Flink - Java篇
文章目录
- 前言
- 一、概述
- 1 Flink是什么
- 2 架构分层
- 3 数据处理流水线
- 4 运行组件
- TaskManager
- JobManager
- ResourceManager
- Dispatcher
- 5 其他流式计算框架
- 二、入门与使用
- 1 Flink基本安装
- 1.1 Linux
- 1.2 Java
- 1.3 Scala(待补充)
- 1.4 集群模式
- 2 常用API
- 2.1 DataStream 流处理
- DataSource
- Transformation
- Sink
- 示例一:自定义数据源(SourceFunction)
- 示例二:自定义分区
- 示例三:Socket通信示例
- 示例四:RabbitMQ作为数据源
- 示例五:自定义Sink
- 2.2 DataSet 批处理
- 2.3 Table API / SQL(待补充)
- 2.4 关于序列化
- 三、进阶使用
- 1 Flink中对于变量的高级用法
- Broadcast
- Accumulator
- 分布式缓存
- 总结
- 2 状态管理与恢复(待补充)
- 3 窗口(待补充)
- 窗口类型
- 窗口函数
- 参考文章
- 4 时间(待补充)
- 固定乱序长度策略
- 单调递增时间戳策略
- 不生成水印策略
- 关于水印延迟/窗口允许延迟
- 5 并行度
- 四、原理解析(待补充)
- 总结
前言
目前本人是Java开发工程师,所以里面大部分的学习笔记都是以Java代码为主,Scala后面我再学所以后续再进行补充。
文章目录 |
---|
《Flink入门与实战》 - 徐葳 |
/ |
一、概述
1 Flink是什么
Apache Flink,内部是用Java及Scala编写的分布式流数据计算引擎,可以支持以批处理或流处理的方式处理数据,在2014年这个项目被Apache孵化器所接受后,Flink迅速成为ASF(ApacheSoftware Foundation)的顶级项目之一,在2019年1月,阿里巴巴集团收购了Flink创始公司(DataArtisans),打造了阿里云商业化的实时计算Flink产品。
它有如下几个特点
- 低延迟
- 高吞吐
- 支持有界数据/无界数据的处理,数据流式计算
- 支持集群,支持HA,可靠性强
什么是有界数据/无界数据?
- 有界数据:数据是有限的,一条SELECT查询下的数据不会是源源不断的
- 无界数据:数据源源不断,不知道为什么时候结束,例如监控下的告警
2 架构分层
名称 | 描述 |
---|---|
Deploy 部署方式 | 本地/集群/云服务部署。 |
Core 分布式流处理模型 | 计算核心实现,为API层提供基础服务。 |
API 调用接口 |
提供面向无界数据 的流处理API及有界数据 的批处理API,其中流处理对应DataStream API ,批处理对应DataSet API 。
|
Library 应用层 | 提供应用计算框架,面向流处理支持CEP(复杂事件处理)、基于SQL-like的操作(基于Table的关系操作),面向批处理支持FlinkML(机器学习库)、Gelly(图处理)、Table 操作。 |
3 数据处理流水线
一个Flink任务 = DataSource + Transformation + DataSink
DataSource :数据源
Transformation :数据处理
DataSink:计算结果输出
而Flink在网络传输中通过缓存块承载数据,可以通过设置缓存块的超时时间
,变相的决定了数据在网络中的处理方式。
4 运行组件
文章目录 |
---|
Flink-运行时架构中的四大组件-SmallScorpion的CSDN博客 |
Flink运行时主要有四个大组件
- TaskManager - 任务管理器(1)
- JobManager - 任务管理器(2)
- ResourceManager - 资源管理器
- Dispatcher - 分配器
下面来聊聊关于这四个组件的作用
TaskManager
工作进程,通常在一个Flink节点
内会有多个TaskManager
运行,而在每个TaskManager
中又包含了多个插槽(slots)
,插槽的数量代表了TaskManager能够执行的任务数量。
进程启动后,TaskManager会向ResourceManager(资源管理器)注册自己的插槽,JobManager通过从ResourceManager请求到的插槽信息,来分配任务执行。
JobManager
控制一个应用程序执行的主进程,一个应用程序只会对应一个JobManager。
一个应用程序包括:
- 作业图 - JobGraph
- 逻辑数据流图 - logical dataflow graph
- 含有打包完的所需资源的Jar包
大致的流程是这样
ResourceManager
负责管理TaskManager的slot(插槽),插槽指处理资源单元,当JobManager申请插槽资源时,ResourceManager会把目前已经注册上来的空闲的插槽信息分配给JobManager。
如果ResourceManager没有足够的插槽来满足JobManager的请求,它还可以向资源提供平台发起会话,以提供启动TaskManager进程的容器。
Dispatcher
- 提供Web UI,展示及监控任务执行信息
- 非必须组件,取决于应用提交运行的方式
- 当一个应用被提交执行时,分发器就会启动并将应用移交给一个JobManager
- 可以跨作业运行,它为应用提交提供了REST接口
5 其他流式计算框架
文章目录 |
---|
Flink介绍、特点及和与其他大数据框架对比_zhangxm_qz的CSDN博客 |
二、入门与使用
1 Flink基本安装
前置描述:xxxxxxxxxxxxx
1.1 Linux
下载链接 |
---|
Index of /dist/flink/flink-1.14.3 (apache.org) |
首先去apache官网下载部署的软件包,下载完成之后进行解压
## 解压
tar -zxvf flink-1.14.3-bin-scala_2.12.tgz
## 进入bin目录 启动
./start-cluster.sh
## Flink提供的WebUI的端口是8081 此时可以去看看是否启动完成
netstat -anp |grep 8081
接着通过页面访问8081端口来个初体验
关于Linux下的Flink Shell终端的使用
文章目录 |
---|
flink~使用shell终端_cai_and_luo的博客-CSDN博客 |
1.2 Java
文章目录 |
---|
Flink入门之Flink程序开发步骤(java语言)_胖虎儿的博客-CSDN博客 |
导入依赖
<!-- https://mvnrepository.com/artifact/org.apache.flink/flink-java -->
<dependency><groupId>org.apache.flink</groupId><artifactId>flink-java</artifactId><version>1.14.3</version>
</dependency>
<!-- https://mvnrepository.com/artifact/org.apache.flink/flink-streaming-java -->
<dependency><groupId>org.apache.flink</groupId><artifactId>flink-streaming-java_2.12</artifactId><version>1.14.3</version>
</dependency>
<!-- https://mvnrepository.com/artifact/org.apache.flink/flink-clients -->
<dependency><groupId>org.apache.flink</groupId><artifactId>flink-clients_2.12</artifactId><version>1.14.3</version>
</dependency>
<!-- https://mvnrepository.com/artifact/org.apache.flink/flink-core -->
<dependency><groupId>org.apache.flink</groupId><artifactId>flink-core</artifactId><version>1.14.3</version>
</dependency>
入门Demo
import org.apache.flink.api.common.RuntimeExecutionMode;
import org.apache.flink.api.common.functions.FlatMapFunction;
import org.apache.flink.api.common.functions.MapFunction;
import org.apache.flink.streaming.api.datastream.DataStream;
import org.apache.flink.streaming.api.datastream.DataStreamSource;
import org.apache.flink.streaming.api.datastream.SingleOutputStreamOperator;
import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;
import org.apache.flink.util.Collector;public class DemoApplication {public static void main(String[] args) throws Exception {/*** 大致的流程就分为* 1.环境准备* 设置运行模式* 2.加载数据源* 3.数据转换* 4.数据输出* 5.执行程序*/// 1.准备环境StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();// 设置运行模式env.setRuntimeMode(RuntimeExecutionMode.AUTOMATIC);// 2.加载数据源DataStreamSource<String> elementsSource = env.fromElements("java,scala,php,c++","java,scala,php", "java,scala", "java");// 3.数据转换DataStream<String> flatMap = elementsSource.flatMap(new FlatMapFunction<String, String>() {@Overridepublic void flatMap(String element, Collector<String> out) throws Exception {String[] wordArr = element.split(",");for (String word : wordArr) {out.collect(word);}}});// DataStream 下边为DataStream子类SingleOutputStreamOperator<String> source = flatMap.map(new MapFunction<String, String>() {@Overridepublic String map(String value) throws Exception {return value.toUpperCase();}});// 4.数据输出source.print();// 5.执行程序env.execute();}
}
关于在设置运行模式的代码上,有三种选择
/*** Runtime execution mode of DataStream programs. Among other things, this controls task scheduling,* network shuffle behavior, and time semantics. Some operations will also change their record* emission behaviour based on the configured execution mode.** @see <a* href="https://cwiki.apache.org/confluence/display/FLINK/FLIP-134%3A+Batch+execution+for+the+DataStream+API">* https://cwiki.apache.org/confluence/display/FLINK/FLIP-134%3A+Batch+execution+for+the+DataStream+API</a>*/
@PublicEvolving
public enum RuntimeExecutionMode {/*** The Pipeline will be executed with Streaming Semantics. All tasks will be deployed before* execution starts, checkpoints will be enabled, and both processing and event time will be* fully supported.*//** 流处理模式 */STREAMING,/*** The Pipeline will be executed with Batch Semantics. Tasks will be scheduled gradually based* on the scheduling region they belong, shuffles between regions will be blocking, watermarks* are assumed to be "perfect" i.e. no late data, and processing time is assumed to not advance* during execution.*//** 批处理模式 */BATCH,/*** Flink will set the execution mode to {@link RuntimeExecutionMode#BATCH} if all sources are* bounded, or {@link RuntimeExecutionMode#STREAMING} if there is at least one source which is* unbounded.*//** 自动模式 */AUTOMATIC
}
1.3 Scala(待补充)
与Java一样都在IDEA编译器上做,此时引入依赖
<!-- https://mvnrepository.com/artifact/org.apache.flink/flink-scala -->
<dependency><groupId>org.apache.flink</groupId><artifactId>flink-scala_2.12</artifactId><version>1.14.3</version>
</dependency>
<!-- https://mvnrepository.com/artifact/org.apache.flink/flink-streaming-scala -->
<dependency><groupId>org.apache.flink</groupId><artifactId>flink-streaming-scala_2.12</artifactId><version>1.14.3</version>
</dependency>
<!-- https://mvnrepository.com/artifact/org.apache.flink/flink-clients -->
<dependency><groupId>org.apache.flink</groupId><artifactId>flink-clients_2.12</artifactId><version>1.14.3</version>
</dependency>
<!-- https://mvnrepository.com/artifact/org.apache.flink/flink-core -->
<dependency><groupId>org.apache.flink</groupId><artifactId>flink-core</artifactId><version>1.14.3</version>
</dependency>
// …
待定 …
// …
1.4 集群模式
文章目录 |
---|
Flink集群部署详细步骤 - 简书 (jianshu.com) |
Flink集群部署 - 云+社区 - 腾讯云 (tencent.com) |
2 常用API
第一次学时,光看上面的Demo例子比较难以理解,所以通过书下面的API内容对照上面的Demo来进行理解,先来了解Flink四种层次的API详情
层级 | 描述信息 | 备注 |
---|---|---|
底层 API | 偏底层,易用性比较差,提供时间/状态的细粒度控制 | Stateful Stream Processing |
核心 API | 对有界/无界数据提供处理方法 | DataStream(流处理) / DataSet(批处理) |
Table API | / | 声明式DSL |
SQL | / | 高级语言 |
2.1 DataStream 流处理
主要分为三个流程
- DataSource 数据输入:addSource(sourceFunction)为程序添加一个数据源。
- Transformation 数据处理:对一个或多个数据源进行操作。
- Sink 数据输出:通过Transformation 处理后的数据输出到指定的位置。
DataSource
看看他们的API
DataSource API | 描述 |
---|---|
readTextFile(文件路径) | 逐行读取文本文件的数据 |
socketTextStream(地址信息) | 从socket中读取数据 |
fromCollection(集合数据) | 从集合内获取数据 |
其他第三方输入数据…或者自定义数据源 | 通过Flink提供的内置连接器去链接其它数据源 |
如果是自定义数据源,有两种实现方式
- 实现SourceFunction接口(并行度为1 = 无并行度)
- 实现ParallelSourceFunction接口 / 继承RichParallelSourceFunction
什么是并行度?
一个Flink程序由多个任务(Source、Transformation和Sink)组成。一个任务由多个并行实例(线程)来执行,一个任务的并行实例(线程)数目被称为该任务的并行度。
Transformation
接下来是Transformation
数据处理,Flink针对DataStream提供了大量的已经实现的算子。
DataStream API | 描述 |
---|---|
Map | 输入一个元素,然后返回一个元素,中间可以进行清洗转换等操作 |
FlatMap | 输入一个元素,可以返回零个、一个或者多个元素 |
Filter | 过滤函数,对传入的数据进行判断,符合条件的数据会被留下 |
KeyBy | 根据指定的Key进行分组,Key相同的数据会进入同一个分区,典型用法如下:1、DataStream.keyBy(“someKey”) 指定对象中的someKey段作为分组Key。2、DataStream.keyBy(0) 指定Tuple中的第一个元素作为分组Key。 |
Reduce | 对数据进行聚合操作,结合当前元素和上一次Reduce返回的值进行聚合操作,然后返回一个新的值 |
Aggregations | sum()、min()、max()等 |
Union | 合并多个流,新的流会包含所有流中的数据,但是Union有一个限制,就是所有合并的流类型必须是一致的 |
Connect | 和Union类似,但是只能连接两个流,两个流的数据类型可以不同,会对两个流中的数据应用不同的处理方法 |
coMap和coFlatMap | 在ConnectedStream中需要使用这种函数,类似于Map和flatMap |
Split | 根据规则把一个数据流切分为多个流 |
Select | 和Split配合使用,选择切分后的流 |
关于Flink针对DataStream提供的一些数据分区规则
分区规则 | 描述 |
---|---|
DataStream.shuffle() | 随机分区 |
DataStream.rebalance() | 对数据集进行再平衡、重分区和消除数据倾斜 |
DataStream.rescale() | 重新调节 |
DataStream.broadcast() | 把元素广播给所有的分区,数据会被重复处理 |
DataStream.partitionCustom(partitioner,0) 或者 DataStream.partitionCustom(partitioner,“smeKey”) | 自定义分区 |
Sink
数据处理后的输出
Sink API | 描述 |
---|---|
writeAsText() | 将元素以字符串形式逐行写入,这些字符串通过调用每个元素的toString()方法来获取 |
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 |
自定义输出 | addSink可以实现把数据输出到第三方存储介质中。系统提供了一批内置的Connector,它们会提供对应的Sink支持 |
自定义Sink的两种方式
- 实现SinkFunction接口
- 继承RichSinkFunction类
实际上,RichSinkFunction抽象类也是继承了SinkFunction这个接口,所以实际上差别不大
示例一:自定义数据源(SourceFunction)
第一步,继承SourceFunction接口,实现自定义数据源类
import org.apache.flink.streaming.api.functions.source.SourceFunction;
import java.util.Random;/*** 自定义数据源* @author 李家民*/
public class DemoTransactionSource implements SourceFunction<String> {@Overridepublic void run(SourceContext<String> ctx) throws Exception {while (true) {// 发射元素ctx.collect(String.valueOf(new Random().nextInt(50)));Thread.sleep(1000);}}@Overridepublic void cancel() {}
}
第二步,在Flink代码中引入这个数据源
import org.apache.flink.api.common.RuntimeExecutionMode;
import org.apache.flink.api.common.functions.FlatMapFunction;
import org.apache.flink.api.common.functions.MapFunction;
import org.apache.flink.streaming.api.datastream.DataStream;
import org.apache.flink.streaming.api.datastream.DataStreamSource;
import org.apache.flink.streaming.api.datastream.SingleOutputStreamOperator;
import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;
import org.apache.flink.util.Collector;
import org.springframework.stereotype.Component;
import javax.annotation.PostConstruct;/*** @author 李家民*/
@Component
public class FlinkInitialize {@PostConstructpublic void starter() throws Exception {// 1.准备环境StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();// 设置运行模式env.setRuntimeMode(RuntimeExecutionMode.AUTOMATIC);// 为流式作业启用检查点 以毫秒为单位 流式数据流的分布式状态将被定期快照env.enableCheckpointing(5000);// 2.设置自定义数据源DataStreamSource<String> stringDataStreamSource = env.addSource(new DemoTransactionSource(), "测试用的数据源");// 3.数据处理SingleOutputStreamOperator<String> stringSingleOutputStreamOperator = stringDataStreamSource.map(new MapFunction<String, String>() {@Overridepublic String map(String value) throws Exception {return value;}});// 4.数据输出stringSingleOutputStreamOperator.print();// 5.执行程序env.execute();}
}
此时执行代码,就可以把引入的数据进行打印
SourceFunction定义了run和cancel两个方法和SourceContext内部接口。
- run(SourceContex):实现数据获取逻辑,并可以通过传入的参数ctx进行向下游节点的数据转发。
- cancel():用来取消数据源,一般在run方法中,会存在一个循环来持续产生数据,cancel方法则可以使该循环终止。
- SourceContext:source函数用于发出元素和可能的watermark的接口,返回source生成的元素的类型。
示例二:自定义分区
数据源沿用上述案例的代码,自定义分区是通过实现Partitioner接口去做处理
首先看看自定义分区的实现类
/*** 自定义分区* @author 李家民*/
public class DemoPartitioner implements Partitioner<String> {@Overridepublic int partition(String key, int numPartitions) {System.out.println("目前分区总数=" + numPartitions + " 当前值=" + key + " 通过最左边的值看分区号");if (new Integer(key) > 20) {return 1;} else {return 2;}}
}
然后在Flink的代码中体现
import org.apache.flink.api.common.RuntimeExecutionMode;
import org.apache.flink.api.common.functions.MapFunction;
import org.apache.flink.api.java.functions.KeySelector;
import org.apache.flink.streaming.api.datastream.DataStream;
import org.apache.flink.streaming.api.datastream.DataStreamSource;
import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;
import org.springframework.stereotype.Component;
import javax.annotation.PostConstruct;@Component
public class FlinkInitialize {@PostConstructpublic void starter() throws Exception {// 1.准备环境StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();// 设置运行模式env.setRuntimeMode(RuntimeExecutionMode.AUTOMATIC);// 2.设置自定义数据源DataStreamSource<String> stringDataStreamSource = env.addSource(new DemoTransactionSource(), "测试用的数据源");// 3.数据处理DataStream<String> dataStream = stringDataStreamSource.map(new MapFunction<String, String>() {@Overridepublic String map(String value) throws Exception {return value;}}).partitionCustom(new DemoPartitioner(), new KeySelector<String, String>() {@Overridepublic String getKey(String value) throws Exception {return value;}});// 4.数据输出dataStream.print();// 5.执行程序env.execute();}
}
输出后的结果如下
示例三:Socket通信示例
第一步:搭建数据来源,这里使用Linux作为数据来源,在Linux上打命令把端口开启
nc -l 16668
第二步:编写flink代码
import org.apache.flink.api.common.RuntimeExecutionMode;
import org.apache.flink.api.common.functions.MapFunction;
import org.apache.flink.api.java.functions.KeySelector;
import org.apache.flink.streaming.api.datastream.DataStream;
import org.apache.flink.streaming.api.datastream.DataStreamSource;
import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;
import org.springframework.stereotype.Component;
import javax.annotation.PostConstruct;@Component
public class FlinkInitialize {@PostConstructpublic void starter() throws Exception {// 1.准备环境StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();// 设置运行模式env.setRuntimeMode(RuntimeExecutionMode.STREAMING);// 2.设置自定义数据源String address = "47.106.207.254";int port = 16668;DataStream<String> dataStreamSource = env.socketTextStream(address, port).map(new MapFunction<String, String>() {@Overridepublic String map(String value) throws Exception {return value;}});dataStreamSource.print();// 5.执行程序env.execute();}
}
效果如下
你学废了吗
示例四:RabbitMQ作为数据源
第一步:搭建RabbitMQ子系统
.....代码省略,不会RabbitMQ的看下面这篇文章
文章目录 |
---|
RabbitMQ - SpringBoot集成版 - 开发+运维__-CSDN博客 |
第二步:编写flink代码,首先引入RabbitMQ/Flink的依赖
<!-- https://mvnrepository.com/artifact/org.apache.flink/flink-connector-rabbitmq -->
<dependency><groupId>org.apache.flink</groupId><artifactId>flink-connector-rabbitmq_2.12</artifactId><version>1.14.3</version>
</dependency>
编写java代码
import org.apache.flink.api.common.RuntimeExecutionMode;
import org.apache.flink.api.common.functions.MapFunction;
import org.apache.flink.api.common.serialization.SimpleStringSchema;
import org.apache.flink.streaming.api.datastream.DataStream;
import org.apache.flink.streaming.api.datastream.DataStreamSource;
import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;
import org.apache.flink.streaming.connectors.rabbitmq.RMQSource;
import org.apache.flink.streaming.connectors.rabbitmq.common.RMQConnectionConfig;
import org.springframework.stereotype.Component;
import javax.annotation.PostConstruct;@Component
public class FlinkInitialize {@PostConstructpublic void starter() throws Exception {// 1.准备环境StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();// 设置运行模式env.setRuntimeMode(RuntimeExecutionMode.AUTOMATIC);// 2.设置数据源RMQConnectionConfig connectionConfig = new RMQConnectionConfig.Builder().setHost("47.106.207.254").setPort(5672).setUserName("admin").setPassword("admin").setVirtualHost("/").build();// 3.将RabbitMQ数据源加入DataStreamSource<String> dataStreamSource = env.addSource(new RMQSource<String>(connectionConfig,"Demo01_queue",true,new SimpleStringSchema()));// 4.数据转换并输出dataStreamSource.map(new MapFunction<String, String>() {@Overridepublic String map(String value) throws Exception {return value;}});dataStreamSource.print();// 5.执行程序env.execute();}
}
在Flink代码中,有两步对于RabbitMQ的加入很关键
示例五:自定义Sink
很简单,把上面的代码稍微改一下就好了
package com.ljm.flink;import org.apache.flink.api.common.RuntimeExecutionMode;
import org.apache.flink.api.common.functions.MapFunction;
import org.apache.flink.api.common.serialization.SimpleStringSchema;
import org.apache.flink.streaming.api.datastream.DataStream;
import org.apache.flink.streaming.api.datastream.DataStreamSource;
import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;
import org.apache.flink.streaming.connectors.rabbitmq.RMQSource;
import org.apache.flink.streaming.connectors.rabbitmq.common.RMQConnectionConfig;
import org.springframework.stereotype.Component;
import javax.annotation.PostConstruct;/*** @author 李家民*/
@Component
public class FlinkInitialize {@PostConstructpublic void starter() throws Exception {// 1.准备环境StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();// 设置运行模式env.setRuntimeMode(RuntimeExecutionMode.AUTOMATIC);// 2.设置数据源RMQConnectionConfig connectionConfig = new RMQConnectionConfig.Builder().setHost("47.106.207.254").setPort(5672).setUserName("admin").setPassword("admin").setVirtualHost("/").build();// 3.将RabbitMQ数据源加入DataStreamSource<String> dataStreamSource = env.addSource(new RMQSource<String>(connectionConfig,"Demo01_queue",true,new SimpleStringSchema()));// 4.数据转换并输出dataStreamSource.map(new MapFunction<String, String>() {@Overridepublic String map(String value) throws Exception {return value;}});// 自定义输出dataStreamSource.addSink(new SinkDemo());// 5.执行程序env.execute();}
}
继承RichSinkFunction抽象类
import org.apache.flink.api.common.eventtime.Watermark;
import org.apache.flink.streaming.api.functions.sink.RichSinkFunction;/*** 自定义Flink输出* @author 李家民*/
public class SinkDemo extends RichSinkFunction<String> {/*** 将给定值写入接收器。为每条记录调用此函数* @param value 获取到的值* @param context 可用于获取有关输入记录的附加数据的上下文* @throws Exception*/@Overridepublic void invoke(String value, Context context) throws Exception {System.out.println(value + " " + context.timestamp());}@Overridepublic void writeWatermark(Watermark watermark) throws Exception {super.writeWatermark(watermark);}/*** 此方法在数据处理结束时调用* @throws Exception*/@Overridepublic void finish() throws Exception {System.out.println("此方法在数据处理结束时调用");}
}
接收到数据以后,就可以进行后续的一系列操作了
2.2 DataSet 批处理
组件跟上面的DataStream差不多,都是分为这么三个,
- DataSource
- Transformation
- Sink
一般是用来读取HDFS(分布式文件存储)中的文件数据,不作解释了。
2.3 Table API / SQL(待补充)
Flink针对标准的流处理和批处理提供的两种关系型API:Table API 和 SQL。
<!-- https://mvnrepository.com/artifact/org.apache.flink/flink-table -->
<dependency><groupId>org.apache.flink</groupId><artifactId>flink-table</artifactId><version>1.14.3</version><type>pom</type><scope>provided</scope>
</dependency>
<!-- https://mvnrepository.com/artifact/org.apache.flink/flink-table-common -->
<dependency><groupId>org.apache.flink</groupId><artifactId>flink-table-common</artifactId><version>1.14.3</version><scope>provided</scope>
</dependency>
<!-- https://mvnrepository.com/artifact/org.apache.flink/flink-table-api-java -->
<dependency><groupId>org.apache.flink</groupId><artifactId>flink-table-api-java</artifactId><version>1.14.3</version>
</dependency>
// …
待定 …
// …
2.4 关于序列化
Flink自带针对一些标准类型的序列化器,如果涉及到这些自带的序列化器也无法处理的数据,则需要自定义序列化器。
StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
// 使用Avro序列化
env.getConfig().enableForceAvro();
// 使用Kryo序列化
env.getConfig().enableForceKryo();
// 自定义序列化器
env.getConfig().addDefaultKryoSerializer(xxxxx,xxxxx);
在自定义序列化器参数中,需要填写序列化的类对象类,并且这个类切记需要继承序列化接口Serializer。
三、进阶使用
1 Flink中对于变量的高级用法
前置描述:xxxxxxxxxxxxx
Broadcast
这里的Broadcast指的是广播变量,而不是分区规则。
DataStream Broadcast(分区规则)
Flink Broadcast(广播变量)
广播变量指再每台机器上保持的一个只读的共享缓存变量,在任务进程需要的时候传递这个共享缓存变量,而不是一个变量副本,可以节省内存,
但是修改广播变量的同时会影响到所有持有这个变量的节点
。public void starter() throws Exception {// 准备环境ExecutionEnvironment env = ExecutionEnvironment.getExecutionEnvironment();// 被广播的数据DataSource<String> dataSource = env.fromElements("5", "6", "7", "8");// 常规数据DataSet<String> dataSet = env.fromElements("哈哈哈哈1", "哈哈哈哈2", "哈哈哈哈3", "哈哈哈哈4");// 数据处理// 使用 RichMapFunction, 在open() 方法中拿到广播变量// 由于我是在单个节点上去拿变量的 所以其实放在map方法里面也可以 但是分布式环境下还是得从open方法里获取比较好吧dataSet.map(new RichMapFunction<String, String>() {@Overridepublic String map(String value) throws Exception {return value;}@Overridepublic void open(Configuration parameters) throws Exception {super.open(parameters);List<String> broadcastVariable = getRuntimeContext().getBroadcastVariable("被广播的共享变量名");System.out.println("print=" + broadcastVariable);}}).withBroadcastSet(dataSource, "被广播的共享变量名").print();}
Accumulator
累加器,统计Task在运行中的情况,例如在函数中处理了多少条数据,累加器的常用实现有
- IntCounter
- LongCounter
- DoubleCounter
// 准备环境
StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
// 设置并行度
env.setParallelism(1);
// 常规数据
DataStream<String> dataSet = env.fromElements("哈哈哈哈1", "哈哈哈哈2", "哈哈哈哈3", "哈哈哈哈4");
// 新建累加器
IntCounter counter = new IntCounter();
// 数据处理
dataSet.map(new RichMapFunction<String, String>() {@Overridepublic String map(String value) throws Exception {counter.add(1);return value;}@Overridepublic void open(Configuration parameters) throws Exception {super.open(parameters);// 累加器添加进运行上下文getRuntimeContext().addAccumulator("counter", counter);}
}).print();
// 执行作业的结果
JobExecutionResult jobExecutionResult = env.execute();
// 获取累加器
Integer result = jobExecutionResult.getAccumulatorResult("counter");
System.out.println("累加器之和是=" + result);
你学废了吗
分布式缓存
我的理解就是,一个节点将文件系统注册进集群内,当程序运行后,Flink会自动把这个文件信息复制到其他TaskManager节点的本地文件系统。
注册
env.registerCachedFile();
访问
File file = getRuntimeContext().getDistributedCache().getFile("文件名");
大概就是这么回事。
总结
Broadcast
只读变量缓存在各节点上,减少内存开销,但是禁止修改该变量。
Accumulator
不同任务中同一变量的累加统计操作,只有任务执行完成后才能得到这个结果。
Cache
分布式缓存系统,结合文件系统实现数据共享。
2 状态管理与恢复(待补充)
文章目录 |
---|
【Flink】Flink 状态管理 - 简书 (jianshu.com) |
3 窗口(待补充)
临时补上一个下面会用到的一个时间依赖
<dependency><groupId>joda-time</groupId><artifactId>joda-time</artifactId><version>2.10.5</version> </dependency>
Flink的窗口实际上是将无限的流划分为窗口切割成一段一段有限的集合(流是无限的,通常很难对其进行元素计数),它也是从Stream到Batch的一个过程。
而对于窗口的切割的依据,可以由 时间
或 数据量
作为依据驱动,根据需要也可以的进行自定义。
基本窗口可以分为两种
- 时间窗口 - time window:通过时间进行窗口切割。
- 计数窗口 - count window:通过数据量进行窗口切割。
窗口类型
下面具体说说窗口的类型
Tumbling Window - 滚动窗口,表示窗口内的数据没有重叠。
根据时间段进行窗口切割,所以数据故不可能发生重叠。
Sliding Window - 滑动窗口,表示窗口内的数据有重叠。
跟滚动窗口的区别在于,这个滑动是基于窗口的起点偏移量去制定下一个窗口的大小,故数据会发生重叠。
Session Window - 会话窗口,通过session活动来对元素进行分组,与上述相比,不会有重叠和固定的开始时间和结束时间的情况。
global Window - 全局窗口,将相同 key 的所有元素聚在一起,但是这种窗口没有起点也没有终点,因此必须自定义触发器。
下面上一个简单的示例代码来对上面打个样
// 时间长度为20秒的滚动窗口
dataStream.keyBy(value -> {return value;
}).window(TumblingEventTimeWindows.of(Time.seconds(20)));// 每 10 秒打开 1 分钟的滚动窗口
dataStream.keyBy(value -> {return value;
}).window(TumblingProcessingTimeWindows.of(Time.of(1, MINUTES), Time.of(10, SECONDS)));// 每小时 产生15分钟 的偏移量 的滑动窗口
dataStream.keyBy(value -> {return value;
}).window(TumblingEventTimeWindows.of(Time.hours(1), Time.minutes(15)));// 全局窗口 将相同 key 的所有元素聚在一起
dataStream.keyBy(value -> {return value;
}).window(GlobalWindows.create());// 这个操作将并行度变为1 所有数据放在一个窗口进行操作 不进行分组 所以这个方法的前缀也不需要进行keyBy
dataStream.windowAll(TumblingEventTimeWindows.of(Time.seconds(5)));
窗口函数
通常我们的窗口代码中会三个步骤
// Keyed Window
stream.keyBy(...) <- 按照一个Key进行分组.window(...) <- 将数据流中的元素分配到相应的窗口中[.trigger(...)] <- 指定触发器Trigger(可选)[.evictor(...)] <- 指定清除器Evictor(可选).reduce/aggregate/process() <- 窗口处理函数Window Function// Non-Keyed Window
stream.windowAll(...) <- 不分组,将数据流中的所有元素分配到相应的窗口中[.trigger(...)] <- 指定触发器Trigger(可选)[.evictor(...)] <- 指定清除器Evictor(可选).reduce/aggregate/process() <- 窗口处理函数Window Function
下面聊聊有关于数据聚合的窗口函数,可以分成两个大类
增量聚合函数 - incremental aggregation functions
每来一个数据就计算
ReduceFuction / AggregationFunction
全窗口函数 - full window functions
把数据囤积起来,等到最后再一次性遍历计算
ProcessWindowFunction / WindowFunction
不学了,以后哪天用到了再补充这里。
参考文章
文章目录 |
---|
旧版本 - Flink 的Window 操作 - 简书 (jianshu.com) |
4 时间(待补充)
Stream数据中的时间有三种
- Event Time - 事件产生时间
- Ingestion Time - 事件进入Flink的时间
- Processing Time - 时间被处理时当前的系统时间
如果是1.2以前的Flink版本
文章目录 |
---|
Flink学习笔记:Time的故事 - 大数据研习社 - 博客园 (cnblogs.com) |
新版本的建议使用WatermarkStrategy,通过assignTimestampsAndWatermarks方法进行设置
- 固定乱序长度策略(forBoundedOutOfOrderness)
- 单调递增时间戳策略(forMonotonousTimestamps)
- 不生成水印策略(noWatermarks)
这三种策略都是通过实现WatermarkGenerator接口,下面来看看
public class DemoTimeWatermarks implements WatermarkGenerator {/*** 为每个事件调用,允许水印生成器检查并记住事件时间戳,或根据事件本身发出水印* @param event 接收的事件数据* @param eventTimestamp 事件时间戳* @param output 可用output.emitWatermark方法生成一个Watermark*/@Overridepublic void onEvent(Object event, long eventTimestamp, WatermarkOutput output) {System.out.println("event=" + event +" eventTimestamp=" + eventTimestamp +" WatermarkOutput=" + output);}/*** 周期性触发,可能会发出新的水印,也可能不会* 调用此方法和生成水印的时间间隔取决于ExecutionConfig.getAutoWatermarkInterval()* @param output 可用output.emitWatermark方法生成一个Watermark*/@Overridepublic void onPeriodicEmit(WatermarkOutput output) {System.out.println("被定期执行的方法onPeriodicEmit");}
}
固定乱序长度策略
111
public void starter() throws Exception {// 1.创建环境StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();// 水印生成的间隔时间 5毫秒// 将间隔设置为0将禁用周期性水印发射env.getConfig().setAutoWatermarkInterval(5L);// 并行度env.setParallelism(5);// 2.数据来源DataStreamSource<String> datasource = env.fromElements("1", "2", "3", "345345", "$5745457");// 3.数据处理 - 时间策略指定SingleOutputStreamOperator<String> streamOperator = datasource.assignTimestampsAndWatermarks(// 设定事件时间戳无序的界限 这里是5毫秒WatermarkStrategy.<String>forBoundedOutOfOrderness(Duration.ofMillis(5)).withTimestampAssigner(// 为元素分配时间戳 从事件数据中抽取new SerializableTimestampAssigner<String>() {@Overridepublic long extractTimestamp(String event, long recordTimestamp) {System.out.println("event = " + event);System.out.println("recordTimestamp = " + recordTimestamp);return recordTimestamp;}}));// 4.sink输出streamOperator.print();// 5.任务执行env.execute();}
111
单调递增时间戳策略
111
不生成水印策略
111
关于水印延迟/窗口允许延迟
文章目录 |
---|
区分理解Flink水印延迟与窗口允许延迟的概念-51CTO.COM |
5 并行度
什么是并行度?
一个任务(Source、Transformation、Sink)的并行实例(线程)数目被称为该任务的并行度。
首先从书中了解到,每个TaskManager为集群提供Solt(插槽),Solt的数量通常与每个TaskManager节点的可用CPU内核数成比例,一般情况下Slot的数量就是每个节点的CPU的核数。
插槽内代表着应用程序所运行的执行图
一个任务的并行度设置可以从4个层面指定
Operator Level - 算子层面
DataStream<String> dataSet = env.fromElements("哈哈哈哈1", "哈哈哈哈2", "哈哈哈哈3", "哈哈哈哈4"); // setParallelism(4) 算子层面 dataSet.map(new RichMapFunction<String, String>() {@Overridepublic String map(String value) throws Exception {return value;} }).setParallelism(4).print();
Execution Environment Level - 执行环境层面
StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment(); // 执行环境层面 env.setParallelism(3);
Client Level - 客户端层面
## 客户端提交job时设定,通过-p参数指定并行度 ./bin/flink run -p 4 XXXXX.jar
System Level - 系统层面
通过修改配置文件conf/flink-conf.yaml中的parallelism.default属性
并行度也并非越大越好,上述也提到,需要考虑到CPU内核数。
四、原理解析(待补充)
1
1
总结
提示:这里对文章进行总结:
例如:以上就是今天要讲的内容。
Flink - Java篇相关推荐
- Flink project java篇
Flink project java篇 pom.xml以及数据 attention scala mistake summary [summary most important!!!] stage01 ...
- Flink SQL篇,SQL实操、Flink Hive、CEP、CDC、GateWay
Flink源码篇,作业提交流程.作业调度流程.作业内部转换流程图 Flink核心篇,四大基石.容错机制.广播.反压.序列化.内存管理.资源管理 Flink基础篇,基本概念.设计理念.架构模型.编程模型 ...
- Flink核心篇,四大基石、容错机制、广播、反压、序列化、内存管理、资源管理...
Flink基础篇,基本概念.设计理念.架构模型.编程模型.常用算子 大纲: 1.Flink的四大基石包含哪些? 2.讲一下Flink的Time概念? 3.介绍下Flink窗口,以及划分机制? 4.介绍 ...
- map根据value值排序_凯哥带你从零学大数据系列之Java篇---第十九章:集合(Map+Collections)...
温馨提示:如果想学扎实,一定要从头开始看凯哥的一系列文章(凯哥带你从零学大数据系列),千万不要从中间的某个部分开始看,知识前后是有很大关联,否则学习效果会打折扣. 系列文章第一篇是拥抱大数据:凯哥带你 ...
- BurpSuite插件开发指南之 Java 篇
Her0in · 2016/05/27 16:53 此文接着 <BurpSuite插件开发指南之 API 下篇> .在此篇中将会介绍如何使用Java 开发 BurpSuite 的插件,重点 ...
- JSON总结(java篇)
JSON总结(java篇一) JSON简介 JSON(JavaScript Object Notation) 是一种轻量级的数据交换格式.它基于ECMAScript的一个子集. JSON采用完全独立于 ...
- ios 获取一个枚举的所有值_凯哥带你从零学大数据系列之Java篇---第十一章:枚举...
温馨提示:如果想学扎实,一定要从头开始看凯哥的一系列文章(凯哥带你从零学大数据系列),千万不要从中间的某个部分开始看,知识前后是有很大关联,否则学习效果会打折扣. 系列文章第一篇是拥抱大数据:凯哥带你 ...
- java私塾 java篇_Java私塾跟我学系列——JAVA篇 五、
五:Java如何做到让机器理解我们想要做的东西 用一个图来描述这个过程会比较容易理解: 1:编写代码 首先把我们想要计算机做的事情,通过Java表达出来,写成Java文件,这个过程就是 编写代码的过程 ...
- 多层数组如何遍历_带你从零学大数据系列之Java篇---第五章:数组
温馨提示:如果想学扎实,一定要从头开始看凯哥的一系列文章(凯哥带你从零学大数据系列),千万不要从中间的某个部分开始看,知识前后是有很大关联,否则学习效果会打折扣. 系列文章第一篇是拥抱大数据:凯哥带你 ...
最新文章
- 【PAT甲级 U形打印】1031 Hello World for U (20 分) Java版 6/6通过
- 学习笔记(21):Python网络编程并发编程-队列的使用
- centos7安装DHCP服务器
- 乐高泰坦机器人视频解说_“安防”机器人将亮相服贸会
- 完美解决office2013 错误1402
- Rman创建DG环境
- SSO之CAS+LDAP实现单点登录认证
- proc文件系统实现用户空间与内核空间的数据通信
- input的oninput、onchange与onpropertychange事件
- Whatsapp注册步骤
- 抖音seo,抖音搜索排名系统,抖音seo源码开发。
- 编制现金流量表3个步骤!
- 脚手架开发(1)-准备阶段
- 嵌入式计算机与pc机区别,嵌入式计算机与PC机的区别是什么?
- 工具类五合一小程序源码星座配对+星座运势+恶搞放屁音效+引流工具+流量主
- 区块链拓宽实验艺术边界 新技术如何重塑现代美学想象?
- 线性代数学习笔记8-4:正定矩阵、二次型的几何意义、配方法与消元法的联系、最小二乘法与半正定矩阵A^T A
- 在线压力并发工具AB版 简单易用
- CMS识别 -- TideFinger
- robotframework + appium 获取android toast
热门文章
- 华为鸿蒙手表mate watch,鸿蒙要上手表?Mate Watch或将与Mate 40同时推出
- easyui中datagrid冻结列,行错位解决办法
- SpringBoot使用SpringSecurity,使用oauth2登录,使用自定义/uaa/oauth/token报错解决
- 到底是 Activity 被回收了还是进程被杀死了?
- 何解决柯尼卡美能达 bizhub C226 MFP 跨网段不能打印?
- 计算机重新创建一个管理用户,如何给电脑新建一个登录账户并赋予管理权限?...
- 普通人如何通过抖音赚钱?
- 自学C4D,我是这样做的
- 【5】深度学习之Pytorch——如何使用张量处理文本数据集(语料库数据集)
- 遗忘比较、排序网络、非常见排序