【Flink】常用算子，面试必备

Flink基于流编程模型，内置了很多强大功能的算子，可以帮助我们快速开发应用程序。

作为Flink开发老手，大多算子的写法和场景想来已是了然于胸，但是使用过程常常会有一些小小的问题:

• 部分算子长时间未用，忘了用法。。
• 某些场景选择什么算子？如何选择？含糊不清。。

工欲善其事，必先利其器！快速高效的使用合适的算子开发程序，往往可以达到事半功倍的效果。

想着好记性不如烂笔头这个道理，特此整理一份常见的Flink算子开发手册！！也作为自己的工作笔记。欢迎大家收藏~

1 DataStream API

Flink DataStream API让用户灵活且高效编写Flink流式程序。主要分为DataSource模块、Transformation模块以及DataSink模块。

• Source模块定义数据接入功能，包括内置数据源和外部数据源。
• Transformation模块定义DataStream数据流各种转换操作。
• Sink模块定义数据输出功能，存储结果到外部存储介质中。

执行环境:
StreamExecutionEnvironment
系统模块 :
DataSouce、Transformation和DataSink

2 DataSource 输入

DataSource输入模块定义了DataStream API中的数据输入操作，Flink输入数据源分为内置数据源和第三方数据源两种类型。

• 内置数据源包括文件、Socket网络端口以及集合类型数据，不需要引入其他依赖库，在Flink系统内部已经实现。
• 第三方数据源定义了Flink和外部系统数据交互逻辑，例如Apache Kafka Connector、Elastic Search Connector等。
• 同时用户可以自定义数据源。

2.1 readTextFile、readFile算子

支持读取文本文件到Flink系统，转换成DataStream数据集。

• readTextFile算子直接读取系统文本文件（.log|.txt ...）
• readFile算子可以指定InputFormat读取特定数据类型的文件(包括CSV、JSON或者自定义InputFormat)

// 读取文本文件
val textInputStream = env.readTextFile(
   "/data/example.log")
   
// 指定InputFormat，读取CSV文件
val csvInputStream = env.readFile(
   // 可以自定义类型(InputFormat)
   new CsvInputFormat[String] (   
      new Path("/data/example.csv")
   ) {
     override def fillRecord(out: String,
       onbjects: Array[AnyRef]: String) = {
         return null
       }
   }, "/data/example.csv"
)

2.2 Socket算子

支持从Socket端口读取数据，转换成DataStream算子。

• 算子参数：Ip地址、端口、delimiter字符串切割符、最大重试次数maxRetry
• maxRetry主要提供任务失败重连机制。当设定为0时，Flink任务直接停止。
• Unix环境下，执行nc -lk [:port] 启动网络服务

// Flink程序读取Socket端口（9999）数据
val socketDataStream = 
   env.socketTextStream("localhost", 9999)

2.3 集合算子

支持操作Flink内置集合类(Collection)，转换成DataStream。

• 支持Java、Scala算子常见集合类
• 本质是将本地集合数据分发到远程执行；适用于本地测试，注意数据结构类型的一致性

// fromElements元素集合转换
val elementDataStream = 
 env.fromElements(
   Tuple2('aa', 1L)，Tuple2('bb', 2L)
 )
 
 // fromCollection数组转换（Java）
 String[] collections = new String[] {
   "aa", "bb"
 };
 DataStream collectionDatastream =
  env.fromCollection(
   Arrays.asList(collections)
  );
  
  // List列表转换（Java）
  List arrays = new ArrayList<>();
  arrays.add("aa")
  arrays.add("bb")
  DataStream arrayDataStream = 
   env.fromCollection(arrays)

2.4 外部数据源算子

支持从第三方数据源系统读取数据，转换成DataStreams算子。

• 常见外部数据源算子: Hadoop FileSystem、ElasticSearch、 Apache Kafka、RabbitMQ等
• 使用时需要在Maven环境中添加jar包依赖（pom）

// Maven配置

  org.apache.flink
  flink-connector-kafka-1.2_2.12
  1.9.1


// 读取Kafka数据源（Java）
Properties prop = new Properties();
prop.setProperty("bootstrap.servers", "localhost:9092");
...

DataStream kafkaStream = 
  env.addSource(
    new FlinkKafkaStream010<> (
      "topic-1",
      new SimpleStringSchema(),
      properties
    )
  )

2.5 自定义数据源算子

支持实现内置的Function相关接口，自定义数据源。

具体的内置方法包含但不限于:

• SourceFunction接口
• ParallelSourceFunction接口
• RichParallelSourceFunction类

后续再通过env的addSource()方法添加，具体实现不展开。

3 DataStream转换

Flink对若干个DataStream操作生成新的DataStream，该过程被称为Transformation。

Flink程序中大多数逻辑均在Transformation过程中完成，包含转换、过滤、排序、连接、关联、选择和聚合等操作。

注意和Spark中transformation的区别。

Flink中DataStream转换可以分为几种类型:

• Single DataStream: 单个DataStream数据集元素处理逻辑
• Multi DataStream: 多个DataStream数据集元素处理逻辑
• 物理分区：数据集并行度和数据分区处理

3.1 Map算子（#Single）

对数据集中每个元素进行转换操作，生成新DataStream。

• 底层为MapFunction算子。通过调用map函数，对每个元素执行操作。
• 常用于数据清洗、计算和转换等。

val inputStream = env.fromElements(
  ("aa", 1), ("bb", 2), ("cc", 3)
)

// 第一种写法: map操作，完成每个元素 + 1
val mapStream1 = inputStream.map(
  t => (t._1, t.2 + 1)
)

// 第二种写法: 指定MapFunction
val mapStream2 = inputStream.map(
 new MapFunction[(String, Int), (String, Int)] {
   override def map(t: (String, Int)): 
     (String, Int) = {
       (t._1, t._2 + 1)}
 }
)

3.2 FlatMap算子（#Single）

支持对数据集中所有元素转换成多个元素，生成新DataStream。

val flatDataStream = env.fromCollections()
val resultStream = flatDataStream.flatMap{
   line => line.split(",")
}

3.3 filter算子（#Single）

支持对数据集进行过滤筛选，生成新的DataStream

// 通配符写法
val filterDataStream = dataStream.fliter {
 _ % 2 == 0
}

// 指定运算符表达式
val filterDS = dataStream.filter(
    x => x % 2 == 0
)

3.4 keyBy算子（#Single）

根据指定Key对DataStream数据集分区，生成新的KeyedStream

• 相同Key值的数据归并到同一分区
• 类似于Spark中的groupByKey

val inputStream = env.fromElements(
 ("aa", 11), ("aa", 22), ("bb", 33)
)

// 根据第一个字段作为key分区
// 转换为KeyedStream[(String, String), Tuple]
val keyedStream: inputStream.keyBy(0)

3.5 reduce算子（#Single）

支持对输入KeyedSteam根据reduce()聚合，生成新的DataStream

• 根据key分区聚合形成KeyedStream
• 支持运算符和自定义reduceFunc函数

val inputStream = env.fromElements(
 ("aa", 11), ("bb", 33), ("cc", 22), ("aa", 21)
)

// 指定第一个字段分区key
val keyedStream = inputStream.keyBy(0)

// 对第二个字段进行累加求和
val reduceDataStream = keyedStream.reduce {
  (t1, t2) => (t1._1, t1._2 + t2._2)
}

自定义Reduce函数，需要实现匿名类。

val reduceDataStream = keyedStream.reeduce(
  new ReduceFunction[(String, Int)] {
     override def reduce(t1: (String,Int),
        t2: (String, Int)): (String, Int) = {
           (t1._1, t1._2 + t2._2)
        }
  }
)

3.6 aggregations算子（#Single）

DataStream基础聚合算子，通过输入KeyedStream进行聚合生成新的DataStream

• 根据指定字段聚合，可自定义聚合逻辑
• 底层封装了sum、min、max等函数

val inputStream = env.fromElements(
  (1, 7), (2, 8), (3, 11), (2, 3)
)

// 指定第一个字段分区key
val keyedStream:
[(Int, Int), Tuple] = inputStream.keyBy(0)
// 第二个字段sum统计
val sumStream = keyedStream.sum(1)
// 最后输出结果
sumStream.print()

3.7 Connect合并算子（#Multi）

合并多种类型数据集，并保留原数据集的数据类型，生成ConnectedStream

• 共享状态数据，可互相获取数据集状态
• 某些场景下可替代join算子，变相实现flink双流join功能

// 创建不同数据类型数据集
val stream1 = env.fromElements(
  ("aa", 3), ("bb", 4), ("cc", 11), ("dd", 22)
)

val stream2 = env.fromElements(
 (1, 2, 11, 8)
)

// 连接数据集
// 返回[(String, Int), Int]
// 类似: [("aa", 3),1]
val connectedStream = stream1.connect(stream2)

3.8 Connect算子—CoMap（#Multi）

ConnectedStream数据流的Map功能算子，操作合并数据集所有元素

• 定义CoMapFunction对象，参数为输入数据类型、输出数据类型和mapFunc
• 子map函数多线程交替执行，生成最终的合并目标数据集

// 上文Connected操作后形成的数据流
// 参数: 第1个为stream1类型；第2个为stream2类型；第3个为stream3类型
val resultStream = connnectedStream.map(
  new CoMapFunction[(String, Int), Int, (Int, String)] {
    // 定义第一个数据集处理逻辑，输入值为stream1
    override def map1(in1: (String, Int)): (Int, String) = {
       (in1._2, in1._1)
    }
    // 定义第二个数据集处理逻辑，输入值为stream2
    override def map2(in2: Int): (Int,String)={
       (in2, "default")
    }
)

3.9 Connect算子—CoFlatMap（#Multi）

ConnectedStream数据流的flatmap功能算子

在flatmap()方法中指定CoFlatMapFunction,并分别实现flatmap1()和flatmap2()函数。

val resultStream2 = connectedStream.flatMap(
  new CoFlatMapFunction[(String, Int), Int, (String, Int, Int)] {
     // 举例: 函数中共享变量，完成两个数据集合并
     var value = 0
     // 定义第1个数据集处理函数
     override def flatMap1(in1: (String, Int),
      collect: Collector[(String, Int, Int)]): Unit = {
        collect.collect((in1._1, in1._2, value))
      }
  }
  
  // 定义第2个数据集处理函数
  override def flatMap2(in2: Int, collect: Collector[(String, Int, Int)]): Unit = {
    value = in2
  }
)

3.10 Union算子（#Multi）

将两个或者多个数据集合并，生成与输入数据集类型一致的DataStream

• 输入数据集的数据类型要求一致
• 输出数据集的数据类型和输入数据一致
• 注意和connect算子的区别

val stream1 = env.fromElements(
  ("aa", 3), ("bb", 22), ("cc", 45)
)

val stream2 = env.fromElements(
 ("dd", 23), ("ff", 21), ("gg", 89)
)

val stream3 = ....
// 合并数据集
val unionStream = stream1.union(stream2)
val unionStream2 = stream1.union(
  stream2, stream3
)

3.11 Split算子（#Multi）

将DataStream数据集按照条件拆分，转换成两个数据集的DataStream算子

• 将接入的数据路由到多个输出数据集，在split函数中定义拆分逻辑
• 可以被看作是union的逆向实现

val stream1 = env.fromElements(
 ("aa", 3), ("bb", 33), 
 ("cc", 56),("aa", 23), ("cc", 67)
)

// 根据第二个字段的奇偶性标记数据(切分)
val splitStream = stream1.split(
 v => if (v._2 % 2 == 1 Seq("even") 
          else Seq("odd"))
)

3.12 Select算子（#Multi）

Select筛选算子，通过条件选择数据集中元素，生成新的DataStream

// 筛选偶数数据
val evenStream = splitedStream.select("even")

//筛选所有数据
val allStream = splitedStream.select("even", "odd")

3.13 window窗口算子（时间机制）

Flink的窗口算子是实时计算的核心算子，常用于某固定时间内指标统计

1）窗口API

Flink提供了高级窗口API算子，封装底层窗口操作，包括窗口类型、触发器、侧输出等。同时根据上游输入Stream流分为Non-Keyed和Keyed两种类型。

• Non-keyed（上游为Non-KeyedStream） 直接调用windowAll()，获取全局统计

val inputStream: DataStream = ...

// 当传入为KeyedStream时，调用window()函数
inputStream.keyBy(0).window(new WindowFunc(...))

// 当传入为不做处理的Non-Keyed输入Stream流
// 直接使用windowAll()全局统计
inputStream.windowAll(new WindowFunc(...))

• keyed（上游为KeyedStream类型）
  调用DataStream的内置window()

stream.keyBy(..//keyed输入流.)
   .window(..//窗口类型.)
   .trigger(.//触发器<可选>..)
   .evictor(.//剔除器<可选>.)
   .allowdedLateness(.//延迟处理机制.)
   .sideOutputLateDate(.//侧输出.)
   .reduce/fold.aggregate/apply(.//计算函数.)

2）窗口类型

根据窗口的分配方式分为: 滚动、滑动、会话和全局等，分别支持不同窗口流动方式和范围。

同时支持事件时间和处理时间数据流。

• Tumbling Window Join (滚动窗口)

• Sliding Window Join (滑动窗口)

• Session Widnow Join(会话窗口)

以十分钟时间滑动窗口统计案例说明:

val tumblingStream = inputStream
  .keyBy(0)
  .window(
    TumblingEventTimeWindows.of(
    Time.seconds(10))
  ).process(...)

4 DataSink输出

Flink读取数据源，经过系列Transform操作后，结果一般转存至外部存储介质或者下游，即Flink的DataSink过程。

Flink将外部存储的连接逻辑封装在Connector连接器中，常见的有：

• Apache Kafka
• ElasticSearch
• Hadoop FileSystem
• Redis
• 文件系统、端口

4.1 文件|端口

支持文件、客户端、Socket网络输出，为Flink内置算子，不需要依赖三方库

常见有writeAsCSV（本地文件）、writeToSocket（Socket网络）

// 本地csv
inputStream.writeAsCsv(
 "file://path/xx.csv", WriteMode.OVERWRITE
)

// Socket网络
inputStream.writeToSocket(
 host, post, new SimpleStringSchema()
)

4.2 外部第三方

基于SinkFunction定义，需要引入外部三方依赖库，设置三方系统参数

val dataStream = ...

// 定义FlinkKafkaProducer
val kafkaProducer = new FlinkKafkaProducer011[Sting] (
  "localhost:9092", //kafka broker list连接
  "xxx-topic", // kafka topic
  new SimpleStringSchema() //序列化
)

// 添加SinkFunc
dataStream.addSink(kafkaProducer())

5 总结

Flink内置的算子库种类全、功能强大，熟练掌握算子的使用方式和场景应用，是实时计算的必备技能。