Flink的DataSource三部曲之一：直接API

mvn \

archetype:generate \

-DarchetypeGroupId=org.apache.flink \

-DarchetypeArtifactId=flink-quickstart-java \

-DarchetypeVersion=1.9.2

2. 现在maven工程已生成，用IDEA导入这个工程，如下图：

3. 以maven的类型导入：

4. 导入成功的样子：

5. 项目创建成功，可以开始写代码实战了；

辅助类Splitter

实战中有个功能常用到：将字符串用空格分割，转成Tuple2类型的集合，这里将此算子做成一个公共类Splitter.java，代码如下：

package com.bolingcavalry;

import org.apache.flink.api.common.functions.FlatMapFunction;

import org.apache.flink.api.java.tuple.Tuple2;

import org.apache.flink.util.Collector;

import org.apache.flink.util.StringUtils;

public class Splitter implements FlatMapFunction> {

@Override

public void flatMap(String s, Collector> collector) throws Exception {

if(StringUtils.isNullOrWhitespaceOnly(s)) {

System.out.println(“invalid line”);

return;

}

for(String word : s.split(" ")) {

collector.collect(new Tuple2(word, 1));

}

}

}

准备完毕，可以开始实战了，先从最简单的Socket开始。

Socket DataSource

Socket DataSource的功能是监听指定IP的指定端口，读取网络数据；

1. 在刚才新建的工程中创建一个类Socket.java：

package com.bolingcavalry.api;

import com.bolingcavalry.Splitter;

import org.apache.flink.streaming.api.datastream.DataStream;

import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;

import org.apache.flink.streaming.api.windowing.time.Time;

public class Socket {

public static void main(String[] args) throws Exception {

final StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();

//监听本地9999端口，读取字符串

DataStream socketDataStream = env.socketTextStream(“localhost”, 9999);

//每五秒钟一次，将当前五秒内所有字符串以空格分割，然后统计单词数量，打印出来

socketDataStream

.flatMap(new Splitter())

.keyBy(0)

.timeWindow(Time.seconds(5))

.sum(1)

.print();

env.execute(“API DataSource demo : socket”);

}

}

从上述代码可见，StreamExecutionEnvironment.socketTextStream就可以创建Socket类型的DataSource，在控制台执行命令nc -lk 9999，即可进入交互模式，此时输出任何字符串再回车，都会将字符串传输到本机9999端口；

2. 在IDEA上运行Socket类，启动成功后再回到刚才执行nc -lk 9999的控制台，输入一些字符串再回车，可见Socket的功能已经生效：

集合DataSource(generateSequence)

1. 基于集合的DataSource，API如下图所示：

2. 先试试最简单的generateSequence，创建指定范围内的数字型的DataSource：

package com.bolingcavalry.api;

import org.apache.flink.api.common.functions.FilterFunction;

import org.apache.flink.streaming.api.datastream.DataStream;

import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;

public class GenerateSequence {

public static void main(String[] args) throws Exception {

final StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();

//并行度为1

env.setParallelism(1);

//通过generateSequence得到Long类型的DataSource

DataStream dataStream = env.generateSequence(1, 10);

//做一次过滤，只保留偶数，然后打印

dataStream.filter(new FilterFunction() {

@Override

public boolean filter(Long aLong) throws Exception {

return 0L==aLong.longValue()%2L;

}

}).print();

env.execute(“API DataSource demo : collection”);

}

}

3. 运行时会打印偶数：

集合DataSource(fromElements+fromCollection)

1. fromElements和fromCollection就在一个类中试了吧，创建FromCollection类，里面是这两个API的用法：

package com.bolingcavalry.api;

import org.apache.flink.api.java.tuple.Tuple2;

import org.apache.flink.streaming.api.datastream.DataStream;

import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;

import java.util.ArrayList;

import java.util.List;

public class FromCollection {

public static void main(String[] args) throws Exception {

final StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();

//并行度为1

env.setParallelism(1);

//创建一个List，里面有两个Tuple2元素

List> list = new ArrayList<>();

list.add(new Tuple2(“aaa”, 1));

list.add(new Tuple2(“bbb”, 1));

//通过List创建DataStream

DataStream> fromCollectionDataStream = env.fromCollection(list);

//通过多个Tuple2元素创建DataStream

DataStream> fromElementDataStream = env.fromElements(

new Tuple2(“ccc”, 1),

new Tuple2(“ddd”, 1),

new Tuple2(“aaa”, 1)

);

//通过union将两个DataStream合成一个

DataStream> unionDataStream = fromCollectionDataStream.union(fromElementDataStream);

//统计每个单词的数量

unionDataStream

.keyBy(0)

.sum(1)

.print();

env.execute(“API DataSource demo : collection”);

}

}

2. 运行结果如下：

文件DataSource

1. 下面的ReadTextFile类会读取绝对路径的文本文件，并对内容做单词统计：

package com.bolingcavalry.api;

import com.bolingcavalry.Splitter;

import org.apache.flink.streaming.api.datastream.DataStream;

import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;

public class ReadTextFile {

public static void main(String[] args) throws Exception {

final StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();

//设置并行度为1

env.setParallelism(1);

//用txt文件作为数据源

DataStream textDataStream = env.readTextFile(“file:///Users/zhaoqin/temp/202003/14/README.txt”, “UTF-8”);

//统计单词数量并打印出来

textDataStream

.flatMap(new Splitter())

.keyBy(0)

.sum(1)

.print();

env.execute(“API DataSource demo : readTextFile”);

}

}

2. 请确保代码中的绝对路径下存在名为README.txt文件，运行结果如下：

3. 打开StreamExecutionEnvironment.java源码，看一下刚才使用的readTextFile方法实现如下，原来是调用了另一个同名方法，该方法的第三个参数确定了文本文件是一次性读取完毕，还是周期性扫描内容变更，而第四个参数就是周期性扫描的间隔时间：

public DataStreamSource readTextFile(String filePath, String charsetName) {

Preconditions.checkArgument(!StringUtils.isNullOrWhitespaceOnly(filePath), “The file path must not be null or blank.”);

TextInputFormat format = new TextInputFormat(new Path(filePath));

format.setFilesFilter(FilePathFilter.createDefaultFilter());

TypeInformation typeInfo = BasicTypeInfo.STRING_TYPE_INFO;

format.setCharsetName(charsetName);

return readFile(format, filePath, FileProcessingMode.PROCESS_ONCE, -1, typeInfo);

}

4. 上面的FileProcessingMode是个枚举，源码如下：

@PublicEvolving

public enum FileProcessingMode {

/** Processes the current contents of the path and exits. */

PROCESS_ONCE,

/** Periodically scans the path for new data. */

PROCESS_CONTINUOUSLY

}

5. 另外请关注readTextFile方法的filePath参数，这是个URI类型的字符串，除了本地文件路径，还可以是HDFS的地址：hdfs://host:port/file/path

至此，通过直接API创建DataSource的实战就完成了，后面的章节我们继续学习内置connector方式的DataSource；

欢迎关注我的公众号：程序员欣宸