Flink初始

flink初始

• flink是什么
• 为什么使用flink
• flink的基础概念
• flink剖析
• 实例

flink是什么

flink是一个用于有界和无界数据流进行有状态的计算框架。

flink提供了不同级别的抽象来开发流和批处理应用程序。

• 最底层是Stateful Stream processing,只提供有状态流它 通过Process Function嵌入到DataStream API中。它允许用户自由处理来自一个或多个流的事件，并使用一致的容错状态。此外，用户可以注册事件时间和处理时间回调，允许程序实现复杂的计算。
• DataSet /DataStream,大部分都是根据DataStream API（有界/无界流）和DataSet API （有界数据集）进行编程。这些用于数据处理，提供用户的各种形式的转换，连接，聚合，窗口，状态等。
• Table API,该API提供了类似sql处理的方式，后续优化并转化成DataSet或者是DataStream进行操作表结构的数据源。
• SQL, Flink提供的最高级抽象是SQL。这种抽象在语义和表达方面类似于Table API，但是将程序表示为SQL查询表达式。在SQL抽象与表API紧密地相互作用，和SQL查询可以通过定义表来执行表API

为什么使用Flink

• 提供准确的结果，即使在无序或延迟数据的情况下也是如此
• 具有状态和容错能力，可以在保持应用状态的同时无故障地从故障中恢复
• 大规模执行，在数千个节点上运行，具有非常好的吞吐量和延迟特性

flink的基础概念

• 程序与数据流，Flink程序基本构建块是流和转换，Flink程序都是由一个或者多个数据源开始，以一个或多个接收器结束。而中间是大量的数据转换。
• 并行数据流。Flink中执行的程序每一个占用一个JVM,其中每一个任务占用一个线程。其中数据源source，数据映射map是一对一的，即保留数据最开始产生的顺序，keyBy/windown/apply是数据的重新分配，即这个时候数据会被分配不同的线程中处理。
• 视窗，数据流式一个无止境的，因此flink的聚合是有限的，以窗口为限，如每分钟中流入的数据的总和，窗口就是每一分钟，可以连续。窗口可以分为三种，翻滚窗口（无重叠），滑动窗口（有重叠），会话窗口（无重叠，由不活动间隙打断，即无数据时，窗口结束，活跃时窗口打开）
• 时间。数据可以引入不同的时间，如事件时间即数据产生时的时间戳，获取事件的时间，处理时间的时间，这三个时间特征在使用时特别有用，如flink流入的数据并不保证数据是按照数据的产生顺序流入，在处理过程时可能造成数据的混乱，在flink的机制中，可以根据数据产生的时间戳缓存一定的数据，并在特定顺序内，数据是有序的。
• 容错检查点，Flink使用流重放和检查组合实现容错。检查点与每个输入流中的特定点以及每个操作符的对应状态相关。通过恢复运算符的状态并从检查点重放事件，可以从检查点恢复流数据流，同时保持一致性。
• 流的批处理，flink执行的批处理程序作为流程序的特殊情况，其中流式有界的，而批处理有这些特点。批处理程序的容错不使用检查点，而使用完全重放流来恢复；DataSet API中的有状态操作使用简化的内存/核外数据结构，而不是键/值索引；DataSet API引入了特殊的同步（超级步骤）迭代，这些迭代只能在有界流上进行。

flink剖析

Flink程序看起来像是转换数据集合的常规程序。每个程序包含相同的基本部分

• 获取一个execution environment
• 加载/创建数据源
• 数据的转化
• 数据存储，指定接收器
• 触发并执行

获取execution environment

final StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment(); flink需要获取执行的上下文，是flink程序执行的基础。

加载创建数据源

flink的数据源的来源很丰富，文件，hadoop,kafka等都可以作为数据的来源，如DataStream<String> text = env.readTextFile("file:///path/to/file"); 从文件中获取流，而后就可以进行对流操作。

flink提供的操作如下：

• readTextFile(path)- TextInputFormat逐行读取文本文件，即符合规范的文件，并将它们作为字符串返回。
• readFile(fileInputFormat, path) - 按指定的文件输入格式指定读取（一次）文件。
• readFile(fileInputFormat, path, watchType, interval, pathFilter, typeInfo) - 这是前两个内部调用的方法。它path根据给定的内容读取文件fileInputFormat。根据提供的内容watchType，此源可以定期监视（每intervalms）新数据（FileProcessingMode.PROCESS_CONTINUOUSLY）的路径，或者处理当前在路径中的数据并退出（FileProcessingMode.PROCESS_ONCE）。使用该pathFilter，用户可以进一步排除正在处理的文件。
• socketTextStream - 从套接字读取。元素可以用分隔符分隔
• fromCollection(Collection) - 从Java Java.util.Collection创建数据流。集合中的所有元素必须属于同一类型
• fromCollection(Iterator, Class) - 从迭代器创建数据流。该类指定迭代器返回的元素的数据类型。
• fromElements(T ...) - 从给定的对象序列创建数据流。所有对象必须属于同一类型
• fromParallelCollection(SplittableIterator, Class) - 并行地从迭代器创建数据流。该类指定迭代器返回的元素的数据类型。
• generateSequence(from, to) - 并行生成给定间隔中的数字序列
• addSource 自定义数据来源，例如kafka的数据来源就需要调用次方法，addSource(new FlinkKafkaConsumer08<>(...));

数据的转化

数据的转化会根据不同的API进行操作，一下仅列举DataStream部分的转换。

1. map 映射 数据流向DataStream → DataStream，一对一的，一个元素转化为另一个元素。

DataStream<Integer> dataStream = //...
dataStream.map(new MapFunction<Integer, Integer>() {
    @Override
    public Integer map(Integer value) throws Exception {
        return 2 * value;
    }
});

1. FlatMap, 映射 数据流向DataStream → DataStream ，一对多即将一个元素转化零个，一个或多个

dataStream.flatMap(new FlatMapFunction<String, String>() {
    @Override
    public void flatMap(String value, Collector<String> out)
        throws Exception {
        for(String word: value.split(" ")){
            out.collect(word);
        }
    }
});

1. filter 过滤 数据流向DataStream→DataStream ,过滤出自己需要数据

dataStream.filter(new FilterFunction<Integer>() {
    @Override
    public boolean filter(Integer value) throws Exception {
        return value != 0;
    }
});

1. KeyBy 数据流向DataStream → KeyedStream 分组或者是数据重新分配，相同的键（相同的秘钥）分表相同的分区中。与window组合使用时，keyby分区的数据在某一时刻的聚合
   
   dataStream.keyBy("someKey") //dataStream中元素以POJO组成
   
   dataStream.keyBy(0) //dataStream中元素以Tuple元素组中
   
   也可以可以调用选择器自己调用

dataStream.keyBy(new KeySelector<WikipediaEditEvent, String>() {
    @Override
    public String getKey(WikipediaEditEvent event) {
        return event.getUser();
    }
} )

数据接收器

数据接收器，数据接收器可以从数据源中，也可以到数据源中，即源的操作也可以当做数据的接收器，用于存储，从流入flink的数据也可以流入到kafka中，

• print(); 用户数据的打印
• writeAsText(String path) 数据输入到执行文件中
• addSource 自定义数据接收器

执行程序

一旦您指定的完整程序，你需要触发执行程序调用 execute()上StreamExecutionEnvironment。根据执行的类型，ExecutionEnvironment将在本地计算机上触发执行或提交程序以在群集上执行。

该execute()方法返回一个JobExecutionResult，包含执行时间和累加器结果。

程序的执行并不是从main方法开始，而是任务从调用execute开发，而前面的数据源，数据转化，都在不同的线程中执行，而后调用execute执行。

实例

一个简单的程序来描述Flink的整个过程

1. 引入pom.xml

<dependencies>
    <dependency>
        <groupId>org.apache.flink</groupId>
        <artifactId>flink-java</artifactId>
        <version>${flink.version}</version>
    </dependency>
    <dependency>
        <groupId>org.apache.flink</groupId>
        <artifactId>flink-streaming-java_2.11</artifactId>
        <version>${flink.version}</version>
    </dependency>
    <dependency>
        <groupId>org.apache.flink</groupId>
        <artifactId>flink-clients_2.11</artifactId>
        <version>${flink.version}</version>
    </dependency>
    <dependency>
        <groupId>org.apache.flink</groupId>
        <artifactId>flink-connector-wikiedits_2.11</artifactId>
        <version>${flink.version}</version>
    </dependency>
</dependencies>

1. 程序

public static void main(String[] args) throws Exception {

    StreamExecutionEnvironment see = StreamExecutionEnvironment.getExecutionEnvironment(); //获取执行环境

    DataStream<WikipediaEditEvent> edits = see.addSource(new WikipediaEditsSource());//添加数据源

    KeyedStream<WikipediaEditEvent, String> keyedEdits = edits
      .keyBy(new KeySelector<WikipediaEditEvent, String>() {//获取不同秘钥的数据
        @Override
        public String getKey(WikipediaEditEvent event) {
          return event.getUser();
        }
      });

    DataStream<Tuple2<String, Long>> result = keyedEdits
      .timeWindow(Time.seconds(5))
      .fold(new Tuple2<>("", 0L), new FoldFunction<WikipediaEditEvent, Tuple2<String, Long>>() {
        @Override
        public Tuple2<String, Long> fold(Tuple2<String, Long> acc, WikipediaEditEvent event) {
          acc.f0 = event.getUser();
          acc.f1 += event.getByteDiff();
          return acc;
        }
      });

    result.print();//数据打印，用于数据调试

    see.execute();//程序执行
  }