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:從文件中讀取:

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．deflatenoGZip．gz ．gzipnoBzip2．bz2noXZ．xznoval 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。
reduceGroup是reduce的一種優化方案;
它會先分組reduce,然后在做整體的reduce;這樣做的好處就是可以減少網絡IO:

// 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 supportgrouping 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:

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,請查看這篇文章:Flink 中極其重要的 Time 與 Window 詳細解析

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(

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

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

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kafkasink到mysqlsink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")
}