Flink--4、DateStream API（执行环境、源算子、基本转换算子）
星光下的赶路人star的个人主页
注意力的集中，意象的孤立绝缘，便是美感的态度的最大特点
文章目录
- 1、DataStream API
- 1.1 执行环境（Execution Environment）
-
-
- 1.1.1 创建执行环境
- 1.2 执行模式（Execution Mode）
- 1.3 触发程序执行
-
- 2、源算子（Source）
-
- 2.1 准备工作
- 2.2 从集合中读取数据
- 2.3 从文件中读取数据
- 2.4 从Soceket读取数据
- 2.5 从kafka读取数据
- 2.6 从数据生成器读取数据
- 2.7 Flink支持的数据类型
- 3、转换算子（Transformation）
-
- 3.1 基本转换算子（map/filter/flatMap）
-
- 3.1.1 映射（map）
- 3.1.2 过滤（filter）
- 3.1.3 扁平映射（flatMap）
1、DataStream API
DataStream API是Flink核心层API。一个Flink程序，其实就是对DataStream的各种转换。具体来说，代码基本上都由以下几部分构成：
1.1 执行环境（Execution Environment）
Flink程序可以在各种上下文环境中运行；我们可以在本地JVM中执行程序，也可以提交到远程集群上运行。
不同的环境，代码提交运行的过程会有所不同。这就要求我们在提交作业执行计算时，首先必须获取当前Flink的运行环境，从而建立起与Flink框架之间的联系。
1.1.1 创建执行环境
我们要获取的执行环境，是StreamExecutionEnviroment类的对象，这是所有Flink程序的基础。在代码中成绩执行环境的方式，就是调用这个类的静态方法，具体有一下三种。
1、getExecutionEnviroment
最简单的方式，就是直接调用getExecutionEnvironment方法。它会根据当前运行的上下文直接得到正确的结果：如果程序是独立运行的，就返回一个本地执行环境；如果是创建了jar包，然后从命令行调用它并提交到集群执行，那么就返回集群的执行环境。也就是说，这个方法会根据当前运行的方式，自行决定该返回什么样的运行环境。
StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
这种方式，用起来简单高效，是最常用的一种创建执行环境的方式。
2、createLocalEnviroment
这个方法返回一个本地执行环境。可以在调用时传入一个参数，指定默认的并行度；如果不传入，则没人并行度就是本地的CPU核心数。
StreamExecutionEnvironment localEnv = StreamExecutionEnvironment.createLocalEnvironment();
3、createRemoteEnvironment
这个方法返回集群执行环境。需要在调用时指定JobManager的主机名和端口号，并指定要在集群中运行的Jar包。
StreamExecutionEnvironment remoteEnv = StreamExecutionEnvironment
.createRemoteEnvironment(
"host", // JobManager主机名
1234, // JobManager进程端口号
"path/to/jarFile.jar" // 提交给JobManager的JAR包
);
在获取到程序执行环境后，我们还可以对执行环境进行灵活的设置。比如可以全局设置程序的并行度、禁用算子链，还可以定义程序的时间语义、配置容错机制。
1.2 执行模式（Execution Mode）
从Flink1.12开始，官方推荐的做法是直接使用DataStream API，在提交任务时通过将执行模式设为BATCH来进行批处理。不建议使用DataSet API。
// 流处理环境
StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
DataStream API执行模式包括：流执行模式、批执行模式和自动模式
- 流执行模式（Streaming）
这是DataStream API最经典的模式，一般用于需要持续实时处理的无界数据流。默认情况下，程序使用的就是Streaming执行模式。 - 批执行模式（Batch）
专门用于批处理的执行模式 - 自动模式（AutoMatic）
在这种模式下，将由程序根据输入数据源是否有界，来自动选择执行模式。
批执行模式的使用。主要有两种方式：
（1）通过命令行配置
bin/flink run -Dexecution.runtime-mode=BATCH ...
（2）通过代码配置
StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
env.setRuntimeMode(RuntimeExecutionMode.BATCH);
1.3 触发程序执行
需要注意的是，写完输出（Sink）操作并不代表程序已经结束。因为当main()方法被调用时，其实只是定义了作业的每个执行操作，如何添加到数据流图中；这时候并没有真正处理数据–因为数据可能还没有来。Flink是由事件驱动的，只有等到数据到来，才会触发真正的计算，这也呗称为“延迟执行”或“懒执行”。
所以我们需要显示地调用执行环境的execute（）方法来触发程序的执行。execute()方法讲一直等待作业完成，如何返回一个执行结果（JobExecutionResult）。
env.execute();
2、源算子（Source）
Fink可以从各种来源获取数据，如何构建DataStream进行转换处理。一般将数据地输入来源称为数据源（data source），而读取数据的算子就是源算子。所以，source就是我们整个处理程序的输入端。
在Flink1.12以前，旧的添加source的方法是调用执行环境的addSource()方法：
DataStream<String> stream = env.addSource(...);
方法传入的参数是一个“源函数”（source function），需要实现SourceFunction接口、
从Flink1.12开始，主要使用流批一体的新Source架构：
DataStreamSource<String> stream = env.fromSource(…)
Flink直接提供了很多预实现的接口，此外还有很多外部连接工具也帮我们实现了对应的Source，通常情况下足以应对我们的实际需求。
2.1 准备工作
为了方便练习，这里使用WaterSensor作为数据模型。
| 字段名 | 数据类型 | 说明 |
|---|---|---|
| id | String | 水位传感器类型 |
| ts | Long | 传感器记录时间戳 |
| vc | Integer | 水位记录 |
具体代码如下：
@Data
@NoArgsConstructor
@AllArgsConstructor
public class WaterSensor {
private String id;
private Long ts;
private Integer vc;
}
这里需要注意的点：
- 类是公共的
- 所有属性都是公有的
- 所有属性的类型都是可以序列化的
Flink会把这样的类作为一种特殊的POJO（Plain Ordinary Java Object简单的Java对象，实际就是普通JavaBeans）数据类型来对待，方便数据的解析和序列化。另外我们在类中还重写了toString()方法，主要是为了测试显示更清晰。
我们这里自定义的POJO类会在后面的代码中频繁使用，所以在后面的代码中碰到，把这里的POJO类导入就好了。
2.2 从集合中读取数据
最简单的读取数据的方式，就是在代码中直接创建一个Java集合，然后调用执行环境的fromCollection方法进行读取。这相当于将数据临时存储到内存中，形成特殊的数据结构后，作为数据源使用，一般用于测试。
public class Demo01_CollectionSource {
public static void main(String[] args) throws Exception {
Configuration conf = new Configuration();
conf.setInteger("rest.port", 3333);
StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment(conf);
//从集合中获取数据，用于测试代码的逻辑是否有bug
env.fromCollection(Arrays.asList(1,2,3,4,5,6)).print();
//基于元素成绩
env.fromElements(7,8,9,10,11,12).printToErr();
env.execute();
}
}
运行结果：
2.3 从文件中读取数据
真正的实际应用中，自然不会直接将数据写在代码中。通常情况下，我们会从存储介质中获取数据，一个比较常见的方式就是读取日志文件。这也是批处理中最常见的读取方式。
读取文件，需要添加文件连接器依赖:
<dependency>
<groupId>org.apache.flinkgroupId>
<artifactId>flink-connector-filesartifactId>
<version>${flink.version}version>
dependency>
实操代码
public class Demo02_FileSource {
public static void main(String[] args) throws Exception {
//创建Flink配置类（空参创建的话都是默认值）
Configuration configuration = new Configuration();
//修改配置类中的WebUI端口号
configuration.setInteger("rest.port",3333);
//创建Flink环境（并且传入配置对象）
StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment(configuration);
/**
* 引入file-connector
*
* forRecordStreamFormat(
* final StreamFormat streamFormat,hadoop中的输入格式。代表输入的每一行数据的格式。
* 压缩的文本，也能识别（部分）
* final Path...paths:读取的文件的路径，可以是单个文件，也可以是一个目录，可以是本地磁盘的目录，也可以是hdfs上的文件
* 如果读取hdfs上的文件，需要引入hadoop-client的依赖
* )
*/
//获取数据源
FileSource<String> source = FileSource.forRecordStreamFormat(new TextLineInputFormat(), new Path("data/ws.json")).build();
//使用就算环境，调用source算子去读数据
DataStreamSource<String> streamSource = env.fromSource(source, WatermarkStrategy.noWatermarks(), "myfile");
//简单打印
streamSource.print();
//执行
env.execute();
}
}
运行结果
说明：
- 参数可以是目录，也可以是文件；还可以从HDFS目录下读取，使用路径hdfs://…；
- 路径可以是相对路径，也可以是绝对路径
- 相对路径是从系统属性user.dir获取路径；idea下是project的根目录，standalone模式下是集群节点根目录。
2.4 从Soceket读取数据
不论从集合还是文件，我们读取的其实都是有界数据。在流处理的场景中，数据往往是无界的。
我们之前用到的读取socket文本流，就是流处理场景。但是这种方式由于吞吐量小、稳定性较差，一般也是用于测试。
DataStream<String> stream = env.socketTextStream("hadoop102", 9999);
2.5 从kafka读取数据
Flink官方提供了连接工具flink-connector-kafka，直接帮我们实现了一个消费者FlinkKafkaConsumer，它就是用来读取Kafka数据的SourceFunction。
所以想要以Kafka作为数据源获取数据，我们只需要引入Kafka连接器的依赖。Flink官方提供的是一个通用的Kafka连接器，它会自动跟踪最新版本的Kafka客户端。目前最新版本只支持0.10.0版本以上的Kafka。这里我们需要导入的依赖如下。
<dependency>
<groupId>org.apache.flinkgroupId>
<artifactId>flink-connector-kafkaartifactId>
<version>${flink.version}version>
dependency>
public class Demo03_KafkaSource {
public static void main(String[] args) throws Exception {
//创建Flink配置类（空参创建的话都是默认值）
Configuration configuration = new Configuration();
//修改配置类中的WebUI端口号
configuration.setInteger("rest.port",3333);
//创建Flink环境（并且传入配置对象）
StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment(configuration);
/**
* 构造一个Source
* kafkaSource.builder()
* OUT指kafka中读取的数据的value类型
*/
KafkaSource<String> kafkaSource = KafkaSource.<String>builder()
//声明kafka集群地址
.setBootstrapServers("hadoop102:9092")
//声明读取的主题
.setTopics("FlinkTest")
/**设置消费者组 Source算子可以有多个并行度，每个并行度都会被创建为一个Task，每个Task都是一个消费者组，但是多个消费者组属于同一个组
* 一个Source的Task可以消费一个主题的N个分区
*/
.setGroupId("flink")
/**
* 设置消费者的消费策略
* 从头消费：earliest
* 从尾消费：latest
*/
//没有设置策略的话是从头消费
// flink程序在启动的时候，从之前备份的状态中读取offsets，从offsets位置继续往后消费！
//如果没有备份，此时参考消费策略
//从头消费
// .setStartingOffsets(OffsetsInitializer.earliest())
//从kafka读取当前组上次提交的offset位置，如果这个组没有提交过，再从头消费
// .setStartingOffsets(OffsetsInitializer.committedOffsets(OffsetResetStrategy.EARLIEST))
/**
* 如果你消费的数据，是没有key的，只需要设置value的反序列化器：setValueOnlyDeserializer
* 如果你消费的数据，有key，需要设置key-value的反序列化器：setDeserializer
*/
.setValueOnlyDeserializer(new SimpleStringSchema())
//设置是否自动提交消费的offset
.setProperty(ConsumerConfig.ENABLE_AUTO_COMMIT_CONFIG, "true")
//设置自动提交的时间间隔
.setProperty(ConsumerConfig.AUTO_COMMIT_INTERVAL_MS_CONFIG, "1000")
.build();
env.fromSource(kafkaSource, WatermarkStrategy.noWatermarks(),"kafka").print();
env.execute();
}
}
2.6 从数据生成器读取数据
Flink从1.11开始提供了一个内置的DataGen 连接器，主要是用于生成一些随机数，用于在没有数据源的时候，进行流任务的测试以及性能测试等。1.17提供了新的Source写法，需要导入依赖：
<dependency>
<groupId>org.apache.flinkgroupId>
<artifactId>flink-connector-datagenartifactId>
<version>${flink.version}version>
dependency>
public class Demo04_DataGenSource {
public static void main(String[] args) throws Exception {
//创建Flink配置类（空参创建的话都是默认值）
Configuration configuration = new Configuration();
//修改配置类中的WebUI端口号
configuration.setInteger("rest.port",3333);
//创建Flink环境（并且传入配置对象）
StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment(configuration);
String[] ids={"s1","s2","s3"};
/**
* 模拟源源不断的WaterSensor
*
* DataGeneratorSource(
* GeneratorFunction generationFunction,函数帮你模拟想要的数据OUT，你要模拟的数据类型
* Long count，一共要模拟多少条数据
* RateLimiterStrategy rateLimiterStrategy,速率限制
* TypeInformation typeInfo 补充OUT的类型信息
* )
*/
//模拟数据
DataGeneratorSource<WaterSensor> source = new DataGeneratorSource<WaterSensor>(
new GeneratorFunction<Long,WaterSensor>()
{
@Override
public WaterSensor map(Long aLong) throws Exception {
return new WaterSensor(
ids[RandomUtils.nextInt(0,ids.length)],
System.currentTimeMillis(),
RandomUtils.nextInt(100,30000)
);
}
},
Long.MAX_VALUE,
RateLimiterStrategy.perSecond(5d),
TypeInformation.of(WaterSensor.class)
);
//使用计算环境，调用fromSource算子去读数据
DataStreamSource<WaterSensor> sensorDataStreamSource = env.fromSource(source, WatermarkStrategy.noWatermarks(), "dg");
//打印
sensorDataStreamSource.print();
//执行
env.execute();
}
}
2.7 Flink支持的数据类型
1、Flink的类型系统
Flink使用”类型信息“（TypeInformation）来统一表示数据类型。TypeInformation类是Flink中所以类型描述符的基类。它涵盖了类型的一些基本属性，并为每个数据类型生成特定的序列化器、反序列化器和比较器。
2、Flink支持的数据类型
对于常见的Java和Scala数据类型，Flink都是支持的。Flink在内部，Flink对支持不同的类型进行了划分，这些类型可以在Types工具类中找到：
（1）基本类型
所有Java基本类型及其包装类，再加上Void、String、Date、BigDecimal和BigInteger。
（2）数组类型
包括基本类型数组（Primitive_Array）和对象数组（Object_Array）.
（3）复合数据类型
- java元组类型（Tuple）：这是Flink内置的元组类型，是Java API的一部分。最多25个字段，也就是从Tuple0~Tuple25，不支持空字段。
- Scala样例类及Scala元组；不支持空字段。
- 行类型（ROW）：可以认为是具有任意个字段的元组，并支持空字段。
- POJO：Flink自定义的类似于Java Bean模式的类。
（4）辅助类型
Option、Either、List、Map等
（5）泛型类型（Generic）
Flink支持所有的Java类和Scala类。不过如果没有按照上面POJO类型的要求来定义，就会被Flink当作泛型类来处理。Flink会把泛型类型当作黑盒，无法获取它们内部的属性；它们也不是由Flink本身序列化的，而是由Kryo序列化的。
在这些类型中，元组类型和POJO类型最为灵活，因为它们支持创建复杂类型。而相比之下，POJO还支持在键（key）的定义中直接使用字段名，这会让我们的代码可读性大大增加。所以，在项目实践中，往往会将流处理程序中的元素类型定为Flink的POJO类型。
Flink对POJO类型的要求如下：
- 类是公有（public）的
- 有一个无参的构造方法
- 所有属性都是公有（public）的
- 所有属性的类型都是可以序列化的
3、类型提示（Type Hints）
Flink还具有一个类型提取系统，可以分析函数的输入和返回类型，自动获取类型信息，从而获得对应的序列化器和反序列化器。但是，由于java中泛型擦除的存在，在某些特殊情况下（比如Lambda表达式中），自动提前的信息是不够精细的–只告诉Flink当前的元素由“船头、船身、船尾”构成，根本无法重建出“大船”的模样；这时就需要显式地提供类型信息，才能使应用程序正常工作或提高其性能。
为了解决这类问题，Java API提供了专门的“类型同时”（type hints）
回忆一下之前的word count流处理程序，我们在将String类型的每个词转换成（word，count）二元组后，就明确地用returns指定了返回的类型。因为对于map里传入了Lambda表达式，系统只能推断出返回的是Tuple2类型，而无法得到Tuple
.map(word -> Tuple2.of(word, 1L))
.returns(Types.TUPLE(Types.STRING, Types.LONG));
Flink还专门提供了TypeHint类，它可以捕获泛型的类型信息，并且一直记录下来，为运行时通过足够的信息。我们同样可以通过returns()方法，明确地指定转换之后的DataStream里元素的类型。
returns(new TypeHint<Tuple2<Integer, SomeType>>(){})
3、转换算子（Transformation）
数据源读入数据之后，我们就可以使用各种转换算子，将一个或多个DataStream转换为新的DataStream。
3.1 基本转换算子（map/filter/flatMap）
3.1.1 映射（map）
map是大家非常熟悉的大数据操作算子，主要用于将数据流中的数据进行转换，形成新的数据流。简单来说，就是一个“一一映射”，消费一个元素就产出一个元素。
我们只需要基于DataStream调用map()方法就可以进行转换处理。方法需要传入的参数是接口MapFunction的实现；返回值类型还是DataStream，不过泛型（流中的元素类型）可能改变。
下面是模拟读取数据库数据
public class Demo01_Map {
public static void main(String[] args) throws Exception {
//创建Flink配置类（空参创建的话都是默认值）
Configuration configuration = new Configuration();
//修改配置类中的WebUI端口号
configuration.setInteger("rest.port",3333);
//创建Flink环境（并且传入配置对象）
StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment(configuration);
//设置并行度是1
env.setParallelism(1);
List<Integer> nums = Arrays.asList(1, 2, 3, 4, 5);
env.fromCollection(nums)
.map(new MyMapFunction())
.print();
env.execute();
}
private static class MyMapFunction extends RichMapFunction<Integer, String> {
private String conn;
@Override
public String map(Integer integer) throws Exception {
//使用连接，读取数据库
System.out.println(integer + "使用" + conn);
return integer.toString();
}
/**
* RichFunction
* 在Task被创建的时候，执行一次
* @param parameters
* @throws Exception
*/
@Override
public void open(Configuration parameters) throws Exception {
//模拟创建连接
conn="连接";
System.out.println("创建好了连接..................");
}
/**
* RichFunction
* 在Task关闭的时候，执行一次
* @throws Exception
*/
@Override
public void close() throws Exception {
//关闭连接
System.out.println("关闭了连接...................");
}
}
}
运行截图
上面代码中，MapFuntion实现类的泛型类型与输入数据类型和输出数据的类型有关。在实现MapFunction接口的时候，需要指定两个泛型，分别是输入事件和输出事件的类型，还需要重写一个map()方法，定义从一个输入事件转换为另一个输出事件的具体逻辑。
3.1.2 过滤（filter）
filter转换操作，顾名思义是对数据流执行一个过滤，通过一个布尔条件表达式设置过滤条件，对于每一个流内元素进行判断，若为true则元素正常输出，若为false则元素被过滤掉。
进行filter转换之后的新数据流的数据类型与原数据流是相同的。filter转换需要传入的参数需要实现FilterFunction接口，而FilterFunction内要实现filter()方法，就相当于一个返回布尔类型的条件表达式。
输出偶数：
public class Demo02_Filter {
public static void main(String[] args) throws Exception {
//创建Flink配置类（空参创建的话都是默认值）
Configuration configuration = new Configuration();
//修改配置类中的WebUI端口号
configuration.setInteger("rest.port",3333);
//创建Flink环境（并且传入配置对象）
StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment(configuration);
List<Integer> nums = Arrays.asList(1, 2, 3, 4, 5, 6);
env.fromCollection(nums)
.filter(integer -> integer%2==0)
.print();
env.execute();
}
}
运行截图：
3.1.3 扁平映射（flatMap）
flatMap操作又称为扁平映射，主要是将数据流中的整体（一般是集合类型）拆分成一个一个的个体使用。消费一个元素，可以产生0到多个元素。flatMap可以认为是“扁平化”（flatten）和“映射”（map）两步操作的结合，也就是先按照某种规则对数据进行打散拆分，再对拆分后的元素做转换处理。
同map一样，flatMap也可以使用Lambda表达式或者FlatMapFunction接口实现类的方式来进行传参，返回值类型取决于所传参数的具体逻辑，可以与原数据流相同，也可以不同。
输出偶数，并且输出多次
public class Demo03_FlatMap {
public static void main(String[] args) throws Exception {
//创建Flink配置类（空参创建的话都是默认值）
Configuration configuration = new Configuration();
//修改配置类中的WebUI端口号
configuration.setInteger("rest.port",3333);
//创建Flink环境（并且传入配置对象）
StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment(configuration);
List<Integer> nums = Arrays.asList(1, 2, 3, 4, 5, 6);
//炸裂(留下偶数)
env.fromCollection(nums)
.flatMap(new FlatMapFunction<Integer, Integer>() {
@Override
public void flatMap(Integer integer, Collector<Integer> collector) throws Exception {
if (integer%2==0){
collector.collect(integer);
collector.collect(integer);
collector.collect(integer);
collector.collect(integer);
}
}
})
.print();
env.execute();
}
}
运行截图：
您的支持是我创作的无限动力
希望我能为您的未来尽绵薄之力
如有错误，谢谢指正；若有收获，谢谢赞美