Flink DataStream编程指南
Posted Spark高级玩法
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Flink DataStream编程指南相关的知识,希望对你有一定的参考价值。
Flink程序是执行分布式集合转换(例如,filtering, mapping, updating state, joining, grouping, defining windows, aggregating)的常规程序。集合创建于原始的数据源(例如,通过从文件读取,kafka主题或从本地内存集合中进行创建)。通过sinks返回结果,例如将数据写入(分布式)文件或标准输出(例如,命令行终端)。Flink程序以各种上下文运行,独立或嵌入其他程序中。执行可能发生在本地JVM或许多机器的集群上。取决于数据源的类型,即有界或无界源,您将编写批处理程序或流式程序,其中DataSet API用于批处理,DataStream API用于流式传输。
一,DataSet and DataStream
Flink有一个特殊的类DataSet和DataStream来表示程序中的数据。您可以将它们视为不可变的数据集合,可以包含重复的数据。在DataSet的情况下,数据是有限的,而对于DataStream,元素的数量可以是无限制的。
这些集合在一些关键方面与常规Java集合不同。 首先,它们是不可变的,这意味着一旦创建它们就不能添加或删除元素。 你也不能简单地检查里面的元素。
最初通过在Flink程序中添加一个源来创建一个集合,并且通过使用API方法(如map,filter等)来转换它们,从这些集合中导出新集合。
二,解刨Flink程序
Flink每个程序由相同的基本部分组成:
1),获取执行环境,
2),加载/创建初始数据,
3),指定对此数据的转换,
4),指定计算结果的位置,
5),触发程序执行
现在我们将对每个步骤进行概述,详情后面会出文章介绍。
StreamExecutionEnvironment 是Flink项目的基础。可以使用下面的StreamExecutionEnvironment静态方法来创建:
getExecutionEnvironment()
createLocalEnvironment()
createRemoteEnvironment(host: String, port: Int, jarFiles: String*)
通常情况下,您只需要使用getExecutionEnvironment(),因为这将根据上下文执行正确的操作:如果您正在IDE中执行程序或作为常规Java程序,将创建一个将执行您的程序的本地环境。如果您从程序中创建了一个JAR文件,并通过命令行调用它,Flink集群管理器将执行您的main方法,而getExecutionEnvironment()将返回一个在集群上执行程序的执行环境。为了指定数据源,执行环境有几种使用各种方法从文件中读取的方法:您可以逐行阅读它们,如CSV文件,或使用完全自定义的数据输入格式。使用下面的方式
val env = StreamExecutionEnvironment.getExecutionEnvironment()
val text: DataStream[String] = env.readTextFile("file:///path/to/file")
这将创建一个DataStream,然后您可以应用转换来创建新的派生DataStream。您可以通过使用转换函数调用DataSet上的方法来应用转换。例如,map变换如下所示:
val input: DataSet[String] = ...
val mapped = input.map { x => x.toInt }
这将通过将原始集合中的每个String转换为整数来创建一个新的DataStream。
一旦你有一个包含最终结果的DataStream,你可以通过创建一个sink来将它写入外部系统。这些只是创建接收器的一些示例方法:
writeAsText(path: String)
print()
一旦您指定了完整的程序,您需要通过调用StreamExecutionEnvironment上的execute()来触发程序执行。根据ExecutionEnvironment的类型,执行将在本地机器上触发或提交程序以在集群上执行。
execute()方法返回一个JobExecutionResult,它包含执行时间和累加器结果。
三,Lazy Evaluation
所有Flink程序都懒执行:当执行程序的main方法时,数据加载和转换不会直接发生。相反,每个操作都被创建并添加到程序的计划中。当执行由执行环境上的execute()调用显式触发时,这些操作实际上被执行。程序是在本地还是在集群上执行取决于执行环境的类型。
懒执行可以让你构建Flink执行的复杂的程序,并视其为整体计划单元。
四,Specifying Keys
一些转换(join,coGroup,keyBy,groupBy)要求在一组元素上定义一个键。其他转换(Reduce,GroupReduce,Aggregate,Windows)允许使用key 对数据进行分组。
DataSet被分组为:
DataSet<...> input = // [...]
DataSet<...> reduced = input
.groupBy(/*define key here*/)
.reduceGroup(/*do something*/);
同时可以给DataStream指定一个键,方法如下:
DataStream<...> input = // [...]
DataStream<...> windowed = input
.keyBy(/*define key here*/)
.window(/*window specification*/);
Flink的数据模型不是基于键值对。因此,您不需要将数据集类型物理打包到键和值中。Keys是“虚拟”:它们被定义为实际数据的函数,以指导分组运算符。
五,Define keys for Tuples
最简单的情况是在元组的一个或多个字段上分组元组:
val input: DataStream[(Int, String, Long)] = // [...]
val keyed = input.keyBy(0)
元组在第一个字段(Integer类型)中分组。
val input: DataSet[(Int, String, Long)] = // [...]
val grouped = input.groupBy(0,1)
在这里,我们将元组分组在由第一个和第二个字段组成的复合key上。
关于嵌套元组的注释:如果您有一个包含嵌套元组的DataStream,例如:
DataStream<Tuple3<Tuple2<Integer, Float>,String,Long>> ds;
指定keyBy(0)将使系统使用完整的Tuple2作为键(以整数和浮点为键)。 如果要正确的使用,则必须使用下面说明的field expression 。
五,Define keys using Field Expressions
您可以使用String-based 的Field Expressions来引用嵌套字段并定义用于 grouping, sorting, joining, or coGrouping。Field Expressions使得非常容易选择(嵌套)复合类型(如Tuple和POJO类型)中的字段。在下面的例子中,我们有一个WC POJO,它有两个字段“word”和“count”。要通过字段分组,我们只是将其名称传递给keyBy()函数。
// some ordinary POJO (Plain old Java Object)
class WC(var word: String, var count: Int) {
def this() { this("", 0L) }
}
val words: DataStream[WC] = // [...]
val wordCounts = words.keyBy("word").window(/*window specification*/)
// or, as a case class, which is less typing
case class WC(word: String, count: Int)
val words: DataStream[WC] = // [...]
val wordCounts = words.keyBy("word").window(/*window specification*/)
Field Expression语法:
1),按其字段名称选择POJO字段。例如,“user”是指POJO类型的“user”字段。
2),通过其1-偏移字段名称或0-offset字段索引选择元组字段。 例如,“_1”和“5”分别指Scala元组类型的第一个和第六个字段。
3),您可以在POJO和元组中选择嵌套字段。例如,“user.zip”是指存储在POJO类型的“user”字段中的POJO的“zip”字段。支持POJO和Tuples的任意嵌套和混合,例如“_2.user.zip”或“user._4.1.zip”。
4),您可以使用“_”通配符表达式选择完整类型。这也适用于不是元组或POJO类型的类型。
Field Expression 例子:
class WC(var complex: ComplexNestedClass, var count: Int) {
def this() { this(null, 0) }
}
class ComplexNestedClass(
var someNumber: Int,
someFloat: Float,
word: (Long, Long, String),
hadoopCitizen: IntWritable) {
def this() { this(0, 0, (0, 0, ""), new IntWritable(0)) }
}
这些是上述示例代码的有效字段表达式:
“count”:WC类中的计数字段。
“complex”:递归选择POJO类型ComplexNestedClass的字段复合体的所有字段。
“complex.word._3”:选择嵌套的Tuple3的最后一个字段。
“complex.hadoopCitizen”:选择Hadoop IntWritable类型。
六,Define keys using Key Selector Functions
定义key 的另一种方法是“key selector”功能。key selector函数将单个元素作为输入,并返回元素的key。
以下示例显示了一个key selector函数,它只返回一个对象的字段:
// some ordinary case class
case class WC(word: String, count: Int)
val words: DataStream[WC] = // [...]
val keyed = words.keyBy( _.word )
七,Specifying Transformation Functions
大多数转换需要用户定义的函数。本节列出了如何指定它们的不同方法。
1,Lambda Functions
如前面的示例中已经看到的,所有操作都接受lambda函数来描述操作:
val data: DataSet[String] = // [...]
data.filter { _.startsWith("http://") }
val data: DataSet[Int] = // [...]
data.reduce { (i1,i2) => i1 + i2 }
// or
data.reduce { _ + _ }
2,Rich functions
以lambda函数作为参数的所有转换可以取代作为参数的丰富函数。
比如,我们常用的是
data.map { x => x.toInt }
可以替换为:
class MyMapFunction extends RichMapFunction[String, Int] {
def map(in: String):Int = { in.toInt }
})
data.map(new MyMapFunction())
Rich functions也可以定义为匿名类:
data.map (new RichMapFunction[String, Int] {
def map(in: String):Int = { in.toInt }
})
Rich functions除了用户定义的功能(map,reduce等)外,还提供了四种方法:open,close,getRuntimeContext和setRuntimeContext。这些功能可用于参数化功能(参见传递函数),创建和完成本地状态,访问广播变量(请参阅广播变量)以及访问运行时信息(如累加器和计数器)以及有关。
八,Supported Data Types
Flink对DataSet或DataStream中的元素类型设置了一些限制。其原因是系统分析类型以确定有效的执行策略。
有六种类型的数据类型:
1),Java Tuples and Scala Case Classes
2),Java POJOs
3),Primitive Types
4),Regular Classes
5),Values
6),Hadoop Writables
7),Special Types
1,Tuples and Case Classes
Scala的case classes(作为案例类的特殊情况的Scala元组)是包含固定数量的各种类型的字段的复合类型。Tule字段的访问通过偏移,如_1,访问第一个元素。Case class元素的访问使用的是字段的名称。
case class WordCount(word: String, count: Int)
val input = env.fromElements(
WordCount("hello", 1),
WordCount("world", 2)) // Case Class Data Set
input.keyBy("word")// key by field expression "word"
val input2 = env.fromElements(("hello", 1), ("world", 2)) // Tuple2 Data Set
input2.keyBy(0, 1) // key by field positions 0 and 1
2,POJOs
如果符合以下要求,则Java和Scala类将被Flink视为特殊的POJO数据类型:
1),class必须是public
2),必须有一个public无参构造函数
3),所有字段都是public,或者可以通过getter和setter函数访问。对于一个名为foo的字段,getter和setter方法必须命名为getFoo()和setFoo()。
4),Flink必须支持字段的类型。目前,Flink使用Avro序列化任意对象(如Date)。
Flink分析POJO类型的结构,即它了解POJO的字段。因此,POJO类型比一般类型更容易使用。此外,Flink可以比一般类型更有效地处理POJO。
以下示例显示了一个带有两个公共字段的简单POJO。
class WordWithCount(var word: String, var count: Int) {
def this() {
this(null, -1)
}
}
val input = env.fromElements(
new WordWithCount("hello", 1),
new WordWithCount("world", 2)) // Case Class Data Set
input.keyBy("word")// key by field expression "word"
3,Primitive Types
Flink支持所有Java和Scala原始类型,如Integer, String, and Double。
4,General Class Types
Flink支持大多数Java和Scala类(API和自定义)。限制使用于包含无法序列化的字段的类,如文件指针,I / O流或其他本机资源。遵循Java Bean规则的类通常运行良好。
没有标识为POJO类型的所有类(参见上面的POJO要求)由Flink作为一般类类型处理。Flink将这些数据类型视为黑框,并且无法访问其内容(即用于高效排序)。一般类型使用序列化框架Kryo进行序列化。
5,Values
Value类型手动描述它们的序列化和反序列化。他们提供实现了org.apache.flinktypes.Value
(具有read和write方法)接口的自定义代码操作算子,而不是使用通用的框架。
当通用序列化效率非常低时,使用Value类型是合理的。一个例子是一个数据类型,它将一个稀疏的元素向量作为一个数组实现。由于数组大多为零,所以可以对非零元素使用特殊编码,而通用序列化则会简单的编写所有数组元素。
org.apache.flinktypes.CopyableValue接口以类似的方式支持手动内部copy逻辑。
Flink带有与基本数据类型相对应的预定义值类型。(ByteValue, ShortValue, IntValue, LongValue, FloatValue, DoubleValue, StringValue, CharValue, BooleanValue).这些值类型充当基本数据类型的可变变体:它们的值可以更改,允许程序员重用对象并减轻垃圾回收器的压力。
6,Hadoop Writables
您可以使用实现org.apache.hadoop.Writable接口的类型。在write()和readFields()方法中定义的序列化逻辑将用于序列化。
7,Special Types
您可以使用特殊类型,包括Scala的Either,Option和Try。Java API有Either的自定义实现。类似于Scala的Either,它代表一个两种可能的类型的值Left或Right。对于错误处理或需要输出两种不同类型的记录的操作符,可能是有用的。
8,Type Erasure & Type Inference(类型擦除和类型推断)
本节仅与Java相关。
编译后,Java编译器会抛出大部分的泛型类型信息。这被称为Java中的类型擦除。这意味着在运行时,对象的一个实例不再知道它的泛型类型。例如,DataStream <String>和DataStream <Long>的实例对于jvm来说是相同的。
Flink在准备执行程序时(当调用程序的main 方法时)需要类型信息。Flink Java API尝试以各种方式重建丢弃的类型信息,并将其明确存储在数据集和操作符中。您可以通过DataStream.getType()检索类型。该方法返回一个TypeInformation的实例,它是Flink内部表示类型的方式。在某些情况下,类型推断有其限制,需要程序员的“cooperation”。示例是从集合创建数据集的方法,例如ExecutionEnvironment.fromCollection(),您可以在其中传递描述类型的参数。而且通用功能如MapFunction<I, O> 可能需要额外的类型信息。
ResultTypeQueryable接口可以通过输入格式和函数来实现,以便明确地告诉API它们的返回类型。函数调用的输入类型通常可以通过以前操作的结果类型来推断。
九,Accumulators & Counters
Accumulators 是由添加操作和最终累积结果简单构成,在作业结束后可用。最直接的Accumulators 是counter:您可以使用Accumulator.add(V value)方法来增加它。在作业结束时,Flink将聚合(合并)所有部分结果并将结果发送给客户端。累积器在调试期间很有用,或者如果您想快速了解更多有关数据的信息。
Flink目前拥有以下built-in accumulators。每个都实现了累加器接口。
1),IntCounter,LongCounter和DoubleCounter:使用计数器的示例见下文。
2),直方图:离散数量的分箱的直方图实现。在内部它只是一个从整数到整数的map。您可以使用它来计算值的分布,例如,一个单词计数程序的每行字的分布。
1,累加器使用
首先,您必须在用户定义的转换函数中创建一个累加器对象(这里是一个计数器)。
private IntCounter numLines = new IntCounter();
第二,您必须注册累加器对象,通常在 rich function的open()方法中。此时,还可以定义一个名字。
getRuntimeContext().addAccumulator("num-lines", this.numLines);
您现在可以在运算符函数中使用累加器,包括在open()和close()方法中。
this.numLines.add(1);
这个结果结果将存储在从执行环境的execute()方法返回的JobExecutionResult对象中(目前这仅在执行等待完成作业时才起作用)。
myJobExecutionResult.getAccumulatorResult("num-lines")
所有累加器每个job共享一个命名空间。因此,您可以在job的不同操作算子中使用相同的累加器。Flink将内部合并所有具有相同名称的累加器。
关于累加器和迭代的注释:目前,累积器的结果仅在总体作业结束后才可用。我们还计划在下一次迭代中使上一次迭代的结果可用。您可以使用聚合器来计算每次迭代统计数据,并且基于此类统计信息的迭代结束。
2,自定义累加器
要实现自己的累加器,你只需要编写你的累加器接口的实现。您可以选择实现Accumulator 或SimpleAccumulator。
Accumulator <V,R>是最灵活的:它为要添加的值定义一个类型V,最终结果的结果类型为R。例如。 对于直方图,V是数字,R是直方图。SimpleAccumulator适用于两种类型相同的情况,如counters。
十,总结
本文主要是Flink 编程基本介绍。希望,大家通过<>和本文。对Flink有更深入的认识,也对Flink编程有进一步的认识,后面会陆续出各种使用文章及生产中的注意事项。
以上是关于Flink DataStream编程指南的主要内容,如果未能解决你的问题,请参考以下文章
Flink 1.8 DataStream API Programming Guide 数据流API编程指南
学习笔记Flink—— Flink DataStream API编程