Flink--4、DateStream API（执行环境、源算子、基本转换算子）

                       星光下的赶路人star的个人主页

                      注意力的集中，意象的孤立绝缘，便是美感的态度的最大特点

1、DataStream API

DataStream API是Flink核心层API。一个Flink程序，其实就是对DataStream的各种转换。具体来说，代码基本上都由以下几部分构成：

1.1 执行环境（Execution Environment）

Flink程序可以在各种上下文环境中运行；我们可以在本地JVM中执行程序，也可以提交到远程集群上运行。
不同的环境，代码提交运行的过程会有所不同。这就要求我们在提交作业执行计算时，首先必须获取当前Flink的运行环境，从而建立起与Flink框架之间的联系。

1.1.1 创建执行环境

我们要获取的执行环境，是StreamExecutionEnviroment类的对象，这是所有Flink程序的基础。在代码中成绩执行环境的方式，就是调用这个类的静态方法，具体有一下三种。
1、getExecutionEnviroment
最简单的方式，就是直接调用getExecutionEnvironment方法。它会根据当前运行的上下文直接得到正确的结果：如果程序是独立运行的，就返回一个本地执行环境；如果是创建了jar包，然后从命令行调用它并提交到集群执行，那么就返回集群的执行环境。也就是说，这个方法会根据当前运行的方式，自行决定该返回什么样的运行环境。

StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
1

这种方式，用起来简单高效，是最常用的一种创建执行环境的方式。

2、createLocalEnviroment
这个方法返回一个本地执行环境。可以在调用时传入一个参数，指定默认的并行度；如果不传入，则没人并行度就是本地的CPU核心数。

StreamExecutionEnvironment localEnv = StreamExecutionEnvironment.createLocalEnvironment();
1

3、createRemoteEnvironment
这个方法返回集群执行环境。需要在调用时指定JobManager的主机名和端口号，并指定要在集群中运行的Jar包。

StreamExecutionEnvironment remoteEnv = StreamExecutionEnvironment
  		.createRemoteEnvironment(
    		"host",                   // JobManager主机名
    		1234,                     // JobManager进程端口号
   			"path/to/jarFile.jar"  // 提交给JobManager的JAR包
		); 
1
2
3
4
5
6

在获取到程序执行环境后，我们还可以对执行环境进行灵活的设置。比如可以全局设置程序的并行度、禁用算子链，还可以定义程序的时间语义、配置容错机制。

1.2 执行模式（Execution Mode）

从Flink1.12开始，官方推荐的做法是直接使用DataStream API，在提交任务时通过将执行模式设为BATCH来进行批处理。不建议使用DataSet API。

// 流处理环境
StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
1
2

DataStream API执行模式包括：流执行模式、批执行模式和自动模式

• 流执行模式（Streaming）
  这是DataStream API最经典的模式，一般用于需要持续实时处理的无界数据流。默认情况下，程序使用的就是Streaming执行模式。
• 批执行模式（Batch）
  专门用于批处理的执行模式
• 自动模式（AutoMatic）
  在这种模式下，将由程序根据输入数据源是否有界，来自动选择执行模式。
  批执行模式的使用。主要有两种方式：
  （1）通过命令行配置

bin/flink run -Dexecution.runtime-mode=BATCH ...
1

（2）通过代码配置

StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();

env.setRuntimeMode(RuntimeExecutionMode.BATCH);
1
2
3

1.3 触发程序执行

需要注意的是，写完输出（Sink）操作并不代表程序已经结束。因为当main()方法被调用时，其实只是定义了作业的每个执行操作，如何添加到数据流图中；这时候并没有真正处理数据–因为数据可能还没有来。Flink是由事件驱动的，只有等到数据到来，才会触发真正的计算，这也呗称为“延迟执行”或“懒执行”。
所以我们需要显示地调用执行环境的execute（）方法来触发程序的执行。execute()方法讲一直等待作业完成，如何返回一个执行结果（JobExecutionResult）。

env.execute();
1

2、源算子（Source）

Fink可以从各种来源获取数据，如何构建DataStream进行转换处理。一般将数据地输入来源称为数据源（data source），而读取数据的算子就是源算子。所以，source就是我们整个处理程序的输入端。

在Flink1.12以前，旧的添加source的方法是调用执行环境的addSource()方法：

DataStream<String> stream = env.addSource(...);
1

方法传入的参数是一个“源函数”（source function），需要实现SourceFunction接口、
从Flink1.12开始，主要使用流批一体的新Source架构：

DataStreamSource<String> stream = env.fromSource(…)
1

Flink直接提供了很多预实现的接口，此外还有很多外部连接工具也帮我们实现了对应的Source，通常情况下足以应对我们的实际需求。

2.1 准备工作

为了方便练习，这里使用WaterSensor作为数据模型。

具体代码如下：

@Data
@NoArgsConstructor
@AllArgsConstructor
public class WaterSensor {
    private String id;
    private Long ts;
    private Integer vc;
}
1
2
3
4
5
6
7
8

这里需要注意的点：

• 类是公共的
• 所有属性都是公有的
• 所有属性的类型都是可以序列化的

Flink会把这样的类作为一种特殊的POJO（Plain Ordinary Java Object简单的Java对象，实际就是普通JavaBeans）数据类型来对待，方便数据的解析和序列化。另外我们在类中还重写了toString()方法，主要是为了测试显示更清晰。

我们这里自定义的POJO类会在后面的代码中频繁使用，所以在后面的代码中碰到，把这里的POJO类导入就好了。

2.2 从集合中读取数据

最简单的读取数据的方式，就是在代码中直接创建一个Java集合，然后调用执行环境的fromCollection方法进行读取。这相当于将数据临时存储到内存中，形成特殊的数据结构后，作为数据源使用，一般用于测试。

public class Demo01_CollectionSource {
    public static void main(String[] args) throws Exception {
        Configuration conf = new Configuration();
        conf.setInteger("rest.port", 3333);
        StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment(conf);

        //从集合中获取数据，用于测试代码的逻辑是否有bug
        env.fromCollection(Arrays.asList(1,2,3,4,5,6)).print();

        //基于元素成绩
        env.fromElements(7,8,9,10,11,12).printToErr();

        env.execute();
    }
}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

运行结果：

2.3 从文件中读取数据

真正的实际应用中，自然不会直接将数据写在代码中。通常情况下，我们会从存储介质中获取数据，一个比较常见的方式就是读取日志文件。这也是批处理中最常见的读取方式。
读取文件，需要添加文件连接器依赖:

 <dependency>
            <groupId>org.apache.flinkgroupId>
            <artifactId>flink-connector-filesartifactId>
            <version>${flink.version}version>
dependency>
1
2
3
4
5

实操代码

public class Demo02_FileSource {
    public static void main(String[] args) throws Exception {
        //创建Flink配置类（空参创建的话都是默认值）
        Configuration configuration = new Configuration();
        //修改配置类中的WebUI端口号
        configuration.setInteger("rest.port",3333);
        //创建Flink环境（并且传入配置对象）
        StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment(configuration);

        /**
         * 引入file-connector
         *
         * forRecordStreamFormat(
         *      final StreamFormat streamFormat,hadoop中的输入格式。代表输入的每一行数据的格式。
         *                                              压缩的文本，也能识别（部分）
         *      final Path...paths:读取的文件的路径，可以是单个文件，也可以是一个目录，可以是本地磁盘的目录，也可以是hdfs上的文件
         *          如果读取hdfs上的文件，需要引入hadoop-client的依赖
         *  )
         */

        //获取数据源
        FileSource<String> source = FileSource.forRecordStreamFormat(new TextLineInputFormat(), new Path("data/ws.json")).build();

        //使用就算环境，调用source算子去读数据
        DataStreamSource<String> streamSource = env.fromSource(source, WatermarkStrategy.noWatermarks(), "myfile");

        //简单打印
        streamSource.print();

        //执行
        env.execute();

    }
}


1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36

运行结果

说明：

• 参数可以是目录，也可以是文件；还可以从HDFS目录下读取，使用路径hdfs://…；
• 路径可以是相对路径，也可以是绝对路径
• 相对路径是从系统属性user.dir获取路径；idea下是project的根目录，standalone模式下是集群节点根目录。

2.4 从Soceket读取数据

不论从集合还是文件，我们读取的其实都是有界数据。在流处理的场景中，数据往往是无界的。
我们之前用到的读取socket文本流，就是流处理场景。但是这种方式由于吞吐量小、稳定性较差，一般也是用于测试。

DataStream<String> stream = env.socketTextStream("hadoop102", 9999);
1

2.5 从kafka读取数据

Flink官方提供了连接工具flink-connector-kafka，直接帮我们实现了一个消费者FlinkKafkaConsumer，它就是用来读取Kafka数据的SourceFunction。
所以想要以Kafka作为数据源获取数据，我们只需要引入Kafka连接器的依赖。Flink官方提供的是一个通用的Kafka连接器，它会自动跟踪最新版本的Kafka客户端。目前最新版本只支持0.10.0版本以上的Kafka。这里我们需要导入的依赖如下。

<dependency>
    <groupId>org.apache.flinkgroupId>
    <artifactId>flink-connector-kafkaartifactId>
    <version>${flink.version}version>
dependency>
1
2
3
4
5

public class Demo03_KafkaSource {
    public static void main(String[] args) throws Exception {
        //创建Flink配置类（空参创建的话都是默认值）
        Configuration configuration = new Configuration();
        //修改配置类中的WebUI端口号
        configuration.setInteger("rest.port",3333);
        //创建Flink环境（并且传入配置对象）
        StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment(configuration);

        /**
         * 构造一个Source
         *      kafkaSource.builder()
         *          OUT指kafka中读取的数据的value类型
         */
        KafkaSource<String> kafkaSource = KafkaSource.<String>builder()
                //声明kafka集群地址
                .setBootstrapServers("hadoop102:9092")
                //声明读取的主题
                .setTopics("FlinkTest")
                /**设置消费者组 Source算子可以有多个并行度，每个并行度都会被创建为一个Task，每个Task都是一个消费者组，但是多个消费者组属于同一个组
                 * 一个Source的Task可以消费一个主题的N个分区
                */
                .setGroupId("flink")
                /**
                 * 设置消费者的消费策略
                 *  从头消费：earliest
                 *  从尾消费：latest
                 */
                //没有设置策略的话是从头消费
                //  flink程序在启动的时候，从之前备份的状态中读取offsets，从offsets位置继续往后消费！
                //如果没有备份，此时参考消费策略
                //从头消费
                //    .setStartingOffsets(OffsetsInitializer.earliest())
                //从kafka读取当前组上次提交的offset位置，如果这个组没有提交过，再从头消费
//                .setStartingOffsets(OffsetsInitializer.committedOffsets(OffsetResetStrategy.EARLIEST))


                /**
                 * 如果你消费的数据，是没有key的，只需要设置value的反序列化器：setValueOnlyDeserializer
                 * 如果你消费的数据，有key，需要设置key-value的反序列化器：setDeserializer
                 */
                .setValueOnlyDeserializer(new SimpleStringSchema())
                //设置是否自动提交消费的offset
                .setProperty(ConsumerConfig.ENABLE_AUTO_COMMIT_CONFIG, "true")
                //设置自动提交的时间间隔
                .setProperty(ConsumerConfig.AUTO_COMMIT_INTERVAL_MS_CONFIG, "1000")
                .build();

                env.fromSource(kafkaSource, WatermarkStrategy.noWatermarks(),"kafka").print();

                env.execute();
    }
}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53

2.6 从数据生成器读取数据

Flink从1.11开始提供了一个内置的DataGen 连接器，主要是用于生成一些随机数，用于在没有数据源的时候，进行流任务的测试以及性能测试等。1.17提供了新的Source写法，需要导入依赖：

  <dependency>
            <groupId>org.apache.flinkgroupId>
            <artifactId>flink-connector-datagenartifactId>
            <version>${flink.version}version>
        dependency>
1
2
3
4
5

public class Demo04_DataGenSource {
    public static void main(String[] args) throws Exception {
        //创建Flink配置类（空参创建的话都是默认值）
        Configuration configuration = new Configuration();
        //修改配置类中的WebUI端口号
        configuration.setInteger("rest.port",3333);
        //创建Flink环境（并且传入配置对象）
        StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment(configuration);

        String[] ids={"s1","s2","s3"};

        /**
         * 模拟源源不断的WaterSensor
         *
         * DataGeneratorSource(
         * GeneratorFunction generationFunction,函数帮你模拟想要的数据OUT，你要模拟的数据类型
         * Long count，一共要模拟多少条数据
         * RateLimiterStrategy rateLimiterStrategy,速率限制
         * TypeInformation typeInfo 补充OUT的类型信息
         * )
         */

        //模拟数据
        DataGeneratorSource<WaterSensor> source = new DataGeneratorSource<WaterSensor>(
                new GeneratorFunction<Long,WaterSensor>()
                {
                    @Override
                    public WaterSensor map(Long aLong) throws Exception {
                        return new WaterSensor(
                                ids[RandomUtils.nextInt(0,ids.length)],
                                System.currentTimeMillis(),
                                RandomUtils.nextInt(100,30000)
                        );
                    }
                },
                Long.MAX_VALUE,
                RateLimiterStrategy.perSecond(5d),
                TypeInformation.of(WaterSensor.class)

        );

        //使用计算环境，调用fromSource算子去读数据
        DataStreamSource<WaterSensor> sensorDataStreamSource = env.fromSource(source, WatermarkStrategy.noWatermarks(), "dg");

        //打印
        sensorDataStreamSource.print();

        //执行
        env.execute();
    }
}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51

2.7 Flink支持的数据类型

1、Flink的类型系统
Flink使用”类型信息“（TypeInformation）来统一表示数据类型。TypeInformation类是Flink中所以类型描述符的基类。它涵盖了类型的一些基本属性，并为每个数据类型生成特定的序列化器、反序列化器和比较器。

2、Flink支持的数据类型
对于常见的Java和Scala数据类型，Flink都是支持的。Flink在内部，Flink对支持不同的类型进行了划分，这些类型可以在Types工具类中找到：
（1）基本类型
所有Java基本类型及其包装类，再加上Void、String、Date、BigDecimal和BigInteger。
（2）数组类型
包括基本类型数组（Primitive_Array）和对象数组（Object_Array）.
（3）复合数据类型

• java元组类型（Tuple）：这是Flink内置的元组类型，是Java API的一部分。最多25个字段，也就是从Tuple0~Tuple25，不支持空字段。
• Scala样例类及Scala元组；不支持空字段。
• 行类型（ROW）：可以认为是具有任意个字段的元组，并支持空字段。
• POJO：Flink自定义的类似于Java Bean模式的类。

（4）辅助类型
Option、Either、List、Map等

（5）泛型类型（Generic）
Flink支持所有的Java类和Scala类。不过如果没有按照上面POJO类型的要求来定义，就会被Flink当作泛型类来处理。Flink会把泛型类型当作黑盒，无法获取它们内部的属性；它们也不是由Flink本身序列化的，而是由Kryo序列化的。
在这些类型中，元组类型和POJO类型最为灵活，因为它们支持创建复杂类型。而相比之下，POJO还支持在键（key）的定义中直接使用字段名，这会让我们的代码可读性大大增加。所以，在项目实践中，往往会将流处理程序中的元素类型定为Flink的POJO类型。
Flink对POJO类型的要求如下：

• 类是公有（public）的
• 有一个无参的构造方法
• 所有属性都是公有（public）的
• 所有属性的类型都是可以序列化的

3、类型提示（Type Hints）
Flink还具有一个类型提取系统，可以分析函数的输入和返回类型，自动获取类型信息，从而获得对应的序列化器和反序列化器。但是，由于java中泛型擦除的存在，在某些特殊情况下（比如Lambda表达式中），自动提前的信息是不够精细的–只告诉Flink当前的元素由“船头、船身、船尾”构成，根本无法重建出“大船”的模样；这时就需要显式地提供类型信息，才能使应用程序正常工作或提高其性能。

为了解决这类问题，Java API提供了专门的“类型同时”（type hints）
回忆一下之前的word count流处理程序，我们在将String类型的每个词转换成（word，count）二元组后，就明确地用returns指定了返回的类型。因为对于map里传入了Lambda表达式，系统只能推断出返回的是Tuple2类型，而无法得到Tuple。只有显示地告诉系统当前的返回类型，才能正确地解析出完整数据。

.map(word -> Tuple2.of(word, 1L))
.returns(Types.TUPLE(Types.STRING, Types.LONG));
1
2

Flink还专门提供了TypeHint类，它可以捕获泛型的类型信息，并且一直记录下来，为运行时通过足够的信息。我们同样可以通过returns()方法，明确地指定转换之后的DataStream里元素的类型。

returns(new TypeHint<Tuple2<Integer, SomeType>>(){})
1

3、转换算子（Transformation）

数据源读入数据之后，我们就可以使用各种转换算子，将一个或多个DataStream转换为新的DataStream。

3.1 基本转换算子（map/filter/flatMap）

3.1.1 映射（map）

map是大家非常熟悉的大数据操作算子，主要用于将数据流中的数据进行转换，形成新的数据流。简单来说，就是一个“一一映射”，消费一个元素就产出一个元素。

我们只需要基于DataStream调用map()方法就可以进行转换处理。方法需要传入的参数是接口MapFunction的实现；返回值类型还是DataStream，不过泛型（流中的元素类型）可能改变。

下面是模拟读取数据库数据

public class Demo01_Map {
    public static void main(String[] args) throws Exception {
        //创建Flink配置类（空参创建的话都是默认值）
        Configuration configuration = new Configuration();
        //修改配置类中的WebUI端口号
        configuration.setInteger("rest.port",3333);
        //创建Flink环境（并且传入配置对象）
        StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment(configuration);

        //设置并行度是1
        env.setParallelism(1);

        List<Integer> nums = Arrays.asList(1, 2, 3, 4, 5);

        env.fromCollection(nums)
                .map(new MyMapFunction())
                .print();
        env.execute();

    }

    private static class MyMapFunction extends RichMapFunction<Integer, String> {

        private String conn;
        @Override
        public String map(Integer integer) throws Exception {

            //使用连接，读取数据库
            System.out.println(integer + "使用" + conn);
            return integer.toString();
        }

        /**
         * RichFunction
         *          在Task被创建的时候，执行一次
         * @param parameters
         * @throws Exception
         */
        @Override
        public void open(Configuration parameters) throws Exception {
            //模拟创建连接
            conn="连接";
            System.out.println("创建好了连接..................");
        }

        /**
         * RichFunction
         *          在Task关闭的时候，执行一次
         * @throws Exception
         */
        @Override
        public void close() throws Exception {
            //关闭连接
            System.out.println("关闭了连接...................");
        }
    }
}


1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59

运行截图

上面代码中，MapFuntion实现类的泛型类型与输入数据类型和输出数据的类型有关。在实现MapFunction接口的时候，需要指定两个泛型，分别是输入事件和输出事件的类型，还需要重写一个map()方法，定义从一个输入事件转换为另一个输出事件的具体逻辑。

3.1.2 过滤（filter）

filter转换操作，顾名思义是对数据流执行一个过滤，通过一个布尔条件表达式设置过滤条件，对于每一个流内元素进行判断，若为true则元素正常输出，若为false则元素被过滤掉。

进行filter转换之后的新数据流的数据类型与原数据流是相同的。filter转换需要传入的参数需要实现FilterFunction接口，而FilterFunction内要实现filter()方法，就相当于一个返回布尔类型的条件表达式。

输出偶数：

public class Demo02_Filter {
    public static void main(String[] args) throws Exception {
        //创建Flink配置类（空参创建的话都是默认值）
        Configuration configuration = new Configuration();
        //修改配置类中的WebUI端口号
        configuration.setInteger("rest.port",3333);
        //创建Flink环境（并且传入配置对象）
        StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment(configuration);

        List<Integer> nums = Arrays.asList(1, 2, 3, 4, 5, 6);

        env.fromCollection(nums)
                .filter(integer -> integer%2==0)
                .print();

        env.execute();
    }
}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18

运行截图：

3.1.3 扁平映射（flatMap）

flatMap操作又称为扁平映射，主要是将数据流中的整体（一般是集合类型）拆分成一个一个的个体使用。消费一个元素，可以产生0到多个元素。flatMap可以认为是“扁平化”（flatten）和“映射”（map）两步操作的结合，也就是先按照某种规则对数据进行打散拆分，再对拆分后的元素做转换处理。

同map一样，flatMap也可以使用Lambda表达式或者FlatMapFunction接口实现类的方式来进行传参，返回值类型取决于所传参数的具体逻辑，可以与原数据流相同，也可以不同。

输出偶数，并且输出多次

public class Demo03_FlatMap {
    public static void main(String[] args) throws Exception {
        //创建Flink配置类（空参创建的话都是默认值）
        Configuration configuration = new Configuration();
        //修改配置类中的WebUI端口号
        configuration.setInteger("rest.port",3333);
        //创建Flink环境（并且传入配置对象）
        StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment(configuration);


        List<Integer> nums = Arrays.asList(1, 2, 3, 4, 5, 6);

        //炸裂(留下偶数)
        env.fromCollection(nums)
                .flatMap(new FlatMapFunction<Integer, Integer>() {
                    @Override
                    public void flatMap(Integer integer, Collector<Integer> collector) throws Exception {
                        if (integer%2==0){
                            collector.collect(integer);
                            collector.collect(integer);
                            collector.collect(integer);
                            collector.collect(integer);

                        }
                    }
                })
                .print();

        env.execute();
    }
}


1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33

运行截图：

                      您的支持是我创作的无限动力

                      希望我能为您的未来尽绵薄之力

                      如有错误，谢谢指正；若有收获，谢谢赞美