41.DataSet API之Connectors

原文链接： https://ci.apache.org/projects/flink/flink-docs-release-1.8/dev/batch/connectors.html 

flink 1.8

 

从文件系统读取

Flink内置了对以下文件系统的支持:

Filesystem	Scheme	Notes
Hadoop Distributed File System (HDFS)	hdfs://	支持所有HDFS版本
Amazon S3	s3://	通过Hadoop文件系统实现的支持(参见下面)
MapR file system	maprfs://	用户必须手动将所需的jar文件放在lib/ dir中
Alluxio	alluxio://	通过Hadoop文件系统实现的支持(参见下面)

 

使用Hadoop文件系统实现

Apache Flink允许用户使用任何实现org.apache.hadoop.fs.FileSystem接口。有Hadoop FileSystem 实现:

• S3 (已经测试通过)
• Google Cloud Storage Connector for Hadoop (已经测试通过)
• Alluxio (已经测试通过)
• XtreemFS (已经测试通过)
• FTP via Hftp (没有经过测试验证)
• and many more.

要使用带有Flink的Hadoop文件系统，请确保满足以下几点：

• 将flink-conf.yaml的fs.hdfs.hadoopconf设置成Hadoop配置目录。对于自动测试或从IDE运行，flink-conf.yaml可以通过定义FLINK_CONF_DIR环境变量来设置包含的目录。
• Hadoop配置（在该目录中）在文件core-site.xml中具有所需文件系统的所有目录配置。S3和Alluxio的示例链接/显示如下。
• lib/Flink安装的文件夹中提供了使用文件系统所需的类（在运行Flink的所有计算机上）。如果无法将文件放入目录，Flink还可以在HADOOP_CLASSPATH环境变量将Hadoop jar文件添加到类路径中。

 

Amazon S3

请参阅 Deployment & Operations - Deployment - AWS - S3: Simple Storage Service以获取可用的S3文件系统的实现，其配置和所需的库。

 

Alluxio

要获得Alluxio支持，请在core-site.xml文件中添加以下配置:

  fs.alluxio.impl
  alluxio.hadoop.FileSystem

使用Hadoop的Input / OutputFormat打包器连接到其他系统

Apache Flink允许用户使用许多不同的系统作为数据源source或接收器sink。该系统具有非常好的扩展性。与Apache Hadoop类似，Flink也有所谓的InputFormats和OutputFormats的概念。

这些inputformat的一个实现是HadoopInputFormat。这是一个包装器，允许用户使用Flink的所有现有Hadoop输入格式。

本节展示一些将Flink连接到其他系统的示例。在Flink中阅读关于Hadoop兼容性的更多信息Read more about Hadoop compatibility in Flink.。

 

Flink对Avro格式的支持

Flink对Apache Avro提供了广泛的内置支持。这样可以使用Flink轻松读取Avro文件。此外，Flink的序列化框架能够处理从Avro模式schemas生成的类。确保将Flink Avro依赖jar配置到pom.xml文件中。 

  org.apache.flink
  flink-avro
  1.8.0

 

为了从Avro文件中读取数据，必须指定AvroInputFormat。

Example:

AvroInputFormat users = new AvroInputFormat(in, User.class);
DataSet usersDS = env.createInput(users);

请注意，这User是Avro生成的POJO。Flink还允许执行这些POJO的基于字符串的Keys选择。例如：

usersDS.groupBy("name")

 

请注意，使用GenericData.RecordFlink也可以使用该类型，但不建议使用。由于记录包含完整的模式schemas，因此其数据密集，因此可能使用起来很慢。

Flink的POJO字段选择也适用于Avro生成的POJO。但是，只有在将字段类型正确写入生成的类时才可以使用。如果字段是类型Object，则不能将该字段用作连接或分组键key。像这样在Avro中指定一个字段{"name": "type_double_test", "type": "double"}可以工作正常，但是将一个字段指定成一个；联合类型UNION-type ({"name": "type_double_test"， "type": ["double"]})，它将会生成一个 Object类型的字段。请注意：指定为空类型（{"name": "type_double_test", "type": ["null", "double"]},）是可以的。

 

访问Microsoft Azure表存储

注意：此示例适用于Flink 0.6之后的版本

此示例使用HadoopInputFormat打包器，并使用现有的Hadoop输入来格式实现访问Azure的表存储Azure’s Table Storage。

1. 下载并编译azure-tables-hadoop项目。该项目开发的输入格式尚未在Maven Central中提供，因此，我们必须自己构建项目。执行以下命令：

git clone https://github.com/mooso/azure-tables-hadoop.git
   cd azure-tables-hadoop
   mvn clean install

 使用快速入门demo设置新的Flink项目：

curl https://flink.apache.org/q/quickstart.sh | bash

将以下依赖项（在本节中）添加到您的pom.xml文件中：

       org.apache.flink
       flink-hadoop-compatibility_2.11
       1.8.0
   
   
     com.microsoft.hadoop
     microsoft-hadoop-azure
     0.0.4
   

 

flink-hadoop-compatibility是一个Flink jar包，提供Hadoop输入格式打包器。 microsoft-hadoop-azure将我们之前构建的项目添加到我们的项目中。

现在，项目已经准备好，可以开始编写代码了。我们建议将项目导入IDE，如Eclipse或IntelliJ。(作为Maven项目导入)浏览Job.java文件中的代码。这是一个空骨架Flink的工程。

将以下代码粘贴到其中：

 

import java.util.Map;
import org.apache.flink.api.common.functions.MapFunction;
import org.apache.flink.api.java.DataSet;
import org.apache.flink.api.java.ExecutionEnvironment;
import org.apache.flink.api.java.tuple.Tuple2;
import org.apache.flink.hadoopcompatibility.mapreduce.HadoopInputFormat;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import com.microsoft.hadoop.azure.AzureTableConfiguration;
import com.microsoft.hadoop.azure.AzureTableInputFormat;
import com.microsoft.hadoop.azure.WritableEntity;
import com.microsoft.windowsazure.storage.table.EntityProperty;

public class AzureTableExample {

  public static void main(String[] args) throws Exception {
    // set up the execution environment
    final ExecutionEnvironment env = ExecutionEnvironment.getExecutionEnvironment();

    // create a  AzureTableInputFormat, using a Hadoop input format wrapper
    HadoopInputFormat hdIf = new HadoopInputFormat(new AzureTableInputFormat(), Text.class, WritableEntity.class, new Job());

    // set the Account URI, something like: https://apacheflink.table.core.windows.net
    hdIf.getConfiguration().set(AzureTableConfiguration.Keys.ACCOUNT_URI.getKey(), "TODO");
    // set the secret storage key here
    hdIf.getConfiguration().set(AzureTableConfiguration.Keys.STORAGE_KEY.getKey(), "TODO");
    // set the table name here
    hdIf.getConfiguration().set(AzureTableConfiguration.Keys.TABLE_NAME.getKey(), "TODO");

    DataSet> input = env.createInput(hdIf);
    // a little example how to use the data in a mapper.
    DataSet fin = input.map(new MapFunction, String>() {
      @Override
      public String map(Tuple2 arg0) throws Exception {
        System.err.println("--------------------------------\nKey = "+arg0.f0);
        WritableEntity we = arg0.f1;

        for(Map.Entry prop : we.getProperties().entrySet()) {
          System.err.println("key="+prop.getKey() + " ; value (asString)="+prop.getValue().getValueAsString());
        }

        return arg0.f0.toString();
      }
    });

    // emit result (this works only locally)
    fin.print();

    // execute program
    env.execute("Azure Example");
  }
}

该示例显示了如何访问Azure表并将数据转换为Flink DataSet（更具体地说，是集合的类型DataSet>）。使用DataSet，您可以将所有已知的转换应用于DataSet。

 

Access MongoDB

这个GitHub存储库记录了如何将MongoDB与Apache Flink一起使用（从0.7-incubating开始）。

This GitHub repository documents how to use MongoDB with Apache Flink (starting from 0.7-incubating).

 

https://ci.apache.org/projects/flink/flink-docs-release-1.8/dev/batch/connectors.html