维基百科在 IRC 频道上记录 Wiki 被修改的日志,我们可以通过监听这个 IRC 频道,来实时监控给定时间窗口内的修改事件。Apache Flink 作为流计算引擎,非常适合处理流数据,并且,类似于 Hadoop MapReduce 等框架,Flink 提供了非常良好的抽象,使得业务逻辑代码编写非常简单。我们通过这个简单的例子来感受一下 Flink 的程序的编写。
通过 Flink Quickstart 构建 Maven 工程
Flink 提供了 flink-quickstart-java
和 flink-quickstart-scala
插件,允许使用 Maven 的开发者创建统一的项目模版,应用项目模板可以规避掉很多部署上的坑。
构建这次工程的命令如下
$ mvn archetype:generate \
-DarchetypeGroupId=org.apache.flink \
-DarchetypeArtifactId=flink-quickstart-java \
-DarchetypeCatalog=https://repository.apache.org/content/repositories/snapshots/ \
-DarchetypeVersion=1.6-SNAPSHOT \
-DgroupId=wiki-edits \
-DartifactId=wiki-edits \
-Dversion=0.1 \
-Dpackage=wikiedits \
-DinteractiveMode=false
注意高版本的 Maven 不支持 -DarchetypeCatalog
参数,可以将第一行改为 mvn org.apache.maven.plugins:maven-archetype-plugin:2.4::generate \
或者去掉 -DarchetypeCatalog
行,并将 .m2/settings.xml
修改如下,其中主要是在 //profiles/profile/repositories
下设置好搜索 archetype
的仓库地址
<settings xmlns="http://maven.apache.org/POM/4.0.0"
xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
xsi:schemaLocation="http://maven.apache.org/POM/4.0.0
http://maven.apache.org/xsd/settings-1.0.0.xsd">
<profiles>
<profile>
<id>acmeid>
<repositories>
<repository>
<id>archetypeid>
<name>Apache Development Snapshot Repositoryname>
<url>https://repository.apache.org/content/repositories/snapshots/url>
<releases>
<enabled>falseenabled>
releases>
<snapshots>
<enabled>trueenabled>
snapshots>
repository>
repositories>
profile>
profiles>
<activeProfiles>
<activeProfile>acmeactiveProfile>
activeProfiles>
settings>
成功下载项目模板后,在当前目录下应当能看到 wiki-edit
目录。执行命令 rm wiki-edits/src/main/java/wikiedits/*.java
清除模板自带的 Java 文件。
为了监听维基百科的 IRC 频道,在 pom.xml
文件下添加如下依赖,分别是 Flink 的客户端和 WikiEdit 的连接器
<dependency>
<groupId>org.apache.flinkgroupId>
<artifactId>flink-clients_${scala.binary.version}artifactId>
<version>${flink.version}version>
dependency>
<dependency>
<groupId>org.apache.flinkgroupId>
<artifactId>flink-connector-wikiedits_${scala.binary.version}artifactId>
<version>${flink.version}version>
dependency>
编写 Flink 程序
接下来的代码编写工作假定你是在 IDE 下编写的,主要是为了避免啰嗦的 import
语句。包含 import
等模板代码的全部代码在末尾给出。
首先我们创建用于运行的主程序代码 src/main/java/wikiedits/WikipediaAnalysis.java
package wikiedits;
public class WikipediaAnalysis {
public static void main(String[] args) throws Exception {
}
}
流处理的 Flink 程序的第一步是创建流处理执行上下文 StreamExecutionEnvironment
,它类似于其他框架内的 Configuration 类,用于配制 Flink 程序和运行时的各个参数,对应的语句如下
StreamExecutionEnvironment see = StreamExecutionEnvironment.getExecutionEnvironment();
下一步我们以维基百科 IRC 频道的日志作为数据源创建连接
DataStream edits = see.addSource(new WikipediaEditsSource());
这个语句创建了填充 WikipediaEditEvent
的 DataStream
,拿到数据流之后我们就可以对它做进一步的操作了。
我们的目标是统计给定时间窗口内,比如说五秒内,用户对维基百科的修改字节数。因此我们对每个 WikipediaEditEvent
以用户名作为键来标记(keyed)。Flink 兼容 Java 1.6 版本,因此古老的版本中 Flink 提供 KeySelector
函数式接口来标记
KeyedStream keyedEdits = edits
.keyBy(new KeySelector() {
@Override
public String getKey(WikipediaEditEvent event) {
return event.getUser();
}
});
当前版本的 Flink 主要支持的是 Java 8 版本,因此我们也可以用 Lambda 表达式来改写这段较为繁琐的代码
KeyedStream keyedEdits = edits
.keyBy(WikipediaEditEvent::getUser);
这个语句定义了 keyedEdits
变量,它是一个概念上形如(String, WikipediaEditEvent)
的数据流,即以字符串(用户名)为键,WikipediaEditEvent
为值的数据的流。这一步骤类似于 MapReduce 的 Shuffle 过程,针对 keyedEdits
的处理将自动按照键分组,因此我们可以直接对数据进行 fold
操作以折叠聚合同一用户名的修改字节数
DataStream> result = keyedEdits
.timeWindow(Time.seconds(5))
.fold(new Tuple2<>("", 0L), new FoldFunction>() {
@Override
public Tuple2 fold(Tuple2 acc, WikipediaEditEvent event) {
acc.f0 = event.getUser();
acc.f1 += event.getByteDiff();
return acc;
}
});
在新版的 Flink 中,FoldFunction
因为无法支持部分聚合被废弃了,如果对程序有强迫症,我们可以采用类似于 MapReduce 的办法来改写上边的代码,各个方法调用的作用与它们的名字一致,其中,为了绕过类型擦除导致的问题使用了 returns
函数
DataStream> result = keyedEdits
.map((event) -> new Tuple2<>(event.getUser(), Long.valueOf(event.getByteDiff())))
.returns(new TypeHint>(){})
.timeWindowAll(Time.seconds(5))
.reduce((acc, a) -> new Tuple2<>(a.f0, acc.f1+a.f1));
经过处理后的数据流 result
中就包含了我们所需要的信息,具体地说是填充了 Tuple2
,即(用户名,修改字节数)元组的流,我们可以使用 result.print()
来打印它。
程序至此主要处理逻辑就写完了,但是 Flink 还需要在 StreamExecutionEnvironment
类型的变量上调用 execute
方法以实际执行整个 Flink 程序,该方法执行时将整个 Flink 程序转化为任务图并提交到 Flink 集群中。
整个程序的代码,包括模板代码,如下所示
package wikiedits;
import org.apache.flink.api.common.typeinfo.TypeHint;
import org.apache.flink.streaming.api.datastream.DataStream;
import org.apache.flink.streaming.api.datastream.KeyedStream;
import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;
import org.apache.flink.streaming.api.windowing.time.Time;
import org.apache.flink.streaming.connectors.wikiedits.WikipediaEditEvent;
import org.apache.flink.streaming.connectors.wikiedits.WikipediaEditsSource;
import org.apache.flink.api.java.tuple.Tuple2;
public class WikipediaAnalysis {
public static void main(String[] args) throws Exception {
StreamExecutionEnvironment see = StreamExecutionEnvironment.getExecutionEnvironment();
DataStream edits = see.addSource(new WikipediaEditsSource());
KeyedStream keyedEdits = edits
.keyBy(WikipediaEditEvent::getUser);
DataStream> result = keyedEdits
.map((event) -> new Tuple2<>(event.getUser(), Long.valueOf(event.getByteDiff())))
.returns(new TypeHint>(){})
.timeWindowAll(Time.seconds(5))
.reduce((acc, a) -> new Tuple2<>(a.f0, acc.f1+a.f1));
result.print();
see.execute();
}
}
可以通过 IDE 运行程序,在控制台看到类似下面格式的输出,每一行前面的数字代表了这是由 print
的并行实例中的编号为几的实例运行的结果
1> (LilHelpa,1966)
2> (1.70.80.5,2066)
3> (Beyond My Ken,-6550)
4> (Aleksandr Grigoryev,725)
1> (6.77.155.31,1943)
2> (Serols,1639)
3> (ClueBot NG,1907)
4> (GSS,3155)
http://news.vja2045.cn/
http://news.rlp0976.cn/
http://www.cce2139.cn/
http://news.xtl7183.cn/
http://www.kog1435.cn/
http://www.rik3314.cn/
http://news.zmj4226.cn/
http://news.igf1400.cn/
http://www.bcu6005.cn/
http://news.esz4596.cn/
http://news.dli5822.cn/
http://www.vsb9575.cn/
http://news.dto7731.cn/
http://news.eqn5017.cn/
http://news.lkg4662.cn/
http://www.xrr9518.cn/
http://www.qfk7654.cn/
http://www.txr3194.cn/
http://news.nkc4539.cn/
http://www.xjy3902.cn/
http://www.ciw9360.cn/
http://news.pzx0011.cn/
http://www.eqv5313.cn/
http://www.qdn5355.cn/
http://www.qri2046.cn/
http://www.wxm6819.cn/
http://news.bpj4889.cn/
http://www.blm3653.cn/
http://news.ixa0880.cn/
http://news.tvz4241.cn/
http://www.nkc4539.cn/
http://www.ehe5445.top/
http://www.axs9870.cn/
http://news.hiv8337.cn/
http://news.wvh4263.cn/
http://news.myy9223.cn/
http://www.hud3144.cn/
http://www.kdz0246.cn/
http://news.pck8038.cn/
http://news.mtr5072.cn/
http://news.mzj8672.cn/
http://www.ixa0880.cn/
http://www.gdk7028.cn/
http://news.blm3653.cn/
http://www.yif9712.cn/
http://news.sfx6922.cn/
http://news.ric5056.cn/
http://www.vii0197.cn/
http://www.ybc8953.cn/
http://news.nwf3326.cn/
http://news.nlc4773.cn/
http://news.uqt9445.cn/
http://news.zbb7727.cn/
http://news.ajj5951.cn/
http://news.arf0717.cn/
http://news.cqu4082.cn/
http://news.dsx1888.cn/