大数据框架—Flink与Beam

Posted 2020-10-30

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了大数据框架—Flink与Beam相关的知识，希望对你有一定的参考价值。

Flink概述

Flink是Apache的一个顶级项目，Apache Flink 是一个开源的分布式流处理和批处理系统。Flink 的核心是在数据流上提供数据分发、通信、具备容错的分布式计算。同时，Flink 在流处理引擎上构建了批处理引擎，原生支持了迭代计算、内存管理和程序优化。

现有的开源计算方案，会把流处理和批处理作为两种不同的应用类型，因为它们所提供的SLA（Service-Level-Aggreement）是完全不相同的：流处理一般需要支持低延迟、Exactly-once保证，而批处理需要支持高吞吐、高效处理。

Flink从另一个视角看待流处理和批处理，将二者统一起来：Flink是完全支持流处理，也就是说作为流处理看待时输入数据流是无界的；批处理被作为一种特殊的流处理，只是它的输入数据流被定义为有界的。

Flink流处理特性：

支持高吞吐、低延迟、高性能的流处理
支持带有事件时间的窗口（Window）操作
支持有状态计算的Exactly-once语义
支持高度灵活的窗口（Window）操作，支持基于time、count、session，以及data-driven的窗口操作
支持具有Backpressure功能的持续流模型
支持基于轻量级分布式快照（Snapshot）实现的容错
一个运行时同时支持Batch on Streaming处理和Streaming处理
Flink在JVM内部实现了自己的内存管理
支持迭代计算
支持程序自动优化：避免特定情况下Shuffle、排序等昂贵操作，中间结果有必要进行缓存

Flink架构图：
技术分享图片

Flink以层级式系统形式组件其软件栈，不同层的栈建立在其下层基础上，并且各层接受程序不同层的抽象形式。

在最基本的层面上，一个Flink应用程序是由以下几部分组成：

Data source: 数据源，将数据输入到Flink中
Transformations: 处理数据
Data sink: 将处理后的数据传输到某个地方

如下图：
技术分享图片

目前Flink支持如下框架：

Apache Kafka (sink/source)
Elasticsearch 1.x / 2.x / 5.x (sink)
HDFS (sink)
RabbitMQ (sink/source)
Amazon Kinesis Streams (sink/source)
Twitter (source)
Apache NiFi (sink/source)
Apache Cassandra (sink)
Redis, Flume, and ActiveMQ (via Apache Bahir) (sink)

Flink官网地址如下：

http://flink.apache.org/

部分内容参考自如下文章：

https://blog.csdn.net/jdoouddm7i/article/details/62039337

使用Flink完成wordcount统计

Flink下载地址：

http://flink.apache.org/downloads.html

Flink快速开始文档地址：

https://ci.apache.org/projects/flink/flink-docs-release-1.4/quickstart/setup_quickstart.html

注：安装Flink之前系统中需要安装有jdk1.7以上版本的环境

我这里下载的是2.6版本的Flink：

[[email protected] ~]# cd /usr/local/src/
[[email protected] /usr/local/src]# wget http://mirrors.tuna.tsinghua.edu.cn/apache/flink/flink-1.4.2/flink-1.4.2-bin-hadoop26-scala_2.11.tgz
[[email protected] /usr/local/src]# tar -zxvf flink-1.4.2-bin-hadoop26-scala_2.11.tgz -C /usr/local
[[email protected] /usr/local/src]# cd ../flink-1.4.2/
[[email protected] /usr/local/flink-1.4.2]# ls
bin  conf  examples  lib  LICENSE  log  NOTICE  opt  README.txt  resources  tools
[[email protected] /usr/local/flink-1.4.2]#

启动Flink：

[[email protected] /usr/local/flink-1.4.2]# ./bin/start-local.sh
[[email protected] /usr/local/flink-1.4.2]# jps
6576 Jps
6131 JobManager
6499 TaskManager
[[email protected] /usr/local/flink-1.4.2]#

启动成功之后就可以访问主机ip的8081端口，进入到Flink的web页面：
技术分享图片

我们现在就可以开始实现wordcount案例了，我这里有一个文件，内容如下：

[[email protected] /usr/local/flink-1.4.2]# cat /data/hello.txt 
hadoop welcome
hadoop hdfs mapreduce
hadoop hdfs
hello hadoop
spark vs mapreduce
[[email protected] /usr/local/flink-1.4.2]#

执行如下命令，实现wordcount案例，如果学习过Hadoop会发现这个命令和Hadoop上使用MapReduce实现wordcount案例是类似的：

[[email protected] /usr/local/flink-1.4.2]# ./bin/flink run ./examples/batch/WordCount.jar  --input file:///data/hello.txt --output file:///data/tmp/flink_wordcount_out

执行完成后，可以到web页面上，查看任务的执行信息：
技术分享图片

查看输出结果：

[[email protected] /usr/local/flink-1.4.2]# cat /data/tmp/flink_wordcount_out 
hadoop 4
hdfs 2
hello 1
mapreduce 2
spark 1
vs 1
welcome 1
[ro[email protected] /usr/local/flink-1.4.2]#

Beam概述

Google的新老三驾马车：

老的三驾马车：GFS、MapReduce、BigTable
新的三驾马车：Dremel、Pregel、Caffeine

我们都知道，Hadoop生态圈内的几个框架都源于Google老的三驾马车，而一些新的框架实现也是部分源于Google新的三驾马车的概念。所以现在市面上的大数据相关框架很多，框架多就会导致编程规范多、处理模式不一致，而我们希望有一个工具能够统一这些编程模型，因此，Beam就诞生了。

Apache Beam是 Apache 软件基金会于2017年1 月 10 日对外宣布的开源平台。Beam 为创建复杂数据平行处理管道，提供了一个可移动（兼容性好）的 API 层。这层 API 的核心概念基于 Beam 模型（以前被称为 Dataflow 模型），并在每个 Beam 引擎上不同程度得执行。

背景：

2016 年 2 月份，谷歌及其合作伙伴向 Apache 捐赠了一大批代码，创立了孵化中的 Beam 项目（最初叫 Apache Dataflow）。这些代码中的大部分来自于谷歌 Cloud Dataflow SDK——开发者用来写流处理和批处理管道（pipelines）的库，可在任何支持的执行引擎上运行。当时，支持的主要引擎是谷歌 Cloud Dataflow，附带对 Apache Spark 和开发中的 Apache Flink 支持。如今，它正式开放之时，已经有五个官方支持的引擎。除去已经提到的三个，还包括 Beam 模型和 Apache Apex。

Beam特点：

统一了数据批处理（batch）和流处理（stream）编程范式，
能在任何执行引擎上运行。
它不仅为模型设计、更为执行一系列数据导向的工作流提供了统一的模型。这些工作流包括数据处理、吸收和整合。

Beam的官方网站：

https://beam.apache.org/

将WordCount的Beam程序以多种不同Runner运行

Beam Java的快速开始文档：

https://beam.apache.org/get-started/quickstart-java/

安装Beam的前置也是需要系统具备jdk1.7以上版本的环境，以及Maven环境。

使用如下命令下载Beam以及wordcount案例代码：

mvn archetype:generate       -DarchetypeGroupId=org.apache.beam       -DarchetypeArtifactId=beam-sdks-java-maven-archetypes-examples       -DarchetypeVersion=2.4.0       -DgroupId=org.example       -DartifactId=word-count-beam       -Dversion="0.1"       -Dpackage=org.apache.beam.examples       -DinteractiveMode=false

进入下载后的目录进行查看：

[[email protected] /usr/local/src]# cd word-count-beam/
[[email protected] /usr/local/src/word-count-beam]# tree
.
├── pom.xml
└── src
    ├── main
    │   └── java
    │       └── org
    │           └── apache
    │               └── beam
    │                   └── examples
    │                       ├── common
    │                       │   ├── ExampleBigQueryTableOptions.java
    │                       │   ├── ExampleOptions.java
    │                       │   ├── ExamplePubsubTopicAndSubscriptionOptions.java
    │                       │   ├── ExamplePubsubTopicOptions.java
    │                       │   ├── ExampleUtils.java
    │                       │   └── WriteOneFilePerWindow.java
    │                       ├── complete
    │                       │   └── game
    │                       │       ├── GameStats.java
    │                       │       ├── HourlyTeamScore.java
    │                       │       ├── injector
    │                       │       │   ├── Injector.java
    │                       │       │   ├── InjectorUtils.java
    │                       │       │   └── RetryHttpInitializerWrapper.java
    │                       │       ├── LeaderBoard.java
    │                       │       ├── StatefulTeamScore.java
    │                       │       ├── UserScore.java
    │                       │       └── utils
    │                       │           ├── GameConstants.java
    │                       │           ├── WriteToBigQuery.java
    │                       │           ├── WriteToText.java
    │                       │           └── WriteWindowedToBigQuery.java
    │                       ├── DebuggingWordCount.java
    │                       ├── MinimalWordCount.java
    │                       ├── WindowedWordCount.java
    │                       └── WordCount.java
    └── test
        └── java
            └── org
                └── apache
                    └── beam
                        └── examples
                            ├── complete
                            │   └── game
                            │       ├── GameStatsTest.java
                            │       ├── HourlyTeamScoreTest.java
                            │       ├── LeaderBoardTest.java
                            │       ├── StatefulTeamScoreTest.java
                            │       └── UserScoreTest.java
                            ├── DebuggingWordCountTest.java
                            ├── MinimalWordCountTest.java
                            └── WordCountTest.java

20 directories, 31 files
[[email protected] /usr/local/src/word-count-beam]#

默认情况下，beam的runner是Direct，下面就用Direct来运行wordcount案例，命令如下：

[[email protected] /usr/local/src/word-count-beam]# ls
pom.xml  src  target
[[email protected] /usr/local/src/word-count-beam]#
[[email protected] /usr/local/src/word-count-beam]# mvn compile exec:java -Dexec.mainClass=org.apache.beam.examples.WordCount -Dexec.args="--inputFile=/data/hello.txt --output=counts" -Pdirect-runner

运行的结果会存放在当前的目录下：

[[email protected] /usr/local/src/word-count-beam]# ls
counts-00000-of-00003  counts-00001-of-00003  counts-00002-of-00003  pom.xml  src  target
[[email protected] /usr/local/src/word-count-beam]# more counts*  # 查看结果文件
::::::::::::::
counts-00000-of-00003
::::::::::::::
welcome: 1
spark: 1
::::::::::::::
counts-00001-of-00003
::::::::::::::
hdfs: 2
hadoop: 4
mapreduce: 2
::::::::::::::
counts-00002-of-00003
::::::::::::::
hello: 1
vs: 1
[[email protected] /usr/local/src/word-count-beam]#

如果需要指定其他的runner则可以使用--runner参数进行指定，例如我要指定runner为Flink，则修改命令如下即可：

[[email protected] /usr/local/src/word-count-beam]# mvn compile exec:java -Dexec.mainClass=org.apache.beam.examples.WordCount -Dexec.args="--runner=FlinkRunner --inputFile=/data/hello.txt --output=counts" -Pflink-runner

删除之前生成的文件及目录，我们来使用Spark的方式进行运行。使用Spark的话，也只是修改--runner以及-Pspark参数即可：

[[email protected] /usr/local/src/word-count-beam]# mvn compile exec:java -Dexec.mainClass=org.apache.beam.examples.WordCount -Dexec.args="--runner=SparkRunner --inputFile=/data/hello.txt --output=counts" -Pspark-runner

运行成功后，也是会生成如下文件及目录：

[[email protected] /usr/local/src/word-count-beam]# ls
counts-00000-of-00003  counts-00001-of-00003  counts-00002-of-00003  pom.xml  src  target
[[email protected] /usr/local/src/word-count-beam]#

查看处理结果：

[[email protected] /usr/local/src/word-count-beam]# more counts*
::::::::::::::
counts-00000-of-00003
::::::::::::::
spark: 1
::::::::::::::
counts-00001-of-00003
::::::::::::::
welcome: 1
hello: 1
mapreduce: 2
::::::::::::::
counts-00002-of-00003
::::::::::::::
vs: 1
hdfs: 2
hadoop: 4
[[email protected] /usr/local/src/word-count-beam]#

以上这两个示例只是想说明一点，同一份代码，可以运行在不同的计算引擎上。不需要为不同的引擎开发不同的代码，这就是Beam框架的最主要的设计目的之一。

以上是关于大数据框架—Flink与Beam的主要内容，如果未能解决你的问题，请参考以下文章

Python + Beam + Flink

Apache Beam -- 简介

Spark与Flink大数据处理引擎对比分析！

为啥Flink会成为下一代大数据处理框架的标准

大数据开发实战：Stream SQL实时开发

Apache Beam实战指南 | 大数据管道（pipeline）设计及实践