Flink 1.10 流式处理（Data Streaming Api） 官网翻译

Flink中的DataStream程序是实现数据流转换的常规程序(例如，过滤、更新状态、定义窗口、聚合)。

数据流最初是从各种来源(例如，消息队列、套接字流、文件)创建的。

结果通过sink返回，例如，接收可以将数据写入文件或标准输出(例如命令行终端)。

Flink程序在各种上下文中运行，独立运行或嵌入到其他程序中。执行可以在本地JVM中进行，也可以在许多机器的集群中进行。

有关Flink API的基本概念的介绍，请参阅https://ci.apache.org/projects/flink/flink-docs-release-1.9/dev/api_concepts.html。

程序样例

---

下面的程序是一个完整的、可工作的流式窗口关于字数统计的应用程序示例，它在5秒内计算来自web套接字的字数。您可以复制并粘贴代码以在本地运行它。

import org.apache.flink.api.common.functions.FlatMapFunction;import org.apache.flink.api.java.tuple.Tuple2;import org.apache.flink.streaming.api.datastream.DataStream;import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;import org.apache.flink.streaming.api.windowing.time.Time;import org.apache.flink.util.Collector;public class WindowWordCount { public static void main(String[] args) throws Exception { StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment(); DataStream> dataStream = env .socketTextStream("localhost", 9999) .flatMap(new Splitter()) .keyBy(0) .timeWindow(Time.seconds(5)) .sum(1); dataStream.print(); env.execute("Window WordCount"); } public static class Splitter implements FlatMapFunction> { @Override public void flatMap(String sentence, Collector> out) throws Exception { for (String word: sentence.split(" ")) { out.collect(new Tuple2(word, 1)); } } }}

要运行示例程序，首先从终端使用netcat启动输入流:

nc-lk9999

只需键入一些单词，然后按回车键输入一个新单词。这些将是字数统计程序的输入。如果你想看到数大于1,输入相同的单词一遍又一遍在5s大小的窗口输出。

数据源

---

程序源是程序读取输入的地方。可以使用StreamExecutionEnvironment.addSource(sourceFunction)将数据源添加到程序中。

Flink附带了许多预先实现的源函数，而且你可以实现串行方式SourceFunction接口来实现自定义的数据源。

或通过并行方式ParallelSourceFunction接口或RichParallelSourceFunction来编写自己的数据源。

下面预定义的数据源可以通过StreamExecutionEnvironment来访问：

基于文件：

    1.readTextFile(path) -按照TextInputFormat规范逐行以字符串形式读取文件或者文件夹。

    2.readFile(fileInputFormat, path) - 按照指定的文件输入格式读取文件或者文件夹。

    3.readFile(fileInputFormat, path, watchType, interval, pathFilter, typeInfo) -这是前两个方法在内部调用的方法。

它根据给定的fileInputFormat读取路径中的文件。根据所提供的watchType，此源可以定期(每隔一段时间)监视新数据的路径(fileprocessingmode . process_continuous)，

或者一次性处理当前路径中的数据并退出(FileProcessingMode.PROCESS_ONCE)。使用pathFilter，可以排除不需要处理的文件。

实现：

在底层，Flink将文件读取过程分成两个子任务，即目录监视和数据读取。每个子任务都由一个单独的实体实现。

监视由单个非并行(parallelism = 1)任务实现，而读取由多个并行运行的任务执行。后者的并行度等于作业并行度。

单个监视任务的作用是扫描目录(定期或仅扫描一次，这取决于watchType)，查找要处理的文件，将它们划分为分段，并将这些分段分配给下游的读取器。

读取器将读取实际数据。每个分割只由一个读取器读取，而一个读取器可以逐个读取多个分割。

注意：

如果watchType设置为FileProcessingMode。当一个文件被修改时，它的内容将被完全重新处理。这可能会打破“只有一次”的语义，因为在文件末尾附加数据将导致所有内容被重新处理。

如果watchType设置为FileProcessingMode。PROCESS_ONCE，源程序只扫描路径一次并退出，而不等待读取器完成文件内容的读取。

当然，程序将继续阅读，直到所有的文件内容被读取。关闭源将导致在该点之后没有更多的检查点。这可能会导致节点故障后恢复较慢，因为作业将从最后一个检查点恢复读取。

基于Socket：

       1.socketTextStream - 从套接字读取。元素可以用分隔符分隔。

基于集合：

    1.fromCollection(Collection) -从Java.util. collection创建一个数据流。集合中的所有元素必须具有相同的类型。

    2.fromCollection(Iterator, Class) -从迭代器创建数据流。该类指定迭代器返回的元素的数据类型。

    3.fromElements(T ...) - 从给定的对象序列创建数据流。所有对象必须具有相同的类型。

    4.fromParallelCollection(SplittableIterator, Class) - 并行地从迭代器创建数据流。该类指定迭代器返回的元素的数据类型。

    5.generateSequence(from, to) - 并行地生成给定区间内的数字序列。

基于自定义：

    1.addSource - 添加一个新的source函数。例如，要从Apache Kafka中读取数据，可以使用addSource(new FlinkKafkaConsumer08<>(...))。有关更多细节，请参见连接器https://ci.apache.org/projects/flink/flink-docs-release-1.9/dev/connectors/index.html。

源地址：https://ci.apache.org/projects/flink/flink-docs-release-1.9/dev/datastream_api.html

更多大数据技术请咨询微信 18310801089