Flink-v1.12官方网站翻译-P006-Intro to the DataStream API

DataStream API介绍

本次培训的重点是广泛地介绍DataStream API，使你能够开始编写流媒体应用程序。

哪些数据可以流化？

Flink的DataStream APIs for Java和Scala将让你流式处理任何它们可以序列化的东西。Flink自己的序列化器被用于

• 基本类型，即：字符串、长型、整数、布尔型、数组
• 复合类型。Tuples, POJOs, and Scala case classes.

而Flink又回到了Kryo的其他类型。也可以在Flink中使用其他序列化器。特别是Avro，得到了很好的支持。

Java元组和POJO

Flink的原生序列化器可以有效地操作元组和POJOs。

Tuples(元组)

对于Java，Flink定义了自己的Tuple0到Tuple25类型。

Tuple2<String, Integer> person = Tuple2.of("Fred", 35);

// zero based index!
String name = person.f0;
Integer age = person.f1;

　　

POJOs

如果满足以下条件，Flink将数据类型识别为POJO类型（并允许 "按名称 "字段引用）。

• 类是公共的和独立的（没有非静态的内部类）。
• 该类有一个公共的无参数构造函数。
• 类（以及所有超级类）中的所有非静态、非瞬态字段要么是公共的（而且是非最终的），要么有公共的getter-和setter-方法，这些方法遵循Java beans中getter和setter的命名约定。

例如

public class Person {
    public String name;
    public Integer age;
    public Person() {};
    public Person(String name, Integer age) {
        . . .
    };
}  

Person person = new Person("Fred Flintstone", 35);

　　

Flink的序列化器支持POJO类型的模式进化。

Scala元组和案例类

就像你期望的那样生效。

一个完整的例子

这个例子将一个关于人的记录流作为输入，并将其过滤为只包括成年人。

import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;
import org.apache.flink.streaming.api.datastream.DataStream;
import org.apache.flink.api.common.functions.FilterFunction;

public class Example {

    public static void main(String[] args) throws Exception {
        final StreamExecutionEnvironment env =
                StreamExecutionEnvironment.getExecutionEnvironment();

        DataStream<Person> flintstones = env.fromElements(
                new Person("Fred", 35),
                new Person("Wilma", 35),
                new Person("Pebbles", 2));

        DataStream<Person> adults = flintstones.filter(new FilterFunction<Person>() {
            @Override
            public boolean filter(Person person) throws Exception {
                return person.age >= 18;
            }
        });

        adults.print();

        env.execute();
    }

    public static class Person {
        public String name;
        public Integer age;
        public Person() {};

        public Person(String name, Integer age) {
            this.name = name;
            this.age = age;
        };

        public String toString() {
            return this.name.toString() + ": age " + this.age.toString();
        };
    }
}

　　

流执行环境

每个Flink应用都需要一个执行环境，本例中的env。流式应用需要使用一个StreamExecutionEnvironment。

在你的应用程序中进行的DataStream API调用建立了一个作业图，这个作业图被附加到StreamExecutionEnvironment上。当调用env.execute()时，这个图会被打包并发送给JobManager，JobManager将作业并行化，并将它的片断分配给任务管理器执行。你的作业的每个并行片断将在一个任务槽中执行。

注意，如果你不调用execute()，你的应用程序将不会被运行。

这种分布式运行时取决于你的应用程序是可序列化的。它还要求所有的依赖关系对集群中的每个节点都是可用的。

基础数据流来源

上面的例子使用env.fromElements(...)构造了一个DataStream<Person>。这是一种方便的方法，可以将一个简单的流组合起来，用于原型或测试。StreamExecutionEnvironment上还有一个fromCollection(Collection)方法。所以，你可以用这个方法来代替。

List<Person> people = new ArrayList<Person>();

people.add(new Person("Fred", 35));
people.add(new Person("Wilma", 35));
people.add(new Person("Pebbles", 2));

DataStream<Person> flintstones = env.fromCollection(people);

　　

另一种方便的方法是在原型开发时将一些数据导入流中，使用socket

DataStream<String> lines = env.socketTextStream("localhost", 9999)

或文件

DataStream<String> lines = env.readTextFile("file:///path");　　

在实际应用中，最常用的数据源是那些支持低延迟、高吞吐量并行读取并结合倒带和重放的数据源--这是高性能和容错的先决条件--如Apache Kafka、Kinesis和各种文件系统。REST API和数据库也经常被用于流的丰富。

基本数据流汇集

上面的例子使用 adults.print()将其结果打印到任务管理器的日志中（当在 IDE 中运行时，它将出现在你的 IDE 的控制台中）。这将在流的每个元素上调用toString()。

输出结果看起来像这样

1> Fred: age 35
2> Wilma: age 35

其中1>和2>表示哪个子任务（即线程）产生的输出。

在生产中，常用的汇包括StreamingFileSink、各种数据库和一些pub-sub系统。

调试

在生产中，你的应用程序将在远程集群或一组容器中运行。而如果它失败了，它将会远程失败。JobManager和TaskManager日志对调试此类故障非常有帮助，但在IDE内部进行本地调试要容易得多，Flink支持这一点。你可以设置断点，检查本地变量，并逐步检查你的代码。你也可以步入Flink的代码，如果你好奇Flink是如何工作的，这可以是一个很好的方式来了解它的内部结构。

实践

在这一点上，你知道了足够的知识，可以开始编码和运行一个简单的DataStream应用程序。克隆flink-training repo，按照README中的说明操作后，进行第一个练习。过滤一个流（Ride Cleansing）。

进一步阅读

• Flink Serialization Tuning Vol. 1: Choosing your Serializer — if you can
• Anatomy of a Flink Program
• Data Sources
• Data Sinks
• DataStream Connectors