[[387138]]

本文轉載自微信公眾號「五分鐘學大數據」，作者園陌。轉載本文請聯系五分鐘學大數據公眾號。

直入正題!

Flink和Spark類似，也是一種一站式處理的框架;既可以進行批處理(DataSet)，也可以進行實時處理(DataStream)。

所以下面將Flink的算子分為兩大類：一類是DataSet，一類是DataStream。

DataSet

一、Source算子

1. fromCollection

fromCollection：從本地集合讀取數據

例：

val env = ExecutionEnvironment.getExecutionEnvironment 
val textDataSet: DataSet[String] = env.fromCollection( 
  List("1,張三", "2,李四", "3,王五", "4,趙六") 
) 

2. readTextFile

readTextFile：從文件中讀?。?/p>

val textDataSet: DataSet[String]  = env.readTextFile("/data/a.txt") 

3. readTextFile：遍歷目錄

readTextFile可以對一個文件目錄內的所有文件，包括所有子目錄中的所有文件的遍歷訪問方式：

val parameters = new Configuration 
// recursive.file.enumeration 開啟遞歸 
parameters.setBoolean("recursive.file.enumeration", true) 
val file = env.readTextFile("/data").withParameters(parameters) 

4. readTextFile：讀取壓縮文件

對于以下壓縮類型，不需要指定任何額外的inputformat方法，flink可以自動識別并且解壓。但是，壓縮文件可能不會并行讀取，可能是順序讀取的，這樣可能會影響作業的可伸縮性。

壓縮方法	文件擴展名	是否可并行讀取
DEFLATE	.deflate	no
GZip	.gz .gzip	no
Bzip2	.bz2	no
XZ	.xz	no

val file = env.readTextFile("/data/file.gz") 

二、Transform轉換算子

因為Transform算子基于Source算子操作，所以首先構建Flink執行環境及Source算子，后續Transform算子操作基于此：

val env = ExecutionEnvironment.getExecutionEnvironment 
val textDataSet: DataSet[String] = env.fromCollection( 
  List("張三,1", "李四,2", "王五,3", "張三,4") 
) 

1. map

將DataSet中的每一個元素轉換為另外一個元素：

// 使用map將List轉換為一個Scala的樣例類 
 
case class User(name: String, id: String) 
 
val userDataSet: DataSet[User] = textDataSet.map { 
  text => 
    val fieldArr = text.split(",") 
    User(fieldArr(0), fieldArr(1)) 
} 
userDataSet.print() 

2. flatMap

將DataSet中的每一個元素轉換為0...n個元素：

// 使用flatMap操作，將集合中的數據： 
// 根據第一個元素，進行分組 
// 根據第二個元素，進行聚合求值  
 
val result = textDataSet.flatMap(line => line) 
      .groupBy(0) // 根據第一個元素，進行分組 
      .sum(1) // 根據第二個元素，進行聚合求值 
       
result.print() 

3. mapPartition

將一個分區中的元素轉換為另一個元素：

// 使用mapPartition操作，將List轉換為一個scala的樣例類 
 
case class User(name: String, id: String) 
 
val result: DataSet[User] = textDataSet.mapPartition(line => { 
      line.map(index => User(index._1, index._2)) 
    }) 
     
result.print() 

4. filter

過濾出來一些符合條件的元素，返回boolean值為true的元素：

val source: DataSet[String] = env.fromElements("java", "scala", "java") 
val filter:DataSet[String] = source.filter(line => line.contains("java"))//過濾出帶java的數據 
filter.print() 

5. reduce

可以對一個dataset或者一個group來進行聚合計算，最終聚合成一個元素：

// 使用 fromElements 構建數據源 
val source = env.fromElements(("java", 1), ("scala", 1), ("java", 1)) 
// 使用map轉換成DataSet元組 
val mapData: DataSet[(String, Int)] = source.map(line => line) 
// 根據首個元素分組 
val groupData = mapData.groupBy(_._1) 
// 使用reduce聚合 
val reduceData = groupData.reduce((x, y) => (x._1, x._2 + y._2)) 
// 打印測試 
reduceData.print() 

6. reduceGroup

將一個dataset或者一個group聚合成一個或多個元素。

// 使用 fromElements 構建數據源 
val source: DataSet[(String, Int)] = env.fromElements(("java", 1), ("scala", 1), ("java", 1)) 
// 根據首個元素分組 
val groupData = source.groupBy(_._1) 
// 使用reduceGroup聚合 
val result: DataSet[(String, Int)] = groupData.reduceGroup { 
      (in: Iterator[(String, Int)], out: Collector[(String, Int)]) => 
        val tuple = in.reduce((x, y) => (x._1, x._2 + y._2)) 
        out.collect(tuple) 
    } 
// 打印測試 
result.print() 

7. minBy和maxBy

選擇具有最小值或最大值的元素：

// 使用minBy操作，求List中每個人的最小值 
// List("張三,1", "李四,2", "王五,3", "張三,4") 
 
case class User(name: String, id: String) 
// 將List轉換為一個scala的樣例類 
val text: DataSet[User] = textDataSet.mapPartition(line => { 
      line.map(index => User(index._1, index._2)) 
    }) 
     
val result = text 
          .groupBy(0) // 按照姓名分組 
          .minBy(1)   // 每個人的最小值 

8. Aggregate

在數據集上進行聚合求最值(最大值、最小值)：

val data = new mutable.MutableList[(Int, String, Double)] 
    data.+=((1, "yuwen", 89.0)) 
    data.+=((2, "shuxue", 92.2)) 
    data.+=((3, "yuwen", 89.99)) 
// 使用 fromElements 構建數據源 
val input: DataSet[(Int, String, Double)] = env.fromCollection(data) 
// 使用group執行分組操作 
val value = input.groupBy(1) 
            // 使用aggregate求最大值元素 
            .aggregate(Aggregations.MAX, 2)  
// 打印測試 
value.print()       

Aggregate只能作用于元組上

注意：

要使用aggregate，只能使用字段索引名或索引名稱來進行分組 groupBy(0) ，否則會報一下錯誤:

Exception in thread "main" java.lang.UnsupportedOperationException: Aggregate does not support grouping with KeySelector functions, yet.

9. distinct

去除重復的數據：

// 數據源使用上一題的 
// 使用distinct操作，根據科目去除集合中重復的元組數據 
 
val value: DataSet[(Int, String, Double)] = input.distinct(1) 
value.print() 

10. first

取前N個數：

input.first(2) // 取前兩個數 

11. join

將兩個DataSet按照一定條件連接到一起，形成新的DataSet：

// s1 和 s2 數據集格式如下： 
// DataSet[(Int, String,String, Double)] 
 
 val joinData = s1.join(s2)  // s1數據集 join s2數據集 
             .where(0).equalTo(0) {     // join的條件 
      (s1, s2) => (s1._1, s1._2, s2._2, s1._3) 
    } 

12. leftOuterJoin

左外連接,左邊的Dataset中的每一個元素，去連接右邊的元素

此外還有：

rightOuterJoin：右外連接,左邊的Dataset中的每一個元素，去連接左邊的元素

fullOuterJoin：全外連接,左右兩邊的元素，全部連接

下面以 leftOuterJoin 進行示例：

 val data1 = ListBuffer[Tuple2[Int,String]]() 
    data1.append((1,"zhangsan")) 
    data1.append((2,"lisi")) 
    data1.append((3,"wangwu")) 
    data1.append((4,"zhaoliu")) 
 
val data2 = ListBuffer[Tuple2[Int,String]]() 
    data2.append((1,"beijing")) 
    data2.append((2,"shanghai")) 
    data2.append((4,"guangzhou")) 
 
val text1 = env.fromCollection(data1) 
val text2 = env.fromCollection(data2) 
 
text1.leftOuterJoin(text2).where(0).equalTo(0).apply((first,second)=>{ 
      if(second==null){ 
        (first._1,first._2,"null") 
      }else{ 
        (first._1,first._2,second._2) 
      } 
    }).print() 

13. cross

交叉操作，通過形成這個數據集和其他數據集的笛卡爾積，創建一個新的數據集

和join類似，但是這種交叉操作會產生笛卡爾積，在數據比較大的時候，是非常消耗內存的操作：

val cross = input1.cross(input2){ 
      (input1 , input2) => (input1._1,input1._2,input1._3,input2._2) 
    } 
 
cross.print() 

14. union

聯合操作，創建包含來自該數據集和其他數據集的元素的新數據集,不會去重：

val unionData: DataSet[String] = elements1.union(elements2).union(elements3) 
// 去除重復數據 
val value = unionData.distinct(line => line) 

15. rebalance

Flink也有數據傾斜的時候，比如當前有數據量大概10億條數據需要處理，在處理過程中可能會發生如圖所示的狀況：

這個時候本來總體數據量只需要10分鐘解決的問題，出現了數據傾斜，機器1上的任務需要4個小時才能完成，那么其他3臺機器執行完畢也要等待機器1執行完畢后才算整體將任務完成;所以在實際的工作中，出現這種情況比較好的解決方案就是接下來要介紹的—rebalance(內部使用round robin方法將數據均勻打散。這對于數據傾斜時是很好的選擇。)

// 使用rebalance操作，避免數據傾斜 
val rebalance = filterData.rebalance() 

16. partitionByHash

按照指定的key進行hash分區：

val data = new mutable.MutableList[(Int, Long, String)] 
data.+=((1, 1L, "Hi")) 
data.+=((2, 2L, "Hello")) 
data.+=((3, 2L, "Hello world")) 
 
val collection = env.fromCollection(data) 
val unique = collection.partitionByHash(1).mapPartition{ 
  line => 
    line.map(x => (x._1 , x._2 , x._3)) 
} 
 
unique.writeAsText("hashPartition", WriteMode.NO_OVERWRITE) 
env.execute() 

17. partitionByRange

根據指定的key對數據集進行范圍分區：

val data = new mutable.MutableList[(Int, Long, String)] 
data.+=((1, 1L, "Hi")) 
data.+=((2, 2L, "Hello")) 
data.+=((3, 2L, "Hello world")) 
data.+=((4, 3L, "Hello world, how are you?")) 
 
val collection = env.fromCollection(data) 
val unique = collection.partitionByRange(x => x._1).mapPartition(line => line.map{ 
  x=> 
    (x._1 , x._2 , x._3) 
}) 
unique.writeAsText("rangePartition", WriteMode.OVERWRITE) 
env.execute() 

18. sortPartition

根據指定的字段值進行分區的排序：

val data = new mutable.MutableList[(Int, Long, String)] 
    data.+=((1, 1L, "Hi")) 
    data.+=((2, 2L, "Hello")) 
    data.+=((3, 2L, "Hello world")) 
    data.+=((4, 3L, "Hello world, how are you?")) 
 
val ds = env.fromCollection(data) 
    val result = ds 
      .map { x => x }.setParallelism(2) 
      .sortPartition(1, Order.DESCENDING)//第一個參數代表按照哪個字段進行分區 
      .mapPartition(line => line) 
      .collect() 
 
println(result) 

三、Sink算子

1. collect

將數據輸出到本地集合：

result.collect() 

2. writeAsText

將數據輸出到文件

Flink支持多種存儲設備上的文件，包括本地文件，hdfs文件等

Flink支持多種文件的存儲格式，包括text文件，CSV文件等

// 將數據寫入本地文件 
result.writeAsText("/data/a", WriteMode.OVERWRITE) 
 
// 將數據寫入HDFS 
result.writeAsText("hdfs://node01:9000/data/a", WriteMode.OVERWRITE) 

DataStream

和DataSet一樣，DataStream也包括一系列的Transformation操作。

一、Source算子

Flink可以使用 StreamExecutionEnvironment.addSource(source) 來為我們的程序添加數據來源。

Flink 已經提供了若干實現好了的 source functions，當然我們也可以通過實現 SourceFunction 來自定義非并行的source或者實現 ParallelSourceFunction 接口或者擴展 RichParallelSourceFunction 來自定義并行的 source。

Flink在流處理上的source和在批處理上的source基本一致。大致有4大類：

• 基于本地集合的source(Collection-based-source)
• 基于文件的source(File-based-source)- 讀取文本文件，即符合 TextInputFormat 規范的文件，并將其作為字符串返回
• 基于網絡套接字的source(Socket-based-source)- 從 socket 讀取。元素可以用分隔符切分。
• 自定義的source(Custom-source)

下面使用addSource將Kafka數據寫入Flink為例：

如果需要外部數據源對接，可使用addSource，如將Kafka數據寫入Flink， 先引入依賴：

<!-- https://mvnrepository.com/artifact/org.apache.flink/flink-connector-kafka-0.11 --> 
<dependency> 
    <groupId>org.apache.flink</groupId> 
    <artifactId>flink-connector-kafka-0.11_2.11</artifactId> 
    <version>1.10.0</version> 
</dependency> 

 

將Kafka數據寫入Flink：

val properties = new Properties() 
properties.setProperty("bootstrap.servers", "localhost:9092") 
properties.setProperty("group.id", "consumer-group") 
properties.setProperty("key.deserializer", "org.apache.kafka.common.serialization.StringDeserializer") 
properties.setProperty("value.deserializer", "org.apache.kafka.common.serialization.StringDeserializer") 
properties.setProperty("auto.offset.reset", "latest") 
 
val source = env.addSource(new FlinkKafkaConsumer011[String]("sensor", new SimpleStringSchema(), properties)) 

基于網絡套接字的：

val source = env.socketTextStream("IP", PORT) 

二、Transform轉換算子

1. map

將DataSet中的每一個元素轉換為另外一個元素：

dataStream.map { x => x * 2 } 

2. FlatMap

采用一個數據元并生成零個，一個或多個數據元。將句子分割為單詞的flatmap函數：

dataStream.flatMap { str => str.split(" ") } 

3. Filter

計算每個數據元的布爾函數，并保存函數返回true的數據元。過濾掉零值的過濾器：

dataStream.filter { _ != 0 }

4. KeyBy

邏輯上將流分區為不相交的分區。具有相同Keys的所有記錄都分配給同一分區。在內部，keyBy()是使用散列分區實現的。指定鍵有不同的方法。

此轉換返回KeyedStream，其中包括使用被Keys化狀態所需的KeyedStream：

dataStream.keyBy(0)  

5. Reduce

被Keys化數據流上的“滾動”Reduce。將當前數據元與最后一個Reduce的值組合并發出新值：

keyedStream.reduce { _ + _ }   

6. Fold

具有初始值的被Keys化數據流上的“滾動”折疊。將當前數據元與最后折疊的值組合并發出新值：

val result: DataStream[String] =  keyedStream.fold("start")((str, i) => { str + "-" + i })  
 
// 解釋：當上述代碼應用于序列（1,2,3,4,5）時，輸出結果“start-1”，“start-1-2”，“start-1-2-3”，... 

7. Aggregations

在被Keys化數據流上滾動聚合。min和minBy之間的差異是min返回最小值，而minBy返回該字段中具有最小值的數據元(max和maxBy相同)：

keyedStream.sum(0); 
 
keyedStream.min(0); 
 
keyedStream.max(0); 
 
keyedStream.minBy(0); 
 
keyedStream.maxBy(0); 

8. Window

可以在已經分區的KeyedStream上定義Windows。Windows根據某些特征(例如，在最后5秒內到達的數據)對每個Keys中的數據進行分組。這里不再對窗口進行詳解，有關窗口的完整說明，

dataStream.keyBy(0).window(TumblingEventTimeWindows.of(Time.seconds(5)));  

9. WindowAll

Windows可以在常規DataStream上定義。Windows根據某些特征(例如，在最后5秒內到達的數據)對所有流事件進行分組。

注意：在許多情況下，這是非并行轉換。所有記錄將收集在windowAll 算子的一個任務中。

dataStream.windowAll(TumblingEventTimeWindows.of(Time.seconds(5))) 

10. Window Apply

將一般函數應用于整個窗口。

注意：如果您正在使用windowAll轉換，則需要使用AllWindowFunction。

下面是一個手動求和窗口數據元的函數：

windowedStream.apply { WindowFunction } 
 
allWindowedStream.apply { AllWindowFunction } 

11. Window Reduce

將函數縮減函數應用于窗口并返回縮小的值：

windowedStream.reduce { _ + _ } 

12. Window Fold

將函數折疊函數應用于窗口并返回折疊值：

val result: DataStream[String] = windowedStream.fold("start", (str, i) => { str + "-" + i })  
 
// 上述代碼應用于序列（1,2,3,4,5）時，將序列折疊為字符串“start-1-2-3-4-5” 

13. Union

兩個或多個數據流的聯合，創建包含來自所有流的所有數據元的新流。注意：如果將數據流與自身聯合，則會在結果流中獲取兩次數據元：

dataStream.union(otherStream1, otherStream2, ...) 

14. Window Join

在給定Keys和公共窗口上連接兩個數據流：

dataStream.join(otherStream) 
    .where(<key selector>).equalTo(<key selector>) 
    .window(TumblingEventTimeWindows.of(Time.seconds(3))) 
    .apply (new JoinFunction () {...}) 

15. Interval Join

在給定的時間間隔內使用公共Keys關聯兩個被Key化的數據流的兩個數據元e1和e2，以便e1.timestamp + lowerBound <= e2.timestamp <= e1.timestamp + upperBound

am.intervalJoin(otherKeyedStream) 
    .between(Time.milliseconds(-2), Time.milliseconds(2))  
    .upperBoundExclusive(true)  
    .lowerBoundExclusive(true)  
    .process(new IntervalJoinFunction() {...}) 

16. Window CoGroup

在給定Keys和公共窗口上對兩個數據流進行Cogroup：

dataStream.coGroup(otherStream) 
    .where(0).equalTo(1) 
    .window(TumblingEventTimeWindows.of(Time.seconds(3))) 
    .apply (new CoGroupFunction () {...}) 

17. Connect

“連接”兩個保存其類型的數據流。連接允許兩個流之間的共享狀態：

DataStream<Integer> someStream = ... DataStream<String> otherStream = ... ConnectedStreams<Integer, String> connectedStreams = someStream.connect(otherStream) 
 
// ... 代表省略中間操作 

18. CoMap，CoFlatMap

類似于連接數據流上的map和flatMap：

connectedStreams.map( 
    (_ : Int) => true, 
    (_ : String) => false)connectedStreams.flatMap( 
    (_ : Int) => true, 
    (_ : String) => false) 

19. Split

根據某些標準將流拆分為兩個或更多個流：

val split = someDataStream.split( 
  (num: Int) => 
    (num % 2) match { 
      case 0 => List("even") 
      case 1 => List("odd") 
    })       

20. Select

從拆分流中選擇一個或多個流：

SplitStream split;DataStream even = split.select("even");DataStream odd = split.select("odd");DataStream all = split.select("even","odd")

三、Sink算子

支持將數據輸出到：

• 本地文件(參考批處理)
• 本地集合(參考批處理)
• HDFS(參考批處理)

除此之外，還支持：

• sink到kafka
• sink到mysql
• sink到redis

下面以sink到kafka為例：

val sinkTopic = "test" 
 
//樣例類 
case class Student(id: Int, name: String, addr: String, sex: String) 
val mapper: ObjectMapper = new ObjectMapper() 
 
//將對象轉換成字符串 
def toJsonString(T: Object): String = { 
    mapper.registerModule(DefaultScalaModule) 
    mapper.writeValueAsString(T) 
} 
 
def main(args: Array[String]): Unit = { 
    //1.創建流執行環境 
    val env = StreamExecutionEnvironment.getExecutionEnvironment 
    //2.準備數據 
    val dataStream: DataStream[Student] = env.fromElements( 
      Student(8, "xiaoming", "beijing biejing", "female") 
    ) 
    //將student轉換成字符串 
    val studentStream: DataStream[String] = dataStream.map(student => 
      toJsonString(student) // 這里需要顯示SerializerFeature中的某一個，否則會報同時匹配兩個方法的錯誤 
    ) 
    //studentStream.print() 
    val prop = new Properties() 
    prop.setProperty("bootstrap.servers", "node01:9092") 
 
    val myProducer = new FlinkKafkaProducer011[String](sinkTopic, new KeyedSerializationSchemaWrapper[String](new SimpleStringSchema()), prop) 
    studentStream.addSink(myProducer) 
    studentStream.print() 
    env.execute("Flink add sink") 
}