回复“资料”领取独家整理的学习资料!
直入正题!
Flink和Spark类似,也是一种一站式处理的框架;既可以进行批处理(DataSet),也可以进行实时处理(DataStream)。
所以下面将Flink的算子分为两大类:一类是DataSet,一类是DataStream。
DataSet
一、Source算子
1. fromCollection
fromCollection:从本地集合读取数据
例:
<code>val env = ExecutionEnvironment.getExecutionEnvironment
val textDataSet: DataSet[String
] = env.fromCollection(
List("1,张三"
,"2,李四"
,"3,王五"
,"4,赵六"
)
)
/<code>
2. readTextFile
readTextFile:从文件中读取:
<code>val textDataSet: DataSet[String
] = env.readTextFile("/data/a.txt"
)
/<code>
3. readTextFile:遍历目录
readTextFile可以对一个文件目录内的所有文件,包括所有子目录中的所有文件的遍历访问方式:
<code>val parameters =new
Configuration//
recursive.file.enumeration 开启递归
parameters.setBoolean("recursive.file.enumeration"
,true
)
val file = env.readTextFile("/data"
).withParameters(parameters)
/<code>
4. readTextFile:读取压缩文件
对于以下压缩类型,不需要指定任何额外的inputformat方法,flink可以自动识别并且解压。但是,压缩文件可能不会并行读取,可能是顺序读取的,这样可能会影响作业的可伸缩性。
压缩方法文件扩展名是否可并行读取DEFLATE.deflatenoGZip.gz .gzipnoBzip2.bz2noXZ.xzno<code>val
file = env.readTextFile("/data/file.gz"
)
/<code>
二、Transform转换算子
因为Transform算子基于Source算子操作,所以首先构建Flink执行环境及Source算子,后续Transform算子操作基于此:
<code>val env = ExecutionEnvironment.getExecutionEnvironment
val textDataSet: DataSet[String
] = env.fromCollection(
List("张三,1"
,"李四,2"
,"王五,3"
,"张三,4"
)
)
/<code>
1. map
将DataSet中的每一个元素转换为另外一个元素:
<code>// 使用map
将List转换为一个Scala的样例类
case class User(name: String, id: String)
val userDataSet: DataSet[User] = textDataSet.map {text =>
val fieldArr = text.split
(","
)
User(fieldArr(0
), fieldArr(1
))
}
userDataSet.
/<code>
2. flatMap
将DataSet中的每一个元素转换为0...n个元素:
<code>// 使用flatMap操作,将集合中的数据:
/
/ 根据第一个元素,进行分组
/
/ 根据第二个元素,进行聚合求值
val result = textDataSet.flatMap(line => line)
.groupBy(0) /
/ 根据第一个元素,进行分组
.sum(1) /
/ 根据第二个元素,进行聚合求值
result.print
/<code>
3. mapPartition
将一个分区中的元素转换为另一个元素:
<code>//
使用mapPartition操作,将List转换为一个scala的样例类
case
class
User(name:
String,
id:
String)
val
result:
DataSet[User]
=
textDataSet.mapPartition(line
=>
{
line.map(index
=>
User(index._1,
index._2))
})
result.print
/<code>
4. filter
过滤出来一些符合条件的元素,返回boolean值为true的元素:
<code>val source: DataSet[String
] = env.fromElements("java"
,"scala"
,"java"
)
val filter:DataSet[String
] = source.filter(line
=> line.contains("java"
))
/<code>
5. reduce
可以对一个dataset或者一个group来进行聚合计算,最终聚合成一个元素:
<code>//
使用 fromElements 构建数据源
val source = env.fromElements((
"java"
,1
),(
"scala"
,1
),(
"java"
,1
))// 使用map转换成DataSet元组
val mapData: DataSet[
(String, Int)
] = source.map(line => line)
// 根据首个元素分组
val groupData = mapData.groupBy
(_._1)
// 使用reduce聚合
val reduceData = groupData.reduce(
(x, y)
=> (x._1, x._2 + y._2))//
打印测试
reduceData.
/<code>
6. reduceGroup
将一个dataset或者一个group聚合成一个或多个元素 。
reduceGroup是reduce的一种优化方案;
它会先分组reduce,然后在做整体的reduce;这样做的好处就是可以减少网络IO:
<code>//
使用 fromElements 构建数据源
val source: DataSet[(String, Int)] = env.fromElements((
"java"
,1
),(
"scala"
,1
),(
"java"
,1
))// 根据首个元素分组
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)
}//
打印测试
result.
/<code>
7. minBy和maxBy
选择具有最小值或最大值的元素:
<code>// 使用minBy操作,求List中每个人的最小值
// List("张三,1"
,"李四,2"
,"王五,3"
,"张三,4"
)
case
class User(name: String, id: String)
// 将List转换为一个scala的样例类
val text: DataSet[User] = textDataSet.mapPartition(line => {
line.map(index => User(index._1, index._2))
})
val result = text
.groupBy(0) // 按照姓名分组
.minBy(1) // 每个人的最小值
/<code>
8. Aggregate
在数据集上进行聚合求最值(最大值、最小值):
<code>val
data
= new mutable.MutableList[(Int
, String,Double
)]data
.+=((1
,"yuwen"
,89.0
))data
.+=((2
,"shuxue"
,92.2
))data
.+=((3
,"yuwen"
,89.99
))
/<code>
Aggregate只能作用于元组上
注意:
要使用aggregate,只能使用字段索引名或索引名称来进行分组 <code>groupBy(0)/<code>,否则会报一下错误:
Exception in thread "main" java.lang.UnsupportedOperationException: Aggregate does not support grouping with KeySelector functions, yet.
9. distinct
去除重复的数据:
<code>// 数据源使用上一题的
// 使用distinct操作,根据科目去除集合中重复的元组数据
val value: DataSet[(Int, String, Double)] =input
.distinct(1
)
value.
/<code>
10. first
取前N个数:
<code>input
.first
(2
)
/<code>
11. join
将两个DataSet按照一定条件连接到一起,形成新的DataSet:
<code>// s1 和 s2 数据集格式如下:
/
/ DataSet[(Int, String,String, Double)]
val joinData = s1.join(s2) /
/ s1数据集 join s2数据集
.where(0).equalTo(0) { /
/ join的条件
(s1, s2) => (s1._1, s1._2, s2._2, s1._3)
}
/<code>
12. leftOuterJoin
左外连接,左边的Dataset中的每一个元素,去连接右边的元素
此外还有:
rightOuterJoin:右外连接,左边的Dataset中的每一个元素,去连接左边的元素
fullOuterJoin:全外连接,左右两边的元素,全部连接
下面以 leftOuterJoin 进行示例:
<code> 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==
){(
first._1,first._2,""
)}
else
{(
first._1,first._2,second._2
)}
}
).
/<code>
13. cross
交叉操作,通过形成这个数据集和其他数据集的笛卡尔积,创建一个新的数据集
和join类似,但是这种交叉操作会产生笛卡尔积,在数据比较大的时候,是非常消耗内存的操作:
<code>val cross = input1.cross(input2){
(input1 , input2) => (input1._1,input1._2,input1._3,input2._2)
}
cross.
/<code>
14. union
联合操作,创建包含来自该数据集和其他数据集的元素的新数据集,不会去重:
<code>val unionData: DataSet[String
] = elements1.
union
(elements2
).
union
(elements3
)
/<code>
15. rebalance
Flink也有数据倾斜的时候,比如当前有数据量大概10亿条数据需要处理,在处理过程中可能会发生如图所示的状况:
这个时候本来总体数据量只需要10分钟解决的问题,出现了数据倾斜,机器1上的任务需要4个小时才能完成,那么其他3台机器执行完毕也要等待机器1执行完毕后才算整体将任务完成;所以在实际的工作中,出现这种情况比较好的解决方案就是接下来要介绍的—rebalance(内部使用round robin方法将数据均匀打散。这对于数据倾斜时是很好的选择。)
<code>
/<code>
16. partitionByHash
按照指定的key进行hash分区:
<code>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
/<code>
17. partitionByRange
根据指定的key对数据集进行范围分区:
<code>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
/<code>
18. sortPartition
根据指定的字段值进行分区的排序:
<code>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)
/<code>
三、Sink算子
1. collect
将数据输出到本地集合:
<code>result
.collect
/<code>
2. writeAsText
将数据输出到文件
Flink支持多种存储设备上的文件,包括本地文件,hdfs文件等
Flink支持多种文件的存储格式,包括text文件,CSV文件等
<code>// 将数据写入本地文件
result.writeAsText("/data
/a", WriteMode.OVERWRITE)
/
/ 将数据写入HDFS
result.writeAsText("hdfs:/
/node01:9000/data
/a", WriteMode.OVERWRITE)
/<code>
DataStream
和DataSet一样,DataStream也包括一系列的Transformation操作。
一、Source算子
Flink可以使用
StreamExecutionEnvironment.addSource(source) 来为我们的程序添加数据来源。Flink 已经提供了若干实现好了的 source functions,当然我们也可以通过实现 SourceFunction 来自定义非并行的source或者实现 ParallelSourceFunction 接口或者扩展
RichParallelSourceFunction 来自定义并行的 source。
Flink在流处理上的source和在批处理上的source基本一致。大致有4大类:
基于本地集合的source(Collection-based-source)
基于文件的source(File-based-source)- 读取文本文件,即符合 TextInputFormat 规范的文件,并将其作为字符串返回
基于网络套接字的source(Socket-based-source)- 从 socket 读取。元素可以用分隔符切分。
自定义的source(Custom-source)
下面使用addSource将Kafka数据写入Flink为例:
如果需要外部数据源对接,可使用addSource,如将Kafka数据写入Flink, 先引入依赖:
<code><
dependency
><
groupId
>org.apache.flinkgroupId
><
artifactId
>flink-connector-kafka-0.11_2.11artifactId
><
version
>1.10.0version
>dependency
>
/<code>
将Kafka数据写入Flink:
<code>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))
/<code>
基于网络套接字的:
<code>valsource
= env.socketTextStream("IP"
, PORT)
/<code>
二、Transform转换算子
1. map
将DataSet中的每一个元素转换为另外一个元素:
<code>dataStream.map {x
=> x *2
}
/<code>
2. FlatMap
采用一个数据元并生成零个,一个或多个数据元。将句子分割为单词的flatmap函数:
<code>dataStream.flatMap {str
=>str
.split(" "
) }
/<code>
3. Filter
计算每个数据元的布尔函数,并保存函数返回true的数据元。过滤掉零值的过滤器:
<code>dataStream.filter
{_
!=0
}
/<code>
4. KeyBy
逻辑上将流分区为不相交的分区。具有相同Keys的所有记录都分配给同一分区。在内部,keyBy是使用散列分区实现的。指定键有不同的方法。
此转换返回KeyedStream,其中包括使用被Keys化状态所需的KeyedStream:
<code>dataStream
.keyBy
(0)
/<code>
5. Reduce
被Keys化数据流上的“滚动”Reduce。将当前数据元与最后一个Reduce的值组合并发出新值:
<code>keyedStream.reduce
{_
+_
}
/<code>
6. Fold
具有初始值的被Keys化数据流上的“滚动”折叠。将当前数据元与最后折叠的值组合并发出新值:
<code>val result: DataStream[String
] = keyedStream.fold("start"
)((
str, i
) => { str +"-"
+ i })
/<code>
7. Aggregations
在被Keys化数据流上滚动聚合。min和minBy之间的差异是min返回最小值,而minBy返回该字段中具有最小值的数据元(max和maxBy相同):
<code>keyedStream
.sum
(0);keyedStream
.min
(0);keyedStream
.max
(0);keyedStream
.minBy
(0);keyedStream
.maxBy
(0);
/<code>
8. Window
可以在已经分区的KeyedStream上定义Windows。Windows根据某些特征(例如,在最后5秒内到达的数据)对每个Keys中的数据进行分组。这里不再对窗口进行详解,有关窗口的完整说明,请查看这篇文章:Flink 中极其重要的 Time 与 Window 详细解析
<code>dataStream
.keyBy
(0).window
(TumblingEventTimeWindows
.of
(Time
.seconds
(5)));
/<code>
9. WindowAll
Windows可以在常规DataStream上定义。Windows根据某些特征(例如,在最后5秒内到达的数据)对所有流事件进行分组。
注意:在许多情况下,这是非并行转换。所有记录将收集在windowAll 算子的一个任务中。
<code>dataStream
.windowAll
(TumblingEventTimeWindows
.of
(Time
.seconds
(5)))
/<code>
10. Window Apply
将一般函数应用于整个窗口。
注意:如果您正在使用windowAll转换,则需要使用AllWindowFunction。
下面是一个手动求和窗口数据元的函数:
<code>windowedStream.apply { WindowFunction }
allWindowedStream.apply { AllWindowFunction }
/<code>
11. Window Reduce
将函数缩减函数应用于窗口并返回缩小的值:
<code>windowedStream.reduce
{_
+_
}
/<code>
12. Window Fold
将函数折叠函数应用于窗口并返回折叠值:
<code>val result: DataStream[String
] = windowedStream.fold("start"
, (str
, i) => {str
+"-"
+ i })
/<code>
13. Union
两个或多个数据流的联合,创建包含来自所有流的所有数据元的新流。注意:如果将数据流与自身联合,则会在结果流中获取两次数据元:
<code>dataStream.
union
(otherStream1
, otherStream2, ...)
/<code>
14. Window Join
在给定Keys和公共窗口上连接两个数据流:
<code>dataStream
.join
(otherStream).where
().equalTo
().window
(TumblingEventTimeWindows.of(Time.seconds(3
))).apply
(new JoinFunction {...})
/<code>
15. Interval Join
在给定的时间间隔内使用公共Keys关联两个被Key化的数据流的两个数据元e1和e2,以便e1.timestamp + lowerBound <= e2.timestamp <= e1.timestamp + upperBound
<code>am
.intervalJoin
(otherKeyedStream).between
(Time.milliseconds(-2
), Time.milliseconds(2
)).upperBoundExclusive
(true).lowerBoundExclusive
(true).process
(new IntervalJoinFunction {...})
/<code>
16. Window CoGroup
在给定Keys和公共窗口上对两个数据流进行Cogroup:
<code>dataStream
.coGroup
(otherStream).where
(0
).equalTo
(1
).window
(TumblingEventTimeWindows.of(Time.seconds(3
))).apply
(new CoGroupFunction {...})
/<code>
17. Connect
“连接”两个保存其类型的数据流。连接允许两个流之间的共享状态:
<code>DataStream someStream = ... DataStream<String
> otherStream = ... ConnectedStreamsString> connectedStreams = someStream.connect(otherStream)
/<code>
18. CoMap,CoFlatMap
类似于连接数据流上的map和flatMap:
<code>connectedStreams.map((_ : Int)
=>true
,(_ : String)
=>false
)connectedStreams.flatMap((_ : Int)
=>true
,(_ : String)
=>false
)
/<code>
19. Split
根据某些标准将流拆分为两个或更多个流:
<code>val split = someDataStream.split(
(num: Int) =>
(num %2
) match {case
0
=>List
("even"
)case
1
=>List
("odd"
)
})
/<code>
20. Select
从拆分流中选择一个或多个流:
<code>SplitStreamsplit
;DataStream even =split
.select("even"
);DataStream odd =split
.select("odd"
);DataStream all =split
.select("even"
,"odd"
)
/<code>
三、Sink算子
支持将数据输出到:
本地文件(参考批处理)
本地集合(参考批处理)
HDFS(参考批处理)
除此之外,还支持:
sink到kafka
sink到mysql
sink到redis
下面以sink到kafka为例:
<code>val sinkTopic = "test"
//样例类
case class Student(id: Int, name: String, addr: String, sex: String)
val mapper: ObjectMapper = new ObjectMapper
//将对象转换成字符串
deftoJsonString(T: Object): String = {
mapper.registerModule(DefaultScalaModule)
mapper.writeValueAsString(T)
}
defmain(args: Array[String
]): Unit = {
//1.创建流执行环境
val env = StreamExecutionEnvironment.getExecutionEnvironment
//2.准备数据
val dataStream: DataStream[Student
] = env.fromElements(
Student(8, "xiaoming", "beijing biejing", "female")
)
//将student转换成字符串
val studentStream: DataStream[String
] = dataStream.map(student =>
toJsonString(student) // 这里需要显示SerializerFeature中的某一个,否则会报同时匹配两个方法的错误
)
//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")
}/<code>
最后说一句(求关注,别白嫖我)
扫一扫,我们的故事就开始了。
另外公众号改变了推送规则,大家看文章不要忘记点击最下方的在看,点赞按钮,这样微信自动识别为常看公众号,否则很可能推送的文章可能淹没在别的文章找不到,谢谢大家。
想加好友的加一下啊,微信号:create17_ ,多交朋友,才能走的更远。
让我知道你在看