Flink04：Flink核心API之DataStream：DataSoure、Transformation、DataSink
一、Flink核心API
Flink中提供了4种不同层次的API，每种API在简洁和易表达之间有自己的权衡，适用于不同的场景。目前上面3个会用得比较多。
1、低级API(Stateful Stream Processing)：提供了对时间和状态的细粒度控制，简洁性和易用性较差，主要应用在一些复杂事件处理逻辑上。
2、核心API(DataStream/DataSet API)：主要提供了针对流数据和批数据的处理，是对低级API进行了一些封装，提供了filter、sum、max、min等高级函数，简单易用，所以这些API在工作中应用还是比较广泛的。
3、Table API：一般与DataSet或者DataStream紧密关联，可以通过一个DataSet或DataStream创建出一个Table，然后再使用类似于filter, join,或者 select这种操作。最后还可以将一个Table对象转成DataSet或DataStream。
4、SQL：Flink的SQL底层是基于Apache Calcite，Apache Calcite实现了标准的SQL，使用起来比其他API更加灵活，因为可以直接使用SQL语句。
Table API和SQL可以很容易地结合在一块使用，因为它们都返回Table对象。
针对这些API我们主要学习下面这些
二、DataStream API
DataStream API主要分为3块：DataSource、Transformation、DataSink。
DataSource是程序的输入数据源。
Transformation是具体的操作，它对一个或多个输入数据源进行计算处理，例如map、flatMap和filter等操作。
DataSink是程序的输出，它可以把Transformation处理之后的数据输出到指定的存储介质中。
1、DataStream API之DataSoure
DataSource是程序的输入数据源，Flink提供了大量内置的DataSource，也支持自定义DataSource，不过目前Flink提供的这些已经足够我们正常使用了。
Flink提供的内置输入数据源：包括基于socket、基于Collection
还有就是Flink还提供了一批Connectors，可以实现读取第三方数据源。
Flink 内置：表示Flink中默认自带的。
Apache Bahir：表示需要添加这个依赖包之后才能使用的。
针对source的这些Connector，我们在实际工作中最常用的就是Kafka。
当程序出现错误的时候，Flink的容错机制能恢复并继续运行程序，这种错误包括机器故障、网络故障、程序故障等。
针对Flink提供的常用数据源接口，如果程序开启了checkpoint快照机制，Flink可以提供这些容错性保证。
针对这些常用的DataSouce，基于socket的我们之前已经用过了，下面我们来看一下基于Collection集合的。
针对Kafka的这个我们在后面会详细分析，在这里先不讲。
由于我们后面还会学到批处理的功能，所以在项目里面创建几个包，把流处理和批处理的代码分开，后期看起来比较清晰。
接下来在com.imooc.scala.stream里面创建一个包：source，将代码放到source包里面
Scala代码如下：
package com.imooc.scala.stream.source
import org.apache.flink.streaming.api.scala.StreamExecutionEnvironment
/**
* 基于collection的source的使用
* 注意：这个source的主要应用场景是模拟测试代码流程的时候使用
*
*/
object StreamCollectionSourceScala {
def main(args: Array[String]): Unit = {
val env = StreamExecutionEnvironment.getExecutionEnvironment
import org.apache.flink.api.scala._
//使用collection集合生成DataStream
val text = env.fromCollection(Array(1,2,3,4,5))
text.print().setParallelism(1)
env.execute("StreamCollectionSource")
}
}
java代码如下：
package com.imooc.java.stream.source;
import org.apache.flink.streaming.api.datastream.DataStreamSource;
import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;
import java.util.Arrays;
/**
* 基于collection的source的使用
*
*/
public class StreamCollectionSourceJava {
public static void main(String[] args) throws Exception{
StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
//使用collection集合生成DataStream
DataStreamSource text = env.fromCollection(Arrays.asList(1, 2, 3, 4, 5));
text.print().setParallelism(1);
env.execute("StreamCollectionSourceJava");
}
}
2、DataStream API之Transformation
transformation是Flink程序的计算算子，负责对数据进行处理，Flink提供了大量的算子，其实Flink中的大部分算子的使用和spark中算子的使用是一样的，下面我们来看一下：
这里面的算子的用法其实和spark中对应算子的用法是一致的，这里面的map、flatmap、keyBy、reduce、sum这些算子我们都用过了。
所以这里面的算子就不再单独演示了。
往下面看。
这里面的算子我们需要分析一下。
（1）union：表示合并多个流，但是多个流的数据类型必须一致
多个流join之后，就变成了一个流
应用场景：多种数据源的数据类型一致，数据处理规则也一致
来演示一下
scala代码实现如下：
package com.imooc.scala.stream.transformation
import org.apache.flink.streaming.api.scala.StreamExecutionEnvironment
/**
* 合并多个流，多个流的数据类型必须一致
* 应用场景：多种数据源的数据类型一致，数据处理规则也一致
*
*/
object StreamUnionScala {
def main(args: Array[String]): Unit = {
val env = StreamExecutionEnvironment.getExecutionEnvironment
import org.apache.flink.api.scala._
//第1份数据流
val text1 = env.fromCollection(Array(1, 2, 3, 4, 5))
//第2份数据流
val text2 = env.fromCollection(Array(6, 7, 8, 9, 10))
//合并流
val unionStream = text1.union(text2)
//打印流中的数据
unionStream.print().setParallelism(1)
env.execute("StreamUnionScala")
}
}
java代码实现如下：
package com.imooc.java.stream.transformation;
import org.apache.flink.streaming.api.datastream.DataStream;
import org.apache.flink.streaming.api.datastream.DataStreamSource;
import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;
import java.util.Arrays;
/**
* 合并多个流，多个流的数据类型必须一致
* 应用场景：多种数据源的数据类型一致，数据处理规则也一致
*
*/
public class StreamUnionJava {
public static void main(String[] args) throws Exception{
StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
//第1份数据流
DataStreamSource text1 = env.fromCollection(Arrays.asList(1, 2, 3, 4, 5));
//第2份数据流
DataStreamSource text2 = env.fromCollection(Arrays.asList(6, 7, 8, 9, 10));
//合并流
DataStream unionStream = text1.union(text2);
//打印流中的数据
unionStream.print().setParallelism(1);
env.execute("StreamUnionJava");
}
}
（2）connect：只能连接两个流，两个流的数据类型可以不同
两个流被connect之后，只是被放到了同一个流中，它们内部依然保持各自的数据和形式不发生任何变化，两个流相互独立。
connect方法会返回connectedStream，在connectedStream中需要使用CoMap、CoFlatMap这种函数，类似于map和flatmap。
scala代码如下：
package com.imooc.java.stream.transformation
import org.apache.flink.streaming.api.functions.co.CoMapFunction
import org.apache.flink.streaming.api.scala.StreamExecutionEnvironment
/**
* 只能连接两个流，两个流的数据类型可以不同
* 应用：可以将两种不同格式的数据统一成一种格式
*
*/
object StreamConnectScala {
def main(args: Array[String]): Unit = {
val env = StreamExecutionEnvironment.getExecutionEnvironment
import org.apache.flink.api.scala._
//第1份数据流
val text1 = env.fromElements("user:tom,age:18")
//第2份数据流
val text2 = env.fromElements("user:jack_age:20")
//连接两个流
val connectStream = text1.connect(text2)
connectStream.map(new CoMapFunction[String,String,String] {
//处理第1份数据流中的数据
override def map1(value: String): String = {
value.replace(",","-")
}
//处理第2份数据流中的数据
override def map2(value: String): String = {
value.replace("_","-")
}
}).print().setParallelism(1)
env.execute("StreamConnectScala")
}
}
java代码如下：
package com.imooc.java.stream.transformation;
import org.apache.flink.streaming.api.datastream.ConnectedStreams;
import org.apache.flink.streaming.api.datastream.DataStreamSource;
import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;
import org.apache.flink.streaming.api.functions.co.CoMapFunction;
import java.util.Arrays;
/**
* 只能连接两个流，两个流的数据类型可以不同
*
*/
public class StreamConnectJava {
public static void main(String[] args) throws Exception{
StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
//第1份数据流
DataStreamSource text1 = env.fromElements("user:tom,age:18");
//第2份数据流
DataStreamSource text2 = env.fromElements("user:jack_age:20");
//连接两个流
ConnectedStreams connectStream = text1.connect(text2);
connectStream.map(new CoMapFunction() {
//处理第1份数据流中的数据
@Override
public String map1(String value) throws Exception {
return value.replace(",","-");
}
//处理第2份数据流中的数据
@Override
public String map2(String value) throws Exception {
return value.replace("_","-");
}
}).print().setParallelism(1);
env.execute("StreamConnectJava");
}
}
（3）split：根据规则把一个数据流切分为多个流
注意：split只能分一次流，切分出来的流不能继续分流
split需要和select配合使用，选择切分后的流
应用场景：将一份数据流切分为多份，便于针对每一份数据使用不同的处理逻辑
scala代码如下：
package com.imooc.java.stream.transformation
import java.{lang, util}
import org.apache.flink.streaming.api.collector.selector.OutputSelector
import org.apache.flink.streaming.api.scala.StreamExecutionEnvironment
/**
* 根据规则把一个数据流切分为多个流
* 注意：split只能分一次流，切分出来的流不能继续分流
* split需要和select配合使用，选择切分后的流
* 应用场景：将一份数据流切分为多份，便于针对每一份数据使用不同的处理逻辑
*
*/
object StreamSplitScala {
def main(args: Array[String]): Unit = {
val env = StreamExecutionEnvironment.getExecutionEnvironment
import org.apache.flink.api.scala._
val text = env.fromCollection(Array(1, 2, 3, 4, 5, 6, 7, 8, 9, 10))
//按照数据的奇偶性对数据进行分流
val splitStream = text.split(new OutputSelector[Int] {
override def select(value: Int): lang.Iterable[String] = {
val list = new util.ArrayList[String]()
if(value % 2 == 0){
list.add("even")//偶数
}else{
list.add("odd")//奇数
}
list
}
})
//选择流
val evenStream = splitStream.select("even")
evenStream.print().setParallelism(1)
//二次切分流会报错
//Consecutive multiple splits are not supported. Splits are deprecated. Please use side-outputs
/*val lowHighStream = evenStream.split(new OutputSelector[Int] {
override def select(value: Int): lang.Iterable[String] = {
val list = new util.ArrayList[String]()
if(value <= 5){
list.add("low");
}else{
list.add("high")
}
list
}
})
val lowStream = lowHighStream.select("low")
lowStream.print().setParallelism(1)*/
env.execute("StreamSplitScala")
}
}
java代码如下：
package com.imooc.java.stream.transformation;
import org.apache.flink.streaming.api.collector.selector.OutputSelector;
import org.apache.flink.streaming.api.datastream.DataStream;
import org.apache.flink.streaming.api.datastream.DataStreamSource;
import org.apache.flink.streaming.api.datastream.SplitStream;
import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;
import java.util.ArrayList;
import java.util.Arrays;
/**
* 根据规则把一个数据流切分为多个流
* 注意：split只能分一次流，切分出来的流不能继续分流
* split需要和select配合使用，选择切分后的流
* 应用场景：将一份数据流切分为多份，便于针对每一份数据使用不同的处理逻辑
*
*/
public class StreamSplitJava {
public static void main(String[] args) throws Exception{
StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
DataStreamSource text = env.fromCollection(Arrays.asList(1, 2, 3, 4, 5, 6, 7, 8, 9, 10));
//按照数据的奇偶性对数据进行分流
SplitStream splitStream = text.split(new OutputSelector() {
@Override
public Iterable select(Integer value) {
ArrayList list = new ArrayList<>();
if (value % 2 == 0) {
list.add("even");//偶数
} else {
list.add("odd");//奇数
}
return list;
}
});
//选择流
DataStream evenStream = splitStream.select("even");
evenStream.print().setParallelism(1);
env.execute("StreamSplitJava");
}
}
（4）side output实现流的多次切分
目前split切分的流无法进行二次切分，并且split方法已经标记为过时了，官方不推荐使用，现在官方推荐使用side output的方式实现。
下面我来看一下使用side output如何实现流的多次切分。
scala代码如下：
package com.imooc.java.stream.transformation
import java.{lang, util}
import org.apache.flink.streaming.api.collector.selector.OutputSelector
import org.apache.flink.streaming.api.functions.ProcessFunction
import org.apache.flink.streaming.api.scala.{OutputTag, StreamExecutionEnvironment}
import org.apache.flink.util.Collector
/**
* 使用sideoutput切分流
*
*/
object StreamSideOutputScala {
def main(args: Array[String]): Unit = {
val env = StreamExecutionEnvironment.getExecutionEnvironment
import org.apache.flink.api.scala._
val text = env.fromCollection(Array(1, 2, 3, 4, 5, 6, 7, 8, 9, 10))
//按照数据的奇偶性对数据进行分流
//首先定义两个sideoutput来准备保存切分出来的数据
val outputTag1 = new OutputTag[Int]("even"){}//保存偶数
val outputTag2 = new OutputTag[Int]("odd"){}//保存奇数
//注意：process属于Flink中的低级api
val outputStream = text.process(new ProcessFunction[Int,Int] {
override def processElement(value: Int, ctx: ProcessFunction[Int, Int]#Context, out: Collector[Int]): Unit = {
if(value % 2 == 0 ){
ctx.output(outputTag1,value)
}else{
ctx.output(outputTag2,value)
}
}
})
//获取偶数数据流
val evenStream = outputStream.getSideOutput(outputTag1)
//获取奇数数据流
val oddStream = outputStream.getSideOutput(outputTag2)
//evenStream.print().setParallelism(1)
//对evenStream流进行二次切分
val outputTag11 = new OutputTag[Int]("low"){}//保存小于等五5的数字
val outputTag12 = new OutputTag[Int]("high"){}//保存大于5的数字
val subOutputStream = evenStream.process(new ProcessFunction[Int,Int] {
override def processElement(value: Int, ctx: ProcessFunction[Int, Int]#Context, out: Collector[Int]): Unit = {
if(value<=5){
ctx.output(outputTag11,value)
}else{
ctx.output(outputTag12,value)
}
}
})
//获取小于等于5的数据流
val lowStream = subOutputStream.getSideOutput(outputTag11)
//获取大于5的数据流
val highStream = subOutputStream.getSideOutput(outputTag12)
lowStream.print().setParallelism(1)
env.execute("StreamSideOutputScala")
}
}
java代码如下：
package com.imooc.java.stream.transformation;
import org.apache.flink.streaming.api.datastream.DataStream;
import org.apache.flink.streaming.api.datastream.DataStreamSource;
import org.apache.flink.streaming.api.datastream.SingleOutputStreamOperator;
import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;
import org.apache.flink.streaming.api.functions.ProcessFunction;
import org.apache.flink.util.Collector;
import org.apache.flink.util.OutputTag;
import java.util.Arrays;
/**
* 使用sideoutput切分流
*
*/
public class StreamSideoutputJava {
public static void main(String[] args) throws Exception{
StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
DataStreamSource text = env.fromCollection(Arrays.asList(1, 2, 3, 4, 5, 6, 7, 8, 9, 10));
//按照数据的奇偶性对数据进行分流
//首先定义两个sideoutput来准备保存切分出来的数据
OutputTag outputTag1 = new OutputTag("even") {};
OutputTag outputTag2 = new OutputTag("odd") {};
SingleOutputStreamOperator outputStream = text.process(new ProcessFunction() {
@Override
public void processElement(Integer value, Context ctx, Collector out)
throws Exception {
if (value % 2 == 0) {
ctx.output(outputTag1, value);
} else {
ctx.output(outputTag2, value);
}
}
});
//获取偶数数据流
DataStream evenStream = outputStream.getSideOutput(outputTag1);
//获取奇数数据流
DataStream oddStream = outputStream.getSideOutput(outputTag2);
//对evenStream流进行二次切分
OutputTag outputTag11 = new OutputTag("low") {};
OutputTag outputTag12 = new OutputTag("high") {};
SingleOutputStreamOperator subOutputStream = evenStream.process(new ProcessFunction() {
@Override
public void processElement(Integer value, Context ctx, Collector out)
throws Exception {
if (value <= 5) {
ctx.output(outputTag11, value);
} else {
ctx.output(outputTag12, value);
}
}
});
//获取小于等于5的数据流
DataStream lowStream = subOutputStream.getSideOutput(outputTag11);
//获取大于5的数据流
DataStream highStream = subOutputStream.getSideOutput(outputTag12);
lowStream.print().setParallelism(1);
env.execute("StreamSideoutputJava");
}
}
其实想要实现多级流切分，使用filter算子也是可以实现的，给大家留一个作业，大家可以下去实验一下。
三、总结
最后针对这几个算子总结一下：
1、union和connect的区别
首先是union和connect的区别，如图所示：
union可以连接多个流，最后汇总成一个流，流里面的数据使用相同的计算规则
connect值可以连接2个流，最后汇总成一个流，但是流里面的两份数据相互还是独立的，每一份数据使用一个计算规则
2、流切分
然后是流切分
如果是只需要切分一次的话使用split或者side output都可以
如果想要切分多次，就不能使用split了，需要使用side output
3、几个和分区相关的算子
接下来看一下这几个和分区相关的算子
（1）random：随机分区
它表示将上游数据随机分发到下游算子实例的每个分区中，在代码层面体现是调用shuffle()函数。
查看源码 ，shuffle底层对应的是ShufflePartitioner这个类。
这个类里面有一个selectChannel函数，这个函数会计算数据将会被发送给哪个分区，里面使用的是random.nextInt，所以说是随机的。
public int selectChannel(SerializationDelegate> record) {
return random.nextInt(numberOfChannels);
}
（2）rebalance：重新平衡分区(循环分区)
我觉得叫循环分区更好理解，它表示对数据集进行再平衡，消除数据倾斜，为每个分区创建相同的负载，其实就是通过循环的方式给下游算子实例的每个分区分配数据，在代码层面体现是调用rebalance()函数。
查看源码，rebalance底层对应的是RebalancePartitioner这个类。
这个类里面有一个setup和selectChannel函数，setup函数会根据分区数初始化一个随机值nextChannelToSendTo ，然后selectChannel函数会使用nextChannelToSendTo 加1和分区数取模，把计算的值再赋给nextChannelToSendTo ，后面以此类推，其实就可以实现向下游算子实例的多个分区循环发送数据了，这样每个分区获取到的数据基本一致。
public void setup(int numberOfChannels) {
super.setup(numberOfChannels);
nextChannelToSendTo = ThreadLocalRandom.current().nextInt(numberOfChannels);
}
public int selectChannel(SerializationDelegate> record) {
nextChannelToSendTo = (nextChannelToSendTo + 1) % numberOfChannels;
return nextChannelToSendTo;
}
（3）rescale：重分区
查看源码，rescale底层对应的是RescalePartitioner这个类
这个类里面有一个selectChannel函数，这里面的numberOfChannels是分区数量，其实也可以认为是我们所说的算子的并行度，因为一个分区是由一个线程负责处理的，它们两个是一一对应的。
public int selectChannel(SerializationDelegate> record) {
if (++nextChannelToSendTo >= numberOfChannels) {
nextChannelToSendTo = 0;
}
return nextChannelToSendTo;
}
详细的解释在这个类的注释中也是有的。
* The subset of downstream operations to which the upstream operation sends
* elements depends on the degree of parallelism of both the upstream and downstream operation.
* For example, if the upstream operation has parallelism 2 and the downstream operation
* has parallelism 4, then one upstream operation would distribute elements to two
* downstream operations while the other upstream operation would distribute to the other
* two downstream operations. If, on the other hand, the downstream operation has parallelism
* 2 while the upstream operation has parallelism 4 then two upstream operations will
* distribute to one downstream operation while the other two upstream operations will
* distribute to the other downstream operations.
*
如果上游操作有2个并发，而下游操作有4个并发，那么上游的1个并发结果循环分配给下游的2个并发操作，上游的另外1个并发结果循环分配给下游的另外2个并发操作。
另一种情况，如果上游有4个并发操作而下游有2个并发操作，那么上游的其中2个并发操作的结果会分配给下游的一个并发操作，而上游的另外2个并发操作的结果则分配给下游的另外1个并发操作。
注意：rescale与rebalance的区别是rebalance会产生全量重分区，而rescale不会。
（4）broadcast：广播分区
将上游算子实例中的数据输出到下游算子实例的每个分区中，适合用于大数据集Join小数据集的场景，可以提高性能。
查看源码，broadcast底层对应的是BroadcastPartitioner这个类。
看这个类中的selectChannel函数代码的注释，提示广播分区不支持选择Channel,因为会输出数据到下游的每个Channel中，就是发送到下游算子实例的每个分区中。
/**
* Note: Broadcast mode could be handled directly for all the output channels
* in record writer, so it is no need to select channels via this method.
*/
@Override
public int selectChannel(SerializationDelegate> record) {
throw new UnsupportedOperationException("Broadcast partitioner does not support select channels.");
}
（5）custom partition：自定义分区
可以按照自定义规则实现
自定义分区需要实现Partitioner接口
这是针对这几种分区的解释，下面来通过这个图总结一下，加深理解
最后使用代码演示一下它们具体的用法
scala代码如下：
package com.imooc.scala.stream.transformation
import org.apache.flink.streaming.api.scala.{DataStream, StreamExecutionEnvironment}
import org.apache.flink.api.scala._
/**
* 分区规则的使用
*
*/
object StreamPartitionOpScala {
def main(args: Array[String]): Unit = {
val env = StreamExecutionEnvironment.getExecutionEnvironment
//注意：默认情况下Fink任务中算子的并行度会读取当前机器的CPU个数
//fromCollection的并行度为1，由源码可知
val text = env.fromCollection(Array(1,2,3,4,5,6,7,8,9,10))
//注意：在这里建议将这个隐式转换代码放到类上面
//因为默认它只在main函数生效，针对下面提取的shuffleOp是无效的，否则也需要在shuffleOp添加这行代码
//import org.apache.flink.api.scala._
//使用shuffle分区规则
//shuffleOp(text)
//使用rebalance分区规则
//rebalanceOp(text)
//使用rescale分区规则
//rescaleOp(text)
//使用broadcast分区规则，此代码一共会打印40条数据，因为print的并行度为4
//broadcastOp(text)
//自定义分区规则：根据数据的奇偶性进行分区
//注意：此时虽然print算子的并行度是4，但是自定义的分区规则只会把数据分发给2个并行度，所以有2个是不干活的
//custormPartitionOp(text)
env.execute("StreamPartitionOpScala");
}
private def custormPartitionOp(text: DataStream[Int]) = {
text.map(num => num)
.setParallelism(2) //设置map算子的并行度为2
//.partitionCustom(new MyPartitionerScala,0)//这种写法已经过期
.partitionCustom(new MyPartitionerScala, num => num)//官方建议使用keyselector
.print()
.setParallelism(4) //设置print算子的并行度为4
}
private def broadcastOp(text: DataStream[Int]) = {
text.map(num => num)
.setParallelism(2) //设置map算子的并行度为2
.broadcast
.print()
.setParallelism(4) //设置print算子的并行度为4
}
private def rescaleOp(text: DataStream[Int]) = {
text.map(num => num)
.setParallelism(2) //设置map算子的并行度为2
.rescale
.print()
.setParallelism(4) //设置print算子的并行度为4
}
private def rebalanceOp(text: DataStream[Int]) = {
text.map(num => num)
.setParallelism(2) //设置map算子的并行度为2
.rebalance
.print()
.setParallelism(4) //设置print算子的并行度为4
}
private def shuffleOp(text: DataStream[Int]) = {
//由于fromCollection已经设置了并行度为1，所以需要再接一个算子之后才能修改并行度，在这使用map算子
text.map(num => num)
.setParallelism(2) //设置map算子的并行度为2
.shuffle
.print()
.setParallelism(4) //设置print算子的并行度为4
}
}
另外需要的一个类：
package com.imooc.scala.stream.transformation
import org.apache.flink.api.common.functions.Partitioner
/**
* 自定义分区规则：按照数字的奇偶性进行分区
*
*/
class MyPartitionerScala extends Partitioner[Int]{
override def partition(key: Int, numPartitions: Int): Int = {
println("分区总数："+numPartitions)
if(key % 2 == 0){//偶数分到0号分区
0
}else{//奇数分到1号分区
1
}
}
}
java代码如下：
package com.imooc.java.stream.transformation;
import org.apache.flink.api.common.functions.MapFunction;
import org.apache.flink.api.java.functions.KeySelector;
import org.apache.flink.streaming.api.datastream.DataStreamSource;
import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;
import java.util.Arrays;
/**
* 分区规则的使用
*
*/
public class StreamPartitionOpJava {
public static void main(String[] args) throws Exception{
StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
DataStreamSource text = env.fromCollection(Arrays.asList(1, 2, 3, 4, 5, 6, 7, 8, 9, 10));
//使用shuffle分区规则
//shuffleOp(text);
//使用rebalance分区规则
//rebalanceOp(text);
//使用rescale分区规则
//rescaleOp(text);
//使用broadcast分区规则
//broadcastOp(text);
//自定义分区规则
//custormPartitionOp(text);
env.execute("StreamPartitionOpJava");
}
private static void custormPartitionOp(DataStreamSource text) {
text.map(new MapFunction() {
@Override
public Integer map(Integer integer) throws Exception {
return integer;
}
}).setParallelism(2)
.partitionCustom(new MyPartitionerJava(), new KeySelector() {
@Override
public Integer getKey(Integer integer) throws Exception {
return integer;
}
})
.print()
.setParallelism(4);
}
private static void broadcastOp(DataStreamSource text) {
text.map(new MapFunction() {
@Override
public Integer map(Integer integer) throws Exception {
return integer;
}
}).setParallelism(2)
.broadcast()
.print()
.setParallelism(4);
}
private static void rescaleOp(DataStreamSource text) {
text.map(new MapFunction() {
@Override
public Integer map(Integer integer) throws Exception {
return integer;
}
}).setParallelism(2)
.rescale()
.print()
.setParallelism(4);
}
private static void rebalanceOp(DataStreamSource text) {
text.map(new MapFunction() {
@Override
public Integer map(Integer integer) throws Exception {
return integer;
}
}).setParallelism(2)
.rebalance()
.print()
.setParallelism(4);
}
private static void shuffleOp(DataStreamSource text) {
text.map(new MapFunction() {
@Override
public Integer map(Integer integer) throws Exception {
return integer;
}
}).setParallelism(2)
.shuffle()
.print()
.setParallelism(4);
}
}
四、DataStream API之DataSink
DataSink是 输出组件，负责把计算好的数据输出到其它存储介质中。
Flink支持把流数据输出到文件中，不过在实际工作中这种场景不多，因为流数据处理之后一般会存储到一些消息队列里面，或者数据库里面，很少会保存到文件中的。
还有就是print，直接打印，这个其实我们已经用了很多次了，这种用法主要是在测试的时候使用的，方便查看输出的结果信息。
Flink提供了一批Connectors，可以实现输出到第三方目的地。
针对sink的这些connector，我们在实际工作中最常用的是kafka、redis。
针对Flink提供的常用sink组件，可以提供这些容错性保证。
针对kafka这个sink组件的使用，我们在后面会统一分析，现在我们来使用一下redis这个sink组件
需求：接收Socket传输过来的数据，把数据保存到Redis的list队列中。
注意：redis sink是在Bahir这个依赖包中，所以在pom.xml中需要添加对应的依赖。
org.apache.bahir
flink-connector-redis_2.11
1.0
scala代码如下：
package com.imooc.scala.stream.sink
import org.apache.flink.streaming.api.scala.StreamExecutionEnvironment
import org.apache.flink.streaming.connectors.redis.RedisSink
import org.apache.flink.streaming.connectors.redis.common.config.FlinkJedisPoolConfig
import org.apache.flink.streaming.connectors.redis.common.mapper.{RedisCommand, RedisCommandDescription, RedisMapper}
/**
* 需求：接收Socket传输过来的数据，把数据保存到Redis的list队列中。
*
*/
object StreamRedisSinkScala {
def main(args: Array[String]): Unit = {
val env = StreamExecutionEnvironment.getExecutionEnvironment
//连接socket获取输入数据
val text = env.socketTextStream("bigdata04", 9001)
import org.apache.flink.api.scala._
//组装数据，这里组装的是tuple2类型
//第一个元素是指list队列的key名称
//第二个元素是指需要向list队列中添加的元素
val listData = text.map(word => ("l_words_scala", word))
//指定redisSink
val conf = new FlinkJedisPoolConfig.Builder().setHost("bigdata04").setPort(6379).build()
val redisSink = new RedisSink[Tuple2[String, String]](conf, new MyRedisMapper)
listData.addSink(redisSink)
env.execute("StreamRedisSinkScala")
}
class MyRedisMapper extends RedisMapper[Tuple2[String,String]]{
//指定具体的操作命令
override def getCommandDescription: RedisCommandDescription = {
new RedisCommandDescription(RedisCommand.LPUSH)
}
//获取key
override def getKeyFromData(data: (String, String)): String = {
data._1
}
//获取value
override def getValueFromData(data: (String, String)): String = {
data._2
}
}
}
注意：针对List数据类型，我们在定义getCommandDescription方法的时候，使用new RedisCommandDescription(RedisCommand.LPUSH);。
如果是Hash数据类型，在定义getCommandDescription方法的时候，需要使用new RedisCommandDescription(RedisCommand.HSET,“hashKey”);，在构造函数中需要直接指定Hash数据类型的key的名称。
注意：执行代码之前，需要先开启socket和redis服务
通过socket传递单词
[root@bigdata04 ~]# nc -l 9001
hello
flink
最终到redis中查看结果
[root@bigdata04 redis-5.0.9]# redis-cli
127.0.0.1:6379> lrange l_words_scala 0 -1
1) "flink"
2) "hello"
java代码如下：
package com.imooc.java.stream.sink;
import org.apache.flink.api.common.functions.MapFunction;
import org.apache.flink.api.java.tuple.Tuple2;
import org.apache.flink.streaming.api.datastream.DataStreamSource;
import org.apache.flink.streaming.api.datastream.SingleOutputStreamOperator;
import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;
import org.apache.flink.streaming.connectors.redis.RedisSink;
import org.apache.flink.streaming.connectors.redis.common.config.FlinkJedisPoolConfig;
import org.apache.flink.streaming.connectors.redis.common.mapper.RedisCommand;
import org.apache.flink.streaming.connectors.redis.common.mapper.RedisCommandDescription;
import org.apache.flink.streaming.connectors.redis.common.mapper.RedisMapper;
/**
* 需求：接收Socket传输过来的数据，把数据保存到Redis的list队列中。
*
*/
public class StreamRedisSinkJava {
public static void main(String[] args) throws Exception{
StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
//连接socket获取输入数据
DataStreamSource text = env.socketTextStream("bigdata04", 9001);
//组装数据
SingleOutputStreamOperator> listData = text.map(new MapFunction>() {
@Override
public Tuple2 map(String word) throws Exception {
return new Tuple2("l_words_java", word);
}
});
//指定redisSink
FlinkJedisPoolConfig conf = new FlinkJedisPoolConfig.Builder().setHost("bigdata04").setPort(6379).build();
RedisSink> redisSink = new RedisSink<>(conf, new MyRedisMapper());
listData.addSink(redisSink);
env.execute("StreamRedisSinkJava");
}
public static class MyRedisMapper implements RedisMapper>{
//指定具体的操作命令
@Override
public RedisCommandDescription getCommandDescription() {
return new RedisCommandDescription(RedisCommand.LPUSH);
}
//获取key
@Override
public String getKeyFromData(Tuple2 data) {
return data.f0;
}
//获取value
@Override
public String getValueFromData(Tuple2 data) {
return data.f1;
}
}
}