[大数据]Flink 【一】

flink.apache.org
Flink是有状态的(sateful)：Stateful Computations over Data Streams

起源欧洲，后被阿里收购，才在中国普及。在此之前都是用spark。

Flink也是做客户端，Flink on k8s、Yarn、Mesos，目前还是 Flink on Yarn，以后 on k8s.
on k8s.可以实现资源隔离，各个任务不用存在资源抢占。

可以接实时的数据,做流处理；也可以接DB，dfs的数据 ，做批处理。

Flink 更强于做流处理 【DataSet API (Legacy)】，Spark更强于做批处理

Flink 的特点

批流一体 DataSet-批 、DataStream-流。
高吞吐、低延迟、高性能。
真正的流处理，支持基于Event-time的操作。也支持window操作。
支持带状态的sateful的Exactly-Once(*****)。

DataStream

位置： documentation/Application Development/DataStream API
DataStream 也是不可变的。

简单上手

可以通过maven快速创建一个fink工程demo

$ mvn archetype:generate \
    -DarchetypeGroupId=org.apache.flink \
    -DarchetypeArtifactId=flink-walkthrough-datastream-java \
    -DarchetypeVersion=1.14.4 \
    -DgroupId=frauddetection \
    -DartifactId=frauddetection \
    -Dversion=0.1 \
    -Dpackage=spendreport \
    -DinteractiveMode=false

https://nightlies.apache.org/flink/flink-docs-release-1.12/dev/datastream_api.html

Example

1. 引入依赖

 <dependency>
     <groupId>org.apache.flink</groupId>
     <artifactId>flink-streaming-scala_2.12</artifactId>
     <version>${flink.version}</version>
 </dependency>
  <!--  提前引入，不然会报错：No ExecutorFactory found to execute the application，且报错看不出是没有flink-client导致  -->
 <dependency>
    <groupId>org.apache.flink</groupId>
    <artifactId>flink-clients_2.12</artifactId> 
    <version>${flink.version}</version>
 </dependency>

2. 批处理

// 隐式转换的包，不然会报错 could not find implicit value for evidence parameter of type org.apache.flink.api.common.typeinfo.TypeInformation[String]
import org.apache.flink.api.scala._
import org.apache.flink.api.scala.{DataSet, ExecutionEnvironment}

object BatchWCApp {

  def main(args: Array[String]): Unit = {

    // 1. 获取批处理上下文对象  --> SparkContext
    val env = ExecutionEnvironment.getExecutionEnvironment

    // 2. 批处理 获取数据 readTextFile
    val text: DataSet[String] = env.readTextFile("data/wc.txt") // 返回的就是 DataSet

    // 需要导入隐式转换的包  import org.apache.flink.api.scala._
    val result = text.flatMap(_.split(","))
      .map((_, 1))
      .groupBy(0)  // 索引下标
      .sum(1)  // 索引下标
      
    result.print()
  }
}

3. 流处理

import org.apache.flink.api.scala._
import org.apache.flink.streaming.api.scala.{DataStream, StreamExecutionEnvironment}

object StreamingWCApp {

  def main(args: Array[String]): Unit = {
    // 1. 获取流处理上下文对象
    val env = StreamExecutionEnvironment.getExecutionEnvironment

    // 2. 流处理 DataStream
    val text: DataStream[String] = env.socketTextStream("gargantua", 9527) // 返回的就是 DataStream
    
    text.flatMap(_.split(","))
      .filter(_.nonEmpty)
      .map((_, 1))
      .keyBy(_._1)
      .sum(1)
      .print().setParallelism(1)

    // 3. 流处理需要 手动 execute
    env.execute(this.getClass.getSimpleName)

    // 现在终端启动 [liqiang@Gargantua ~]$ nc -lk 9527
    // 再启动main方法
    // 在终端输入需要统计的单词(要回车)就能实时统计9527的数据
	
	4>(pig,1)
    4>(dog,2)  // 4代表并行度
    4>(dog,3) 
  }
}

4. java 版本的批处理

public static void main(String[] args) throws Exception {
    // java 版本对应的 gargantua.basic.BatchWCApp.scala
    ExecutionEnvironment env = ExecutionEnvironment.getExecutionEnvironment();
    DataSource<String> source = env.readTextFile("data/wc.txt");
    // 匿名内部类
    // test01(source);
    // lambda + stream流
    test02(source);
}
private static void test02(DataSource<String> source) throws Exception {
    System.out.println("------------");
    // 生成的 lambda 写法. 注意每一步都要先返回，再做下一步
    FlatMapOperator<String, String> flatMapOperator = source.flatMap((FlatMapFunction<String, String>) (s, collector) -> {
        String[] words = s.split(",");
        for (String word : words) {
            collector.collect(word);
        }
    }).returns(Types.STRING);
    
    //  stream流 写法：注意每一步都要先返回，再做下一步
   /* FlatMapOperator<String, String> flatMapOperator = source.flatMap((String line, Collector<String> collector) -> {
        Arrays.stream(line.split(",")).forEach(collector::collect);
    }).returns(Types.STRING);*/
    
    MapOperator<String, Tuple2<String, Integer>> mapOperator = flatMapOperator.map(x -> Tuple2.of(x, 1)).returns(Types.TUPLE(Types.STRING, Types.INT));
    mapOperator.groupBy(0).sum(1).print();
    // mapOperator.groupBy(x -> x.f0).sum(1).print();

5. java 版本的流处理
   …

Flink 的编程模型

Anatomy of a Flink Program

获取执行环境 [val env = getExecutionEnvironment()、createLocalEnvironment()]
加载/创建初始数据  [val input = env.readTextFile("data/wc.txt")、env.socketTextStream("localhost", 9999)]
作用此数据的transformations算子 [input.map { x => x.toInt }...]
指定计算结果的存放位置 [writeAsText(path: String))、print()、writeToSocket()、addSink()]
触发程序执行（流处理）  [env.execute(this.getClass.getSimpleName)]

获取执行环境

1. 获取批处理执行环境 ，如同SparkConf、SparkContext

   val env = ExecutionEnvironment.getExecutionEnvironment
   

2. 获取流处理执行环境

   val env = StreamExecutionEnvironment.getExecutionEnvironment
   

3. 获取环境时可以指定让这个任务展示到Web UI。
   引入依赖

    <dependency>
        <groupId>org.apache.flink</groupId>
        <artifactId>flink-runtime-web_${scala.binary.version}</artifactId>
    </dependency>
   

   获取带Web UI 的 Environment

   val env = StreamExecutionEnvironment.createLocalEnvironmentWithWebUI()
   

   默认启动在8080端口，如果占用就8081依次递增。如果有打开的UI页面提前打开，或前一次没有关闭，但后台重启，会报错。需要把UI关掉再打开。

数据源

基于文件(批处理)：

readTextFile()
readFile(fileInputFormat, path)
readFile(fileInputFormat, path, watchType, interval, pathFilter) 

基于socket(流处理):

socketTextStream 

基于scala/java集合

// 内置
fromCollection(Seq)  // 单并行，
fromCollection(Iterator)
fromElements(elements: _*)
fromParallelCollection(SplittableIterator)  // 并行，多个task
generateSequence(from, to)
// 自定义
addSource

Transformations

map、 filter 、keyby 、window...

数据输出

writeAsText() / TextOutputFormat
writeAsCsv(...) / CsvOutputFormat
print() / printToErr() 
writeUsingOutputFormat() / FileOutputFormat
writeToSocket 
addSink

并行度

获取当前并行度：stream.parallelism

env.socketTextStream 、env.fromCollection(List()) 、fromElements 的时候，并行度是1， 意味着不能并行接收。
且不能自己强制设置并行度，因为源码设置为1，或只要实现SourceFuncation的也都是单并行。

env.readTextFile() 、env.fromParallelCollection（）、env.generateSequence（）是多并行度读取。

对带并行度的数据源ParallSourceFunction如果不指定并行度，就会使用当前机器的CPU线程数。会把资源占尽。
transformation ： fliter、flatmap 等，如果不指定并行度，也是取决于CPU线程。
print()：如果不指定并行度，也是取决于CPU线程。

设置并行度

（仅针对能设置并行度时）

env阶段: env.setParallelism(2)  
source阶段 :  env.addSource(...).setParallelism(2)
transformation阶段： 默认是用完CPU，在生产一般都要自己重新设置。
sink阶段：

自定义数据源 addSource

内置的数据源如fromCollection()，底层也是用的addSource()。

定义数据源 addSource(new xxxSourceFunction())

对于xxxSourceFunction，有很多，都是常用Function的子接口和子类，如可以并行的ParalleSourceFunction、RichSourceFunction、RichParalleSourceFunction

继承自单并行度的自定义sourceFunction只能串行，继承自多并行度的自定义sourceFunction默认并行度为CPU线程数，也可以自己setParallelism。

自定义sourceFunction，需要实现run() 和cancel() 方法。源码有demo参考。

继承自RichFunction(增强)的自定义sourceFunction，除了run() 和cancel() ，还可以实现open()和close()方法。open是每一个并行度执行前都会调用的，如数据需要和mysql关联，可以在open中加载连接。

jdbc 读取数据源到source

继承RichSourceFunction，重写以下方法：在open方法中加载驱动、获取jdbc连接、准备查询语句，在run 方法执行SQL语句，在close中关闭连接释放资源。

kafka 读取数据源到source

导入依赖

 <dependency>
     <groupId>org.apache.flink</groupId>
     <artifactId>flink-connector-kafka_2.12</artifactId>
     <version>${flink.version}</version>
 </dependency>

新API可以直接使用KafkaSource.builder() 出一个kafkaSource。是多并行度的。

val env = StreamExecutionEnvironment.getExecutionEnvironment
val source = KafkaSource.builder()
	.setBootstrapServers("hadoop000:9092,hadoop000:9093,hadoop000:9094")
	 .setTopics("flinktopic")
	 .setGroupId("ruozedata_flink_topic_group")       // pk-group
	 .setStartingOffsets(OffsetsInitializer.latest()) // earliest
	 .setValueOnlyDeserializer(new SimpleStringSchema())
	 .build()
env.fromSource(source, WatermarkStrategy.noWatermarks(), "Kafka Source").print()

Transformations

Map、FlatMap、Filter、KeyBy、Reduce、Window、WindowAll 、Window Apply、WindowReduce、Union、Window Join、Interval Join 、Window CoGroup、Connect、CoMap, CoFlatMap、Iterate

map 是将一个 DataStream转另一个 DataStream
.map(_*2)的底层操作是

.transform("my map",new SteamMap(new MapFunction(
	override def map(value:Int) = value * 2
))

union： 两个或多个数据源 合并成一个数据源。 union时是必须要相同的数据类型
自己合并自己会得到两倍…

connect：两个数据源，关联成一个，但是内部其实两个流还是独立，知识可以共用State状态信息，且两个流数据类型还可以不一样

connect vs union
1) 合并后：一个流 / 多个流
2) 数据类型：是否一定要相同的数据类型
3) 个数问题：connect的map操作，也是会有两个参数，分开操作

需求：两个流分别做，stream1转大写，stream转Int

stream1.connect(stream2).map(new CoMapFunction[String,Int, String] {
    override def map1(value: String): String = value.toUpperCase()
    override def map2(value: Int): String = value * 10 + ""
})

分区器 Partitioner

自定义分区器MyPartitioner，继承Partitioner，重写partition方法，在其中指定分区规则。

通过partitionCustom指定使用分区

.partitionCustom(new MyPartitioner, x => x._1)

Sink

Flink03:https://nightlies.apache.org/flink/flink-docs-release-1.12/dev/connectors/

自定义 Sink。继承RichSinkFunction，重写open方法和invoke方法，在invoke方法中指定具体逻辑输出。

输出到文件

输出到文件系统，由于多并行，会产生很多小文件夹。流处理就不适合输出文件系统。
但是setParallelism(1)时可以输出到一个文件

输出到 kafka

需要引入依赖(和source是同一个)

<dependency>
    <groupId>org.apache.flink</groupId>
    <artifactId>flink-connector-kafka_${scala.binary.version}</artifactId>
</dependency>

官网提供API可以直接使用KafkaSource.builder() 出一个sink，使用sinkTo输出到kafka

val sink: KafkaSink[String] = KafkaSink.builder()
  .setBootstrapServers("hadoop000:9092,hadoop000:9093,hadoop000:9094")
  .setDeliverGuarantee(DeliveryGuarantee.AT_LEAST_ONCE)
  .setRecordSerializer(KafkaRecordSerializationSchema.builder()
    .setTopic("flinktopic")
    .setValueSerializationSchema(new SimpleStringSchema())
    .build()
  ).build()

输出到 redis

需要引入依赖

 <dependency>
     <groupId>org.apache.bahir</groupId>
     <artifactId>flink-connector-redis_2.11</artifactId>
     <version>1.0</version>
 </dependency>

API只提供了RedisSink，还需要自己实现RedisMapper。

数据到 jdbc

参考官网。

输出到 socket

 accessStream.writeToSocket("gargantua", 9526, new SimpleStringSchema())

输出到 nc - lk 9526 的窗口了

创作打卡挑战赛

赢取流量/现金/CSDN周边激励大奖