment
val stream = env.readTextFile("test.txt").flatMap(item => item.split(" ")).map(item => 
(item, 1)).keyBy(0)
val streamReduce = stream.fold(100)(
 (begin, item) => (begin + item._2)
)
streamReduce.print()
env.execute("FirstJob")

5.6.12 Aggregations

KeyedStream → DataStream：分组数据流上的滚动聚合操作。min 和 minBy 的
区别是 min 返回的是一个最小值，而 minBy 返回的是其字段中包含最小值的元素(同
样原理适用于 max 和 maxBy)，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。

keyedStream.sum(0) 
keyedStream.sum("key") 
keyedStream.min(0) 
keyedStream.min("key")
keyedStream.max(0) 
keyedStream.max("key") 
keyedStream.minBy(0) 
keyedStream.minBy("key") 
keyedStream.maxBy(0) 
keyedStream.maxBy("key")

val env = StreamExecutionEnvironment.getExecutionEnvironment
val stream = env.readTextFile("test02.txt").map(item => (item.split(" ")(0), item.split(" 
")(1).toLong)).keyBy(0)
val streamReduce = stream.sum(1)
streamReduce.print()
env.execute("FirstJob")

在 2.3.10 之前的算子都是可以直接作用在 Stream 上的，因为他们不是聚合类型
的操作，但是到 2.3.10 后你会发现，我们虽然可以对一个无边界的流数据直接应用
聚合算子，但是它会记录下每一次的聚合结果，这往往不是我们想要的，其实，
reduce、fold、aggregation 这些聚合算子都是和 Window 配合使用的，只有配合
Window，才能得到想要的结果。