Google翻译
Flink程序是实现分布式集合转换的常规程序（例如，过滤，映射，状态更新，联合，分组，窗口定义和聚合）。集合从数据源中初始化创建（例如通过读取文件，kafka主题或者从本地，内存集合中）。结果通过接收器返回，接收器可以将数据写入（分布式）文件或标准输出（例如，命令行终端）Flink程序在各种环境中运行，独立，或内嵌于其他程序中。它可以在本地JVM或多机器组成的集群中执行。
取决于数据源的类型，即有界源和无界源，你可以使用DataSet API编写批处理程序，DataStream API编写流处理程序。本指南将介绍两种API共有的基本概念，但请参阅我们的流处理指南和批处理指南，了解有关使用每个API编写程序的具体信息。
数据集和数据流
Flink具有特殊类DataSet和DataStream来表示程序中的数据。您可以将它们视为可以包含重复项的不可变数据集合。在DataSet的情况下，数据是有限的，而对于DataStream，元素的数量可以是无界的。
这些集合在某些关键方面与常规Java集合不同。首先，它们是不可变的，这意味着一旦创建它们就无法添加或删除元素。你也不能简单地检查里面的元素。
最初通过在Flink程序中添加源来创建集合，并通过使用诸如map，filter等API方法对它们进行转换来从这些集合中派生新集合。
Flink程序剖析
Flink程序看起来像是转换数据集合的常规程序。每个程序包含相同的基本部分：
- 包含一个执行环境
- 加载/创建初始数据
- 指定数据的转换
- 指定放置计算结果的位置
- 触发程序执行
我们现在将概述每个步骤，请参阅相应部分以获取更多详细信息。请注意，Java DataSet API的所有核心类都可以在org.apache.flink.api.java包中找到，而Java DataStream API的类可以在org.apache.flink.streaming.api中找到。
StreamExecutionEnvironment是所有Flink程序的基础。您可以使用这些静态方法获取一个
StreamExecutionEnvironment：
getExecutionEnvironment()
createLocalEnvironment()
createRemoteEnvironment(String host, int port, String... jarFiles)
通常，您只需要使用getExecutionEnvironment（），因为这将根据上下文做正确的事情: 如果您在IDE中执行程序或作为常规Java程序，它将创建一个本地环境，该环境将在本地计算机上执行您的程序。如果您从程序中创建了一个JAR文件，并通过命令行调用它，则Flink集群管理器将执行您的main方法，getExecutionEnvironment（）将返回一个执行环境，用于在集群上执行您的程序。
对于指定数据源，执行环境有几种方法可以使用各种方法从文件中读取：您可以逐行读取它们，CSV文件或使用完全自定义数据输入格式。要将文本文件作为一系列行读取，您可以使用：
final StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
DataStream<String> text = env.readTextFile("file:///path/to/file");
这将为您提供一个DataStream，然后您可以在其上应用转换来创建新的派生DataStream。
您可以通过使用转换函数调用DataStream上的方法来应用转换。例如，地图转换如下所示：
DataStream<String> input = ...;
DataStream<Integer> parsed = input.map(new MapFunction<String, Integer>() {
@Override
public Integer map(String value) {
return Integer.parseInt(value);
}
});
这将通过将原始集合中的每个String转换为Integer来创建新的DataStream。
一旦有了包含最终结果的DataStream，就可以通过创建接收器将其写入外部系统。这些只是创建接收器的一些示例方法：
writeAsText(String path)
print()
一旦指定了完整的程序，就需要通过调用execute（）来触发程序在StreamExecutionEnvironment上执行。根据ExecutionEnvironment的类型，将在本地计算机上触发执行或提交程序以在群集上执行。
execute（）方法返回一个JobExecutionResult，它包含执行时间和累加器结果。
有关流数据源和接收器的信息，请参阅流指南，以及有关DataStream上支持的转换的更深入信息。
有关批处理数据源和接收器的信息，请查看批处理指南，以及有关DataSet支持的转换的更深入信息。
懒评估
所有Flink程序都是懒惰地执行的：当执行程序的main方法时，数据加载和转换不会直接发生。而是创建每个操作并将其添加到程序的计划中。当执行环境上的execute（）调用显式触发执行时，实际执行操作。程序是在本地执行还是在集群上执行取决于执行环境的类型。
懒惰的评估使您可以构建Flink作为一个整体计划单元执行的复杂程序。
指定键
某些转换（join，coGroup，keyBy，groupBy）要求在元素集合上定义键。其他转换（Reduce，GroupReduce，Aggregate，Windows）允许数据在应用之前在键上分组。
数据集分组：
DataSet<...> input = // [...]
DataSet<...> reduced = input
.groupBy(/*define key here*/)
.reduceGroup(/*do something*/);
数据流通过指定键通过：
DataStream<...> input = // [...]
DataStream<...> windowed = input
.keyBy(/*define key here*/)
.window(/*window specification*/);
Flink的数据模型不基于键值对。因此，无需将数据集类型物理打包到键和值中。键是“虚拟的”：它们被定义为实际数据上的函数，以指导分组操作符。
在下面的讨论中，我们将使用DataStream API和keyBy。对于DataSet API，您只需要用DataSet和groupBy替换。
元组定义键
最简单的情况是在元组的一个或多个字段上对元组进行分组：
DataStream<Tuple3<Integer,String,Long>> input = // [...]
KeyedStream<Tuple3<Integer,String,Long>,Tuple> keyed = input.keyBy(0)
元组以第一个字段分组
DataStream<Tuple3<Integer,String,Long>> input = // [...]
KeyedStream<Tuple3<Integer,String,Long>,Tuple> keyed = input.keyBy(0,1)
在这里，我们将元组分组在由第一个和第二个字段组成的复合键上。
关于嵌套元组的注释：如果你有一个带有嵌套元组的DataStream，例如：
DataStream<Tuple3<Tuple2<Integer, Float>,String,Long>> ds;
指定keyBy（0）将使系统使用完整的Tuple2作为键（以Integer和Float为键）。如果要“导航”到嵌套的Tuple2中，则必须使用下面解释的字段表达式。
使用字段表达式定义键
您可以使用基于字符串的字段表达式来引用嵌套字段，并定义用于分组，排序，连接或coGrouping的键。
字段表达式可以非常轻松地选择（嵌套）复合类型中的字段，例如Tuple和POJO类型。
// some ordinary POJO (Plain old Java Object)
public class WC {
public String word;
public int count;
}
DataStream<WC> words = // [...]
DataStream<WC> wordCounts = words.keyBy("word").window(/*window specification*/);
字段表达式语法：
- 按字段名称选择POJO字段。例如，“user”指的是POJO类型的“user”字段。
- 按字段名称或0偏移字段索引选择元组字段。例如，“f0”和“5”分别表示Java元组类型的第一和第六字段。
- 您可以在POJO和Tuples中选择嵌套字段。例如，“user.zip”指的是POJO的“zip”字段，其存储在POJO类型的“user”字段中。持任意嵌套和混合POJO和元组，例如“f1.user.zip”或“user.f3.1.zip”。
- 您可以使用“*”通配符表达式选择完整类型。这也适用于非Tuple或POJO类型的类型。
字段表达式例子：
public static class WC {
public ComplexNestedClass complex; //nested POJO
private int count;
// getter / setter for private field (count)
public int getCount() {
return count;
}
public void setCount(int c) {
this.count = c;
}
}
public static class ComplexNestedClass {
public Integer someNumber;
public float someFloat;
public Tuple3<Long, Long, String> word;
public IntWritable hadoopCitizen;
}
这些是上面示例代码的有效字段表达式：
- "count": WC类中的count字段。
- "complex": 递归选择POJO类型ComplexNestedClass的字段复合体的所有字段。
- "complex.word.f2": 选择嵌套Tuple3的最后一个字段。
- "complex.hadoopCitizen": 选择Hadoop IntWritable类型
使用Selector Function定义键
定义键的另一种方法是“键选择器”功能。键选择器函数将单个元素作为输入并返回元素的键。键可以是任何类型，并且可以从确定性计算中导出。
以下示例显示了一个键选择器函数，它只返回一个对象的字段：
// some ordinary POJO
public class WC {public String word; public int count;}
DataStream<WC> words = // [...]
KeyedStream<WC> keyed = words
.keyBy(new KeySelector<WC, String>() {
public String getKey(WC wc) { return wc.word; }
});
指定转换函数
大多数转换都需要用户定义的函数。本节列出了如何指定它们的不同方法
实现接口
最基本的方法是实现一个提供的接口：
class MyMapFunction implements MapFunction<String, Integer> {
public Integer map(String value) { return Integer.parseInt(value); }
};
data.map(new MyMapFunction());
匿名类
您可以将函数作为匿名类传递：
data.map(new MapFunction<String, Integer> () {
public Integer map(String value) { return Integer.parseInt(value); }
});
Java 8 Lambdas
Flink支持Lambdas
data.filter(s -> s.startsWith("http://"));
data.reduce((i1,i2) -> i1 + i2);
Rich 函数
需要用户定义函数的所有转换都可以将Rich函数作为参数。例如，不是这样：
class MyMapFunction implements MapFunction<String, Integer> {
public Integer map(String value) { return Integer.parseInt(value); }
};
你可以这样写：
class MyMapFunction extends RichMapFunction<String, Integer> {
public Integer map(String value) { return Integer.parseInt(value); }
};
并像往常一样将函数传递给map函数
data.map(new MyMapFunction());
Rich函数也可以定义为匿名类：
data.map (new RichMapFunction<String, Integer>() {
public Integer map(String value) { return Integer.parseInt(value); }
});
除了用户定义的函数（map，reduce等）之外，Rich函数还提供了四种方法：open，close，getRuntimeContext和setRuntimeContext。这些用于参数化函数（请参阅将参数传递给函数），创建和完成本地状态，访问广播变量（请参阅广播变量）以及访问运行时信息（如累加器和计数器）（请参阅累加器和计数器）以及有关信息的信息。迭代（参见迭代）。
支持的数据类型
Flink对DataSet或DataStream中可以包含的元素类型设置了一些限制。原因是系统分析类型以确定有效的执行策略。
有六种不同类别的数据类型：
- Java Tuples 和 Scala Case 类
- Java POJOs
- 原始类型
- 常规类
- 值
- Hadoop Writables
- Special Types
Tuples
Tuples是包含固定数量的具有各种类型的字段的复合类型。 Java API提供从Tuple1到Tuple25的类。Tuples的每个字段都可以是包含更多Tuple的任意Flink类型，从而产生嵌套元组。可以使用字段名称tuple.f4直接访问Tuple的字段，或使用通用getter方法tuple.getField（int position）.字段索引从0开始。请注意，这与Scala元组形成对比，但它与Java的一般索引更为一致。
DataStream<Tuple2<String, Integer>> wordCounts = env.fromElements(
new Tuple2<String, Integer>("hello", 1),
new Tuple2<String, Integer>("world", 2));
wordCounts.map(new MapFunction<Tuple2<String, Integer>, Integer>() {
@Override
public Integer map(Tuple2<String, Integer> value) throws Exception {
return value.f1;
}
});
wordCounts.keyBy(0); // also valid .keyBy("f0")
POJOs
如果满足以下要求，则Flink将Java和Scala类视为特殊的POJO数据类型：
- 类为public
- 无参的public 构造函数
- 所有的字段必须有getter和setter方法
- Flink必须支持字段的类型。目前，Flink使用Avro序列化任意对象（例如Date）。
Flink分析POJO类型的结构，即它了解POJO的字段。因此，POJO类型比一般类型更容易使用。此外，Flink可以比一般类型更有效地处理POJO。
public class WordWithCount {
public String word;
public int count;
public WordWithCount() {}
public WordWithCount(String word, int count) {
this.word = word;
this.count = count;
}
}
DataStream<WordWithCount> wordCounts = env.fromElements(
new WordWithCount("hello", 1),
new WordWithCount("world", 2));
wordCounts.keyBy("word"); // key by field expression "word"
原始类型
Flink支持所有Java和Scala原语类型，如Integer，String和Double。
一般类型
Flink支持大多数Java和Scala类（API和自定义）。限制适用于包含无法序列化的字段的类，如文件指针，I / O流或其他本机资源。遵循Java Beans约定的类通常可以很好地工作。
所有未标识为POJO类型的类（请参阅上面的POJO要求）都由Flink作为常规类类型处理。Flink将这些数据类型视为黑盒子，并且无法访问其内容（即，用于有效排序）。使用序列化框架Kryo对常规类型进行反序列化。
值
值类型手动描述其序列化和反序列化。它们不是通过通用序列化框架，而是通过使用读取和写入方法实现org.apache.flinktypes.Value接口来为这些操作提供自定义代码。当通用序列化效率非常低时，使用值类型是合理的。一个示例是将元素的稀疏向量实现为数组的数据类型。知道数组大部分为零，可以对非零元素使用特殊编码，而通用序列化只需编写所有数组元素。
org.apache.flinktypes.CopyableValue接口以类似的方式支持手动内部克隆逻辑。
Flink带有与基本数据类型对应的预定义值类型。（ByteValue, ShortValue, IntValue, LongValue, FloatValue, DoubleValue, StringValue, CharValue, BooleanValue）这些Value类型充当基本数据类型的可变变体：它们的值可以更改，允许程序员重用对象并从垃圾收集器中减轻压力。
Hadoop Writables
您可以使用实现org.apache.hadoop.Writable接口的类型。 write（）和readFields（）方法中定义的序列化逻辑将用于序列化。
特殊类型
您可以使用特殊类型，包括Scala的Either，Option和Try。 Java API有自己的自定义Either实现。与Scala的Either类似，它代表两种可能类型的值，左或右。两者都可用于错误处理或需要输出两种不同类型记录的运算符。
类型擦除和类型推断
仅针对Java
Java编译器在编译后抛弃了大部分泛型类型信息。这在Java中称为类型擦除。这意味着在运行时，对象的实例不再知道其泛型类型。例如，DataStream <String>和DataStream <Long>的实例与JVM看起来相同。
Flink在准备执行程序时（当调用程序的主要方法时）需要类型信息。Flink Java API尝试重建以各种方式丢弃的类型信息，并将其显式存储在数据集和运算符中。您可以通过DataStream.getType（）检索类型。该方法返回TypeInformation的一个实例，这是Flink表示类型的内部方式。
类型推断有其局限性，在某些情况下需要编程人员的“合作”。这方面的示例是从集合创建数据集的方法，例如ExecutionEnvironment.fromCollection（），你可以在其中传递描述类型的参数。但是像MapFunction <I，O>这样的通用函数也可能需要额外的类型信息。
ResultTypeQueryable接口可以通过输入格式和函数来实现，以明确告知API有关其返回类型的信息。调用函数的输入类型通常可以通过先前操作的结果类型来推断。
累加器和计数器
累加器是具有添加操作和最终累积结果的简单构造，可在作业结束后使用。
最直接的累加器是一个计数器：您可以使用Accumulator.add（V值）方法递增它。在工作结束时，Flink将汇总（合并）所有部分结果并将结果发送给客户。在调试过程中，或者如果你想快速了解有关数据的更多信息，累加器非常有用。
link目前有以下内置累加器。它们中的每一个都实现了Accumulator接口。
- IntCounter, LongCounter and DoubleCounter: 有关使用计数器的示例，请参见下文。
- Histogram: 离散数量的箱的直方图实现。在内部，它只是一个从Integer到Integer的映射。你可以使用它来计算值的分布，例如字数统计程序的每行字数分布。
如何使用累加器
首先，您必须在要使用它的用户定义转换函数中创建累加器对象（此处为计数器）。
private IntCounter numLines = new IntCounter();
其次，你必须注册累加器对象，通常在rich function的open（）方法中。在这里你还可以定义名称。
getRuntimeContext().addAccumulator("num-lines", this.numLines);
你现在可以在运算符函数中的任何位置使用累加器，包括open（）和close（）方法。
this.numLines.add(1);
整个结果将存储在JobExecutionResult对象中，该对象是从执行环境的execute（）方法返回的（当前这仅在执行等待作业完成时才有效）。
myJobExecutionResult.getAccumulatorResult("num-lines")
所有累加器每个作业共享一个命名空间。因此，您可以在作业的不同操作函数中使用相同的累加器。 Flink将在内部合并所有具有相同名称的累加器。
关于累加器和迭代的注释：目前累加器的结果仅在整个作业结束后才可用。我们还计划在下一次迭代中使前一次迭代的结果可用。您可以使用聚合器来计算每次迭代统计信息，并根据此类统计信息确定迭代的终止。
自定义累加器
要实现自己的累加器，只需编写Accumulator接口的实现即可。如果您认为您的自定义累加器应与Flink一起提供，请随意创建拉取请求。
你可以选择实现Accumulator 或者 SimpleAccumulator。
Accumulator<V,R> 最便捷：它为要添加的值定义类型V，为最终结果定义结果类型R.例如。对于直方图，V是数字，R是直方图。SimpleAccumulator 适用于两种类型相同的情况，比如计数器
网友评论