Flink 数据源 DataSource是这个样子的？
点击蓝色“Java极客技术”关注我哟
加个“星标”，天天早上 08:14，一起快乐成长
为何要使用 Flink
因为本篇文章中，有个 Kafka 数据源的 Demo，在一开始解答小伙伴有可能的困惑：
Question：既然监听 Kafka 消息，为何不建立一个简单的消息消费者，使用简单的代码就能进行消息的消费？
Answer：在普通的消费者逻辑中，只能做到对传送过来的一条消息进行单条处理。而在 Flink 这个优秀的流计算框架中，能够使用窗口进行多样化处理。提供了窗口处理函数，可以对一段时间（例如 5s 内）或者一批（计数大小，例如 5 个一批）的数据进行计数或者 reduce 整合处理
还有 Flink 拥有状态管理，能够保存 checkpoint，如果程序出现错误，也能够之前的检查点恢复，继续程序的处理，于是拥有这些好处的优秀框架，希望小伙伴也加入进来，一起学习~
1、前言
接下来的几篇文章，都会围绕着下面这张图，整体上来说，就是 DataStreamAPI 编程的练习：
分别是 Source、Transformation 和 Sink 进行逐一学习。
2、DataSource 介绍
直译：数据来源
计算引擎，不管是批出来还是流处理，最重要的是数据来源，根据源源不断的数据进行处理，加工成更有价值的数据。
Flink 官方包中提供了如下基于集合、文件、套接字等 API，然后第三方例如 Kafka、RabbitMq 等也提供了方便的集成库。
由于我们测试时，使用的是 StreamExecutionEnvironment.getExecutionEnvironment() 来获取流执行环境类进行操作，所以我们来看下这个类的返回类型是 DataStreamSource 的方法：
3、集合
集合数据源主要有三种：collection、element 和 generateSequence。
-
fromCollection(Collection)：接受的参数对象必须是同一类型的集合
-
fromCollection(Iterator
<OUT>data, Class<OUT>type)：第一个参数是迭代器，第二个参数是指定返回的类型 -
fromElements(Class
<OUT>type, OUT... data)：第一个参数是指定返回的类型，后面的是不定数量入参，可以输入多个OUT类型的对象 -
fromParallelCollection(SplittableIterator
<OUT>iterator, TypeInformation<OUT>typeInfo, String operatorName)： 从一个可分离的迭代器中创建并行数据源。这个方法是parallel并行数据源的底层调用方法，typeInfo是具体的类型信息，最后一个参数就是操作名字。这个并行数据源并没有测试过，等到之后回来补坑吧。 -
generateSequence(long, long)：创建一个包含数字序列的新数据流。例如传进去是 1l 和 10l，那么数据源就是 [1-10]
测试代码如下：
DataSourceFromCollection.java
private static DataStreamSource collection1(StreamExecutionEnvironment env) {
List studentList = Lists.newArrayList(
new Student(1, "name1", 23, "address1"),
new Student(2, "name2", 23, "address2"),
new Student(3, "name3", 23, "address3")
);
return env.fromCollection(studentList);
}
private static DataStreamSource collection2(StreamExecutionEnvironment env) {
return env.generateSequence(1, 20);
} 4、文件 File
从官方例子中，罗列了以下三个读取文件的方法，第一个返回的文本类型的数据源，第二个数据源是只读取一次文件，第三个方法参数比较多，文档中关于 watchType 观察类型介绍比较多，这里翻译自文档 Flink DataStream API Programming Guide
-
readTextFile(filePath)：从
filePath读取文本数据源，文本类型是TextInputFormat以及字符串类型是UTF-8，返回的是文本类型的数据源 -
readFile(fileInputFormat, path)：根据指定的文件输入格式读取文件，只读取一次，不随着文本修改重新读取
-
readFile(fileInputFormat, path, watchType, interval, pathFilter, typeInfo)：这是前两个内部调用的方法。它根据给定的
fileInputFormat读取路径中的文件。**根据提供的watchType对数据源做不同的操作，FileProcessingMode.PROCESS_CONTINUOUSLY模式下，会定期（每间隔 ms）监视新数据的路径，FileProcessingMode.PROCESS_ONCE模式下，会一次处理当前路径中的数据并退出。**使用pathFilter，用户可以进一步从处理文件中排除文件。
4.1、实现 IMPLEMENTATION：
在后台，Flink将文件读取过程分为两个子任务，即目录监视和数据读取。这些子任务中的每一个都是由单独的实体实现的。
监视由单个非并行（并行度= 1）任务实现，而读取由并行运行的多个任务执行。
后者的并行性等于作业并行性。单个监视任务的作用是扫描目录（根据 watchType 定期或仅扫描一次），查找要处理的文件，将它们划分为多个拆分，然后将这些拆分分配给下游读取器 （reader）。
readers 是实际读取到数据的角色。每一个分片 split 只能由一个 reader读取，但是一个 reader 可以读取多个分片 split。
4.2、重要笔记 IMPORTANT NOTES：
-
如果
watchType设置为FileProcessingMode.PROCESS_CONTINUOUSLY，则在修改文件时，将完全重新处理其内容。 这可能会破坏“完全一次”的语义，因为在文件末尾附加数据将导致重新处理其所有内容。 -
如果
watchType设置为FileProcessingMode.PROCESS_ONCE，则源将扫描路径一次并退出，而无需等待读取器完成文件内容的读取。 当然，读者将继续阅读，直到读取了所有文件内容。关闭源将导致在该点之后没有更多检查点。这可能导致节点故障后恢复速度变慢，因为作业将从上一个检查点恢复读取。
根据上诉两种情况，个人觉得如果用文件数据作为数据源进行测试，那么使用第二种观察模式 FileProcessingMode.PROCESS_ONCE，只扫描一次，避免修改文件后影响之前的计算结果。
DataSourceFromFile.java
// 简单的文字文件输入流
DataStreamSource textFileSource = env.readTextFile(filePath);
// 指定格式和监听类型
Path pa = new Path(filePath);
TextInputFormat inputFormat = new TextInputFormat(pa);
DataStreamSource complexFileSource =
env.readFile(inputFormat, filePath,
FileProcessingMode.PROCESS_CONTINUOUSLY,
100L,
TypeExtractor.getInputFormatTypes(inputFormat)); 5、套接字 Socket
-
socketTextStream：从套接字
socket读取。元素可以由自定义分隔符delimiter进行分隔。
DataSourceFromSocket.java
// 监听端口号
DataStreamSource source = env.socketTextStream("localhost", 9000);
// 定义分隔符
DataStreamSource source = env.socketTextStream("localhost", 9000, "\\W+"); 更具体例子可以参考上一篇 Hello World 例子
6、自定义 DataSource
从前面介绍中看到，Flink 提供了一个 addSource(SourceFunction 的方法，其中 SourceFunction 是实现自定义数据源的关键接口，而我们常用来扩展的是它的抽象子类 RichSourceFunction
6.1、RichSourceFunction
进行自定义扩展数据源前，来看下这个类的继承体系：
下面是我测试的一个场景：
-
启动
Redis，手动不断设置某个key的值，模拟应用不断对它的修改 -
Flink读取Redis数据源，进行数据加工 -
存储加工后的数据（例如放入数据库或者简单打印出来）
于是乎，创建了一个自定义的 Redis 数据源，重写上面图中提到的方法
MyRedisDataSourceFunction.java
public class MyRedisDataSourceFunction extends RichSourceFunction {
@Override
public void open(Configuration parameters) throws Exception {
super.open(parameters);
// noop
}
@Override
public void run(SourceContext ctx) throws Exception {
while (true) {
String maxNumber = RedisUtils.get("maxNumber", String.class);
ctx.collect(StringUtils.isBlank(maxNumber) ? "0" : maxNumber);
// 隔 1 s 执行程序
Thread.sleep(1000);
}
}
@Override
public void cancel() {
// noop
}
@Override
public void close() throws Exception {
super.close();
RedisUtils.close();
}
} 从上面代码可以看出，我在 run 方法中，通过 while 循环，不断从 Redis中获取数据，关于缓存的相关操作，封装到了 RedisUtils，感兴趣的可以下载项目来看看。
由于偷懒，open 、cancel 是没有做操作，在关闭方法中，也只是简单释放了 jedis 连接。
6.2、验证自定义数据源结果
DataSourceFromRedis.java
public class DataSourceFromRedis {
public static void main(String[] args) throws Exception {
StreamExecutionEnvironment env =
StreamExecutionEnvironment.getExecutionEnvironment();
DataStreamSource customSource =
env.addSource(new MyRedisDataSourceFunction());
SingleOutputStreamOperator operator = customSource
.map((MapFunction) value -> "当前最大值为 : " + value);
operator.print();
env.execute("test custom redis datasource function");
}
} 上面代码，主要核心在于 env.addSource(new MyRedisDataSourceFunction())，从我们自定义的 Redis 数据源中获取数据，编写好代码后，进行打包并通过 flink run 执行。
为了方便，我直接在本地 IDEA 中，点击了绿色执行按钮，进行本地调试，接着来修改数据源和查看输出结果。
一、修改 Redis 中的数据
$ redis-cli -h localhost -p 6379
> set maxNumber 100
> set maxNumber 200
> set maxNumber 300
> set maxNumber 400二、查看控制台输出结果
3> 当前最大值为 : 100
4> 当前最大值为 : 100
6> 当前最大值为 : 200
7> 当前最大值为 : 200
1> 当前最大值为 : 200
2> 当前最大值为 : 300
....可以看到数据源的修改，我们的程序能够正常接收到并进行处理。当然这个 Demo 只是用来演示，用来演示我们可以基于变动的数据源进行更多复杂的操作，从而来达到数据处理想要的目的。
7、更多自定义数据源（如 Kafka）
例如在收集日志时，Kafka 消息中间件用得比较多，可以通过官方集成的方法 new FlinkKafkaConsumer 进行添加 Kafka 数据源
测试类位置在：
cn.sevenyuan.datasource.custom.DataSourceFromKafka
DataStreamSource dataStreamSource = env.addSource(
new FlinkKafkaConsumer(
KafkaUtils.TOPIC_STUDENT,
new SimpleStringSchema(),
props
)).setParallelism(1); 7.1、测试场景示意
测试场景如上图，模拟一个 A 应用系统，不断的往 Kafka 发送消息，接着我们的 Flink 监听到 Kafka 的数据变动，搜集在一个时间窗口内（例如 10s）的数据，对窗口内的数据进行转换操作，最后进行存储（简单演示，使用的是 Print 打印）
7.2、前置环境安装和启动
如果在本地测试 Kafka 数据源，需要做这三步前置操作：
1. 安装 ZooKeeper，启动命令： zkServer start 2. 安装 Kafka，启动命令：kafka-server-start /usr/local/etc/kafka/server.properties 3. 安装 Flink，启动单机集群版的命令 /usr/local/Cellar/apache-flink/1.9.0/libexec/bin/start-cluster.sh
7.3、模拟应用系统
在终端中，通过 Kafka 命令创建名字为 student 的 Topic：
$kafka-topics --create --zookeeper localhost:2181 --replication-factor 1 --partitions 1 --topic student启动以下代码的 main 方法，通过 while 循环，每隔 3s 往 kafka 发送一条消息：
KafkaUtils.java
public class KafkaUtils {
public static final String BROKER_LIST = "localhost:9092";
public static final String TOPIC_STUDENT = "student";
public static final String KEY_SERIALIZER = "org.apache.kafka.common.serialization.StringSerializer";
public static final String VALUE_SERIALIZER = "org.apache.kafka.common.serialization.StringSerializer";
public static void writeToKafka() throws Exception {
Properties props = new Properties();
props.put("bootstrap.servers", BROKER_LIST);
props.put("key.serializer", KEY_SERIALIZER);
props.put("value.serializer", VALUE_SERIALIZER);
KafkaProducer producer = new KafkaProducer<>(props);
// 制造传递的对象
int randomInt = RandomUtils.nextInt(1, 100);
Student stu = new Student(randomInt, "name" + randomInt, randomInt, "=-=");
stu.setCheckInTime(new Date());
// 发送数据
ProducerRecord record = new ProducerRecord<>(TOPIC_STUDENT, null, null, JSON.toJSONString(stu));
producer.send(record);
System.out.println("kafka 已发送消息 : " + JSON.toJSONString(stu));
producer.flush();
}
public static void main(String[] args) throws Exception {
while (true) {
Thread.sleep(3000);
writeToKafka();
}
}
} 在该工具类中，设定了很多静态变量，例如主题名字、key 序列化类、value的序列化类，之后可以在其它类中进行复用。
点击 main 方法后，可以在控制台终端看到每隔三秒（checkInTime 间隔时间），我们的消息成功的发送出去了。
kafka 已发送消息 : {"address":"=-=","age":49,"checkInTime":1571845900050,"id":49,"name":"name49"}
kafka 已发送消息 : {"address":"=-=","age":92,"checkInTime":1571845903371,"id":92,"name":"name92"}
kafka 已发送消息 : {"address":"=-=","age":72,"checkInTime":1571845906391,"id":72,"name":"name72"}
kafka 已发送消息 : {"address":"=-=","age":19,"checkInTime":1571845909413,"id":19,"name":"name19"}
kafka 已发送消息 : {"address":"=-=","age":34,"checkInTime":1571845912435,"id":34,"name":"name34"}7.4、启动 Flink 程序
DataSourceFromKafka.java
public static void main(String[] args) throws Exception {
StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
// 省略 kafka 的参数配置，具体请看代码
Properties props = new Properties();
DataStreamSource dataStreamSource = env.addSource(new FlinkKafkaConsumer(
KafkaUtils.TOPIC_STUDENT,
new SimpleStringSchema(),
props
)).setParallelism(1);
// 数据转换 & 打印
// 从 kafka 读数据，然后进行 map 映射转换
DataStream dataStream = dataStreamSource.map(value -> JSONObject.parseObject(value, Student.class));
// 不需要 keyBy 分类，所以使用 windowAll，每 10s 统计接收到的数据，批量插入到数据库中
dataStream
.timeWindowAll(Time.seconds(10))
.apply(new AllWindowFunction, TimeWindow>() {
@Override
public void apply(TimeWindow window, Iterable values, Collector> out) throws Exception {
List students = Lists.newArrayList(values);
if (students.size() > 0) {
System.out.println("最近 10 秒汇集到 " + students.size() + " 条数据");
out.collect(students);
}
}
})
.print();
env.execute("test custom kafka datasource");
} 上述代码主要有三个步骤，获取 Kafka数据源 —> 数据转换（通过 map 映射操作，时间窗口搜集数据） —> 最后的数据存储（简单的 print）。
点击执行代码后，我们就能在控制台中看到如下输出结果：
可以看到，按照发送消息的速度，我们能够在 10s 内搜集到 3-4 条数据，从输出结果能够验证 Flink 程序的正确性。
安装操作请参考网上资源，更多详细添加 Kafka 数据源的操作可以看项目中的测试类 DataSourceFromKafka和 zhisheng 写的 Flink 从 0 到 1 学习 —— 如何自定义 Data Source
8、总结
本章总结大致可以用下面这张思维导图概括：
-
集合、文件：读取本地数据，比较适合在本地测试时使用
-
套接字：监听主机地址和端口号，获取数据，比较少用
-
自定义数据源：一般常用的数据源，例如
Kafka、Hive和RabbitMQ，官方都有集成的依赖，通过POM进行引用即可使用，还有想要自己扩展的话，通过继承RichSourceFunction，重写里面的方法，就能够获取自定义的数据
本文主要写了 Flink 提供的数据源使用，介绍了集合、文件、套接字和自定义数据源的例子。当然请根据自己的用途，选择使用合适的数据源，如有疑惑或不对之处请与我讨论~
项目地址
https://github.com/Vip-Augus/flink-learning-note
git clone https://github.com/Vip-Augus/flink-learning-note参考资料
-
Flink 从 0 到 1 学习 —— Data Source 介绍
-
流式连接器
-
Flink DataStream API Programming Guide
-
Flink 从 0 到 1 学习 —— 如何自定义 Data Source
-
Flink实践-读取kafka
精彩回顾：
< END >
