#yyds干货盘点#Flink的DataSource三部曲之一:直接API

Posted 程序员欣宸

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了#yyds干货盘点#Flink的DataSource三部曲之一:直接API相关的知识,希望对你有一定的参考价值。

欢迎访问我的GitHub

本篇概览

  • 本文是《Flink的DataSource三部曲》系列的第一篇,该系列旨在通过实战学习和了解Flink的DataSource,为以后的深入学习打好基础,由以下三部分组成:
    1. 直接API:即本篇,除了准备环境和工程,还学习了StreamExecutionEnvironment提供的用来创建数据来的API;
    2. 内置connector:StreamExecutionEnvironment的addSource方法,入参可以是flink内置的connector,例如kafka、RabbitMQ等;
    3. 自定义:StreamExecutionEnvironment的addSource方法,入参可以是自定义的SourceFunction实现类;

关于Flink的DataSource

  • 官方对DataSource的解释:Sources are where your program reads its input from,即DataSource是应用的数据来源,如下图的两个红框所示:

    DataSource类型

  • 对于常见的文本读入、kafka、RabbitMQ等数据来源,可以直接使用Flink提供的API或者connector,如果这些满足不了需求,还可以自己开发,下图是我按照自己的理解梳理的:

    环境和版本

  • 熟练掌握内置DataSource的最好办法就是实战,本次实战的环境和版本如下:
    1. JDK:1.8.0_211
    2. Flink:1.9.2
    3. Maven:3.6.0
    4. 操作系统:macOS Catalina 10.15.3 (MacBook Pro 13-inch, 2018)
    5. IDEA:2018.3.5 (Ultimate Edition)

      源码下载

  • 如果您不想写代码,整个系列的源码可在GitHub下载到,地址和链接信息如下表所示(https://github.com/zq2599/blog_demos):
名称 链接 备注
项目主页 https://github.com/zq2599/blog_demos 该项目在GitHub上的主页
git仓库地址(https) https://github.com/zq2599/blog_demos.git 该项目源码的仓库地址,https协议
git仓库地址(ssh) git@github.com:zq2599/blog_demos.git 该项目源码的仓库地址,ssh协议
  • 这个git项目中有多个文件夹,本章的应用在==flinkdatasourcedemo==文件夹下,如下图红框所示:

    环境和版本

  • 本次实战的环境和版本如下:
    1. JDK:1.8.0_211
    2. Flink:1.9.2
    3. Maven:3.6.0
    4. 操作系统:macOS Catalina 10.15.3 (MacBook Pro 13-inch, 2018)
    5. IDEA:2018.3.5 (Ultimate Edition)

      创建工程

    6. 在控制台执行以下命令就会进入创建flink应用的交互模式,按提示输入gourpId和artifactId,就会创建一个flink应用(我输入的groupId是==com.bolingcavalry==,artifactId是==flinkdatasourcedemo==):
      mvn \\
      archetype:generate \\
      -DarchetypeGroupId=org.apache.flink \\
      -DarchetypeArtifactId=flink-quickstart-java \\
      -DarchetypeVersion=1.9.2
  1. 现在maven工程已生成,用IDEA导入这个工程,如下图:
  2. 以maven的类型导入:
  3. 导入成功的样子:
  4. 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<String, Tuple2<String, Integer>> br/>@Override
public void flatMap(String s, Collector<Tuple2<String, Integer>> collector) throws Exception

    if(StringUtils.isNullOrWhitespaceOnly(s)) 
        System.out.println("invalid line");
        return;
    

    for(String word : s.split(" ")) 
        collector.collect(new Tuple2<String, Integer>(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:
```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<String> 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;
  1. 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)

  2. 基于集合的DataSource,API如下图所示:
  3. 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<Long> dataStream = env.generateSequence(1, 10);

    //做一次过滤,只保留偶数,然后打印
    dataStream.filter(new FilterFunction<Long>() 
        @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:
![4.](https://s4.51cto.com/images/blog/202203/19221138_6235e49a9e0ab87880.png?x-oss-process=image/watermark,size_14,text_QDUxQ1RP5Y2a5a6i,color_FFFFFF,t_100,g_se,x_10,y_10,shadow_20,type_ZmFuZ3poZW5naGVpdGk=)
###  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:
```java
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<Tuple2<String, Integer>> list = new ArrayList<>();
        list.add(new Tuple2("aaa", 1));
        list.add(new Tuple2("bbb", 1));

        //通过List创建DataStream
        DataStream<Tuple2<String, Integer>> fromCollectionDataStream = env.fromCollection(list);

        //通过多个Tuple2元素创建DataStream
        DataStream<Tuple2<String, Integer>> 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<Tuple2<String, Integer>> 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");
    
  1. 运行结果如下:

    文件DataSource

  2. 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<String> 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:
![在这里插入图片描述](https://s4.51cto.com/images/blog/202203/19221139_6235e49b063f732709.png?x-oss-process=image/watermark,size_14,text_QDUxQ1RP5Y2a5a6i,color_FFFFFF,t_100,g_se,x_10,y_10,shadow_20,type_ZmFuZ3poZW5naGVpdGk=)
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:
```java
public DataStreamSource<String> 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<String> typeInfo = BasicTypeInfo.STRING_TYPE_INFO;
        format.setCharsetName(charsetName);

        return readFile(format, filePath, FileProcessingMode.PROCESS_ONCE, -1, typeInfo);
    
  1. 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
    
  2. 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51CTO博客:程序员欣宸

以上是关于#yyds干货盘点#Flink的DataSource三部曲之一:直接API的主要内容,如果未能解决你的问题,请参考以下文章

#yyds干货盘点#将CSV的数据发送到kafka(java版)

Spring的七大模块#yyds干货盘点#

#yyds干货盘点# Phaser详解

#yyds干货盘点# 泛型通配符

#yyds干货盘点#linux命令--uname

#yyds干货盘点#linux命令--hdparm