【大数据面试】Flink 02 基本操作：入门案例、Env、Source、Transform、数据类型、UDF、Sink

二、基本操作

1、入门案例

（1）批处理wordcount--DataSet

val env = ExecutionEnvironment.getExecutionEnvironment

// 从文件中读取数据

val inputPath = "D:\\Projects\\BigData\\TestWC1\\src\\main\\resources\\hello.txt"

val inputDS: DataSet[String] = env.readTextFile(inputPath)

// 分词之后，对单词进行groupby分组，然后用sum进行聚合

val wordCountDS: AggregateDataSet[(String, Int)] = inputDS.flatMap(_.split(" ")).map((_, 1)).groupBy(0).sum(1)

// 打印输出

wordCountDS.print()

（2）流处理wordcount--DataStream

object StreamWordCount {

def main(args: Array[String]): Unit = {

// 从外部命令中获取参数

val params: ParameterTool =  ParameterTool.fromArgs(args)

val host: String = params.get("host")

val port: Int = params.getInt("port")

// 创建流处理环境

val env = StreamExecutionEnvironment.getExecutionEnvironment

// 接收socket文本流

val textDstream: DataStream[String] = env.socketTextStream(host, port)

// flatMap和Map需要引用的隐式转换

import org.apache.flink.api.scala._

val dataStream: DataStream[(String, Int)] = textDstream.flatMap(_.split("\\s")).filter(_.nonEmpty).map((_, 1)).keyBy(0).sum(1)

dataStream.print().setParallelism(1)

// 启动executor，执行任务

env.execute("Socket stream word count")

}

}

2、Environment创建

getExecutionEnvironment，客户端，当前执行程序的上下文

createLocalEnvironment：返回本地执行环境

createRemoteEnvironment：集群执行环境，需要指定ip、端口及jar包

3、Source读取

（1）从集合读取数据：env.fromCollection(List(SensorReading("sensor_1 ",15477181 99,35.8),SensorReading("sensor_6",1547718201,15.4))

（2）从文件读取数据：valstream2=env.readTextFile("YOUR_FILE_PATH")

（3）以kafka消息队列的数据作为来源：valstream3=env.addSource(newFlinkKafkaConsumer 011[String]("sensor",newSimpleStringSchema(),properties))

（4）自定义Source：valstream4=env.addSource(newMySensorSource()

4、Transform算子

Map：DataStream → DataStream，输入一个参数产生一个参数，map的功能是对输入的参数进行转换操作。

flatMap：flatMap(List(1,2,3))(i⇒List(i,i))变成112233自动加逗号

Filter：过滤掉指定条件的数据。

KeyBy：按照指定的key进行分组，流拆分成不相交的分区。

Reduce：合并当前的元素和上次聚合的结果，用来进行结果汇总合并。

Window：窗口函数，根据某些特性将每个key的数据进行分组（例如：在5s内到达的数据）

滚动聚合算子（RollingAggregation）：sum()、min()、max()、minBy()、maxBy()针对每个支流聚合Split和Select：拆分和获取指定的流

Connect（放在同一个流中）和CoMap（组合成一个流）

Union：产生一个包含所有DataStream元素的新DataStream

Connect只能操作两个流，Union可以操作多个。

5、常见的数据类型

env.fromElements(XXXX)

（1）基础数据类型

（2）Java和Scala元组（Tuples）

（3）Scala样例类（caseclasses）

（4）Java简单对象（POJOs）

（5）其它（Arrays,Lists,Maps,Enums,等等）

6、UDF-更细粒度的控制流

函数类（Function Classes）：实现MapFunction,FilterFunction,ProcessFunction接口

匿名函数（Lambda Functions）

富函数（Rich Functions）：函数类的接口，所有Flink函数类都有其Rich版本，自带一系列生命周期方法（开关、得到上下文），可以实现复杂功能

7、sink操作

（1）使用

没有spark中的forEach方法，需要通过stream.addSink(newMySink(xxxx))完成任务最终输出

（2）举例

kafka：union.addSink(new FlinkKafkaProducer011[String]("localhost:9092", "test", new Simple StringSchema()))

redis：dataStream.addSink(newRedisSink[SensorReading](conf,newMyRedisMapper))

Elasticsearch：dataStream.addSink( esSinkBuilder.build() )

自定义sink：dataStream.addSink(newMyJdbcSink())