Flink基本的API（续）

Posted 2022-01-02 duma

上一篇介绍了编写 Flink 程序的基本步骤，以及一些常见 API，如：map、filter、keyBy 等，重点介绍了 keyBy 方法。本篇将继续介绍 Flink 中常用的 API，主要内容为

• 指定 transform 函数
• Flink 支持的数据类型
• 累加器

指定 transform 函数

许多 transform 操作需要用户自定义函数来实现，Flink 支持多种自定义 transform 函数，接下来一一介绍。

实现接口

/**
 * 实现 MapFunction 接口
 * 其中泛型的第一 String 代表输入类型，第二个 Integer 代表输出类型
 */
class MyMapFunction implements MapFunction<String, Integer> 
    @Override
    public Integer map(String value)  return Integer.parseInt(value); 


//使用 transform 函数
data.map(new MyMapFunction());

匿名类

data.map(new MapFunction<String, Integer> () 
  public Integer map(String value)  return Integer.parseInt(value); 
);

匿名类是 Java 语言定义的语法，与 “实现接口” 的方式一样，只不过不需要显示定义子类。这种方式比 “实现接口” 更常见一些。

Java 8 Lambda 表达式

data.map(s -> Integer.parseInt(s));
//或者
data.map(Integer::parseInt);

Java 8 支持 Lambda 表达式，用法与 Scala 语法很像， 写起来简洁，并且容易维护，推荐使用这种方式。

rich function

顾名思义，比普通的 transform 函数要更丰富，额外提供了 4 个方法：open、close、getRuntimeContext 和 setRuntimeContext。它们可以用来创建/初始化本地状态、访问广播变量、访问累加器和计数器等。感觉有点像 Hadoop 中的 Mapper 或者 Reducer 类。实现上，可以使用自定义类继承 RichMapFunction 类的方式

/**
 * 与实现 MapFunction 接口类似，这里是继承了 RichMapFunction 类
 * 同时可以实现父类更多的方法
 */
class MyRichMapFunction extends RichMapFunction<String, Integer> 
    @Override
    public void open(Configuration parameters) throws Exception  super.open(parameters); 

    @Override
    public RuntimeContext getRuntimeContext()  return super.getRuntimeContext(); 

    @Override
    public void setRuntimeContext(RuntimeContext t)  super.setRuntimeContext(t); 

    @Override
    public Integer map(String value) throws Exception  return Integer.parseInt(value); 

    @Override
    public void close() throws Exception  super.close(); 

data.map(new MyRichMapFunction());

也可以使用匿名类的方式

data.map (new RichMapFunction<String, Integer>() 
    @Override
    public void open(Configuration parameters) throws Exception  super.open(parameters); 
    @Override
    public RuntimeContext getRuntimeContext()  return super.getRuntimeContext(); 
    @Override
    public void setRuntimeContext(RuntimeContext t)  super.setRuntimeContext(t); 
    @Override
    public Integer map(String value)  return Integer.parseInt(value); 
    @Override
    public void close() throws Exception  super.close(); 
);

如果在 rich function 中需要写较多的业务，那么用匿名类的方式并不简洁，并且可读性差。

Flink支持的数据类型

目前 Flink 支持 6 种数据类型

• Java Tuple 和 Scala Case Class
• Java POJO
• 原子类型
• 普通类
• Values
• Hadoop Writable 类型
• 特殊类

Java Tuple 和 Scala Case Class

Tuple （元组）是一个混合类型，包含固定数量的属性，并且每个属性类型可以不同。例如：二元组有 2 个属性，类名为 Tuple2；三元组有 3 个属性，类名为 Tuple3，以此类推。Java 支持的元组为 Tuple1 - Tuple25。访问属性可以通过属性名直接访问，如：tuple.f4 代表 tuple 的第 5 个属性。或者使用 tuple.getField(int position) 方法，参数 position 从 0 开始。

/**
 * Tuple2 二元组作为 DataStream 的输入类型
 */
DataStream<Tuple2<String, Integer>> wordCounts = env.fromElements(
        new Tuple2<String, Integer>("hello", 1),
        new Tuple2<String, Integer>("world", 2));
wordCounts.map(new MapFunction<Tuple2<String, Integer>, Integer>() 
    @Override
    public Integer map(Tuple2<String, Integer> value) throws Exception 
        return value.f1;
    
);

Java POJO

POJO(Plain Ordinary Java Object) 叫做简单的 Java 对象。满足以下条件的 Java 或 Scala 类会被 Flink 看做 POJO 类型

• 类必须是 public
• 必须有一个 public 修饰的无参构造方法（默认构造器）
• 所有属性必须是 public 修饰或者通过 getter 和 setter 方法可以访问到
• 属性类型必须也是 Flink 支持的，Flink 使用 avro 对其序列化

POJO 类型更易使用，且 Flink 更高效地处理 POJO 类型的数据。

public class WordWithCount 

    public String word;
    public int count;

    public WordWithCount() 

    public WordWithCount(String word, int count) 
        this.word = word;
        this.count = count;
    


DataStream<WordWithCount> wordCounts = env.fromElements(
    new WordWithCount("hello", 1),
    new WordWithCount("world", 2));

原子类型

Flink 支持 Java 和 Scala 中所有的原子类型，例如： Integer、String 和 Double 等。

普通类 

不是 POJO 类型的类都会被 Flink 看做是普通的类类型。Flink 将它们视为黑盒且不会访问它们的内容，普通类类型使用 Kryo 进行序列化与反序列化。这里是第二次提到序列化与反序列化，简单解释下这个概念。因为在分布式计算的系统中，不可避免要在不同机器之间传输数据，因此为了高效传输数据且在不同语言之间互相转化，需要通过某种协议（protobuf、kryo、avro、json）将对象转化成另外一种形式（序列化），其他机器接到序列化的数据后再转化成之前的对象（反序列化）就可以正常使用了。

Values

不同于一般的序列化框架，Values 类型通过实现 org.apache.flinktypes.Value 接口里的 write 和 read 方法，实现自己的序列化和反序列化逻辑。当一般的序列化框架不够高效的时候，可以使用 Values 类型。例如：对于一个用数组存储的稀疏向量。由于数组大多数元素为 0 ，可以仅对非 0 元素进行特殊编码，而一般的序列化框架会对所有元素进行序列化操作。

Flink 已经预定义了几种 Value 类型与基本数据类型相对应。如：ByteValue, ShortValue, IntValue, LongValue, FloatValue, DoubleValue, StringValue, CharValue, BooleanValue。这些 Value 类型可以看做是基本数据类型的变体，他们的值是可变的，允许程序重复利用对象，减轻 GC 的压力。例如：Java 基本数据类型 String 是不可变的，但是 Flink 的 StringValue 类型是可变的。

Flink 定义的 Value 类型与 Hadoop Writable 类型相似，本质都是通过改进基本数据类型的缺点，提供系统整体性能。

Hadoop Writable

Hadoop Writable 类型也是手动实现了比较高效的序列化与反序列化的逻辑。Value 类型实现了 org.apache.finktypes.Value 接口，而 Hadoop Writable 类型实现了 org.apache.hadoop.Writable 接口，该接口定义了 write 和 readFields 方法用来手动实现序列化与反序列化逻辑。

特殊类型

特殊类型包括 Scala 中的 Either, Option, and Try 类型，以及 Java API 中的 Either 类型。

累加器 

累加器可以通过 add 操作，对程序中的某些状态或者操作进行计数，job 结束后会返回计数的结果。累加器可以用来调试或者记录信息。

可以自定义累加器，需要实现 Accumulator 接口，当然 Flink 提供了两种内置的累加器

• IntCounter, LongCounter 和 DoubleCounter
• Histogram：统计分布

使用累加器的步骤如下：

在 transform 函数中定义累加器对象

private IntCounter numLines = new IntCounter();

注册累加器对象，可以在 rich function 的 open 方法进行

getRuntimeContext().addAccumulator("num-lines", this.numLines);

在任何需要统计的地方使用累加器

this.numLines.add(1);

获取累加器结果

myJobExecutionResult.getAccumulatorResult("num-lines")

Job 结束后，累加器的最终值存储在 JobExecutionResult 对象中，可以通过 execute 方法返回值来获取 JobExecutionResult 对象。但是对于批处理无法使用调用这个方法（官网没有提到），可以通过 env.getLastJobExecutionResult 方法获取。下面是使用累加器的完整示例

public static void main(String[] args) throws Exception 
        // set up the batch execution environment
        final ExecutionEnvironment env = ExecutionEnvironment.getExecutionEnvironment();

        DataSet<String> data =  env.readTextFile("你的输入路径");
        //使用 rich function transform 函数
        DataSet<Integer> dataSet = data.map(new MyRichMapFunction());

        // 执行程序
        dataSet.collect();
        // 获得 job 的结果
        JobExecutionResult jobExecutionResult = env.getLastJobExecutionResult();
        int res = jobExecutionResult.getAccumulatorResult("num-lines");
        // 输出累机器的值
        System.out.println(res);


// 自定义 rich function
/**
 * 与实现 MapFunction 接口类似，这里是继承了 RichMapFunction 类
 * 同时可以实现父类更多的方法
 */
class MyRichMapFunction extends RichMapFunction<String, Integer> 
    /**
     * 定义累加器
     */
    private IntCounter numLines = new IntCounter();

    @Override
    public void open(Configuration parameters) throws Exception 
        // 注册累加器
        getRuntimeContext().addAccumulator("num-lines", this.numLines);
    

    @Override
    public Integer map(String value) throws Exception 
        // 累加器自增，记录处理的行数
        this.numLines.add(1);
        return Integer.parseInt(value);
    

 

总结

Flink 基本 API 的使用介绍完了，本篇主要介绍了自定义的 transform 函数、Flink 支持的数据类型和累加器。后续会详细介绍 Flink 的原理、机制以及编程模型。