硬核!一文學完Flink流計算常用運算元(Flink運算元大全)
直入正題!
Flink和Spark類似,也是一種一站式處理的框架;既可以進行批處理(DataSet),也可以進行實時處理(DataStream)。
所以下面將Flink的運算元分為兩大類:一類是DataSet,一類是DataStream。
DataSet
一、Source運算元
1. fromCollection
fromCollection:從本地集合讀取資料
例:
val env = ExecutionEnvironment。getExecutionEnvironment
val textDataSet: DataSet[String] = env。fromCollection(
List(“1,張三”, “2,李四”, “3,王五”, “4,趙六”)
)
2. readTextFile
readTextFile:從檔案中讀取
val textDataSet: DataSet[String] = env。readTextFile(“/data/a。txt”)
3. readTextFile:遍歷目錄
readTextFile可以對一個檔案目錄內的所有檔案,包括所有子目錄中的所有檔案的遍歷訪問方式
val parameters = new Configuration
// recursive。file。enumeration 開啟遞迴
parameters。setBoolean(“recursive。file。enumeration”, true)
val file = env。readTextFile(“/data”)。withParameters(parameters)
4. readTextFile:讀取壓縮檔案
對於以下壓縮型別,不需要指定任何額外的inputformat方法,flink可以自動識別並且解壓。但是,壓縮檔案可能不會並行讀取,可能是順序讀取的,這樣可能會影響作業的可伸縮性。
壓縮方法
副檔名
是否可並行讀取
因格式問題,此處顯示不全,完整的表格內容可到公號【五分鐘學大資料】檢視
val file = env。readTextFile(“/data/file。gz”)
二、Transform轉換運算元
因為Transform運算元基於Source運算元操作,所以首先構建Flink執行環境及Source運算元,後續Transform運算元操作基於此:
val env = ExecutionEnvironment。getExecutionEnvironment
val textDataSet: DataSet[String] = env。fromCollection(
List(“張三,1”, “李四,2”, “王五,3”, “張三,4”)
)
1. map
將DataSet中的每一個元素轉換為另外一個元素
// 使用map將List轉換為一個Scala的樣例類
case class User(name: String, id: String)
val userDataSet: DataSet[User] = textDataSet。map {
text =>
val fieldArr = text。split(“,”)
User(fieldArr(0), fieldArr(1))
}
userDataSet。print()
2. flatMap
將DataSet中的每一個元素轉換為0。。。n個元素。
// 使用flatMap操作,將集合中的資料:
// 根據第一個元素,進行分組
// 根據第二個元素,進行聚合求值
val result = textDataSet。flatMap(line => line)
。groupBy(0) // 根據第一個元素,進行分組
。sum(1) // 根據第二個元素,進行聚合求值
result。print()
3. mapPartition
將一個分割槽中的元素轉換為另一個元素
// 使用mapPartition操作,將List轉換為一個scala的樣例類
case class User(name: String, id: String)
val result: DataSet[User] = textDataSet。mapPartition(line => {
line。map(index => User(index。_1, index。_2))
})
result。print()
4. filter
過濾出來一些符合條件的元素,返回
boolean值為true
的元素
val source: DataSet[String] = env。fromElements(“java”, “scala”, “java”)
val filter:DataSet[String] = source。filter(line => line。contains(“java”))//過濾出帶java的資料
filter。print()
5. reduce
可以對一個dataset或者一個group來進行聚合計算,最終
聚合成一個元素
// 使用 fromElements 構建資料來源
val source = env。fromElements((“java”, 1), (“scala”, 1), (“java”, 1))
// 使用map轉換成DataSet元組
val mapData: DataSet[(String, Int)] = source。map(line => line)
// 根據首個元素分組
val groupData = mapData。groupBy(_。_1)
// 使用reduce聚合
val reduceData = groupData。reduce((x, y) => (x。_1, x。_2 + y。_2))
// 列印測試
reduceData。print()
6. reduceGroup
將一個dataset或者一個group
聚合成一個或多個元素
。
reduceGroup是reduce的一種最佳化方案;
它會先分組reduce,然後在做整體的reduce;這樣做的好處就是可以減少網路IO
// 使用 fromElements 構建資料來源
val source: DataSet[(String, Int)] = env。fromElements((“java”, 1), (“scala”, 1), (“java”, 1))
// 根據首個元素分組
val groupData = source。groupBy(_。_1)
// 使用reduceGroup聚合
val result: DataSet[(String, Int)] = groupData。reduceGroup {
(in: Iterator[(String, Int)], out: Collector[(String, Int)]) =>
val tuple = in。reduce((x, y) => (x。_1, x。_2 + y。_2))
out。collect(tuple)
}
// 列印測試
result。print()
7. minBy和maxBy
選擇具有最小值或最大值的
元素
// 使用minBy操作,求List中每個人的最小值
// List(“張三,1”, “李四,2”, “王五,3”, “張三,4”)
case class User(name: String, id: String)
// 將List轉換為一個scala的樣例類
val text: DataSet[User] = textDataSet。mapPartition(line => {
line。map(index => User(index。_1, index。_2))
})
val result = text
。groupBy(0) // 按照姓名分組
。minBy(1) // 每個人的最小值
8. Aggregate
在資料集上進行聚合求
最值
(最大值、最小值)
val data = new mutable。MutableList[(Int, String, Double)]
data。+=((1, “yuwen”, 89。0))
data。+=((2, “shuxue”, 92。2))
data。+=((3, “yuwen”, 89。99))
// 使用 fromElements 構建資料來源
val input: DataSet[(Int, String, Double)] = env。fromCollection(data)
// 使用group執行分組操作
val value = input。groupBy(1)
// 使用aggregate求最大值元素
。aggregate(Aggregations。MAX, 2)
// 列印測試
value。print()
Aggregate只能作用於元組上
注意:
要使用aggregate,只能使用欄位索引名或索引名稱來進行分組
groupBy(0)
,否則會報一下錯誤:
Exception in thread “main” java。lang。UnsupportedOperationException: Aggregate does not support grouping with KeySelector functions, yet。
9. distinct
去除重複的資料
// 資料來源使用上一題的
// 使用distinct操作,根據科目去除集合中重複的元組資料
val value: DataSet[(Int, String, Double)] = input。distinct(1)
value。print()
10. first
取前N個數
input。first(2) // 取前兩個數
11. join
將兩個DataSet按照一定條件連線到一起,形成新的DataSet
// s1 和 s2 資料集格式如下:
// DataSet[(Int, String,String, Double)]
val joinData = s1。join(s2) // s1資料集 join s2資料集
。where(0)。equalTo(0) { // join的條件
(s1, s2) => (s1。_1, s1。_2, s2。_2, s1。_3)
}
12. leftOuterJoin
左外連線,左邊的Dataset中的每一個元素,去連線右邊的元素
此外還有:
rightOuterJoin:右外連線,左邊的Dataset中的每一個元素,去連線左邊的元素
fullOuterJoin:全外連線,左右兩邊的元素,全部連線
下面以 leftOuterJoin 進行示例:
val data1 = ListBuffer[Tuple2[Int,String]]()
data1。append((1,“zhangsan”))
data1。append((2,“lisi”))
data1。append((3,“wangwu”))
data1。append((4,“zhaoliu”))
val data2 = ListBuffer[Tuple2[Int,String]]()
data2。append((1,“beijing”))
data2。append((2,“shanghai”))
data2。append((4,“guangzhou”))
val text1 = env。fromCollection(data1)
val text2 = env。fromCollection(data2)
text1。leftOuterJoin(text2)。where(0)。equalTo(0)。apply((first,second)=>{
if(second==null){
(first。_1,first。_2,“null”)
}else{
(first。_1,first。_2,second。_2)
}
})。print()
13. cross
交叉操作,透過形成這個資料集和其他資料集的笛卡爾積,建立一個新的資料集
和join類似,但是這種交叉操作會產生笛卡爾積,在
資料比較大的時候,是非常消耗記憶體的操作
val cross = input1。cross(input2){
(input1 , input2) => (input1。_1,input1。_2,input1。_3,input2。_2)
}
cross。print()
14. union
聯合操作,建立包含來自該資料集和其他資料集的元素的新資料集,
不會去重
val unionData: DataSet[String] = elements1。union(elements2)。union(elements3)
// 去除重複資料
val value = unionData。distinct(line => line)
15. rebalance
Flink也有資料傾斜的時候,比如當前有資料量大概10億條資料需要處理,在處理過程中可能會發生如圖所示的狀況:
這個時候本來總體資料量只需要10分鐘解決的問題,出現了資料傾斜,機器1上的任務需要4個小時才能完成,那麼其他3臺機器執行完畢也要等待機器1執行完畢後才算整體將任務完成; 所以在實際的工作中,出現這種情況比較好的解決方案就是接下來要介紹的—
rebalance
(內部使用round robin方法將資料均勻打散。這對於資料傾斜時是很好的選擇。)
// 使用rebalance操作,避免資料傾斜
val rebalance = filterData。rebalance()
16. partitionByHash
按照指定的key進行hash分割槽
val data = new mutable。MutableList[(Int, Long, String)]
data。+=((1, 1L, “Hi”))
data。+=((2, 2L, “Hello”))
data。+=((3, 2L, “Hello world”))
val collection = env。fromCollection(data)
val unique = collection。partitionByHash(1)。mapPartition{
line =>
line。map(x => (x。_1 , x。_2 , x。_3))
}
unique。writeAsText(“hashPartition”, WriteMode。NO_OVERWRITE)
env。execute()
17. partitionByRange
根據指定的key對資料集進行範圍分割槽
val data = new mutable。MutableList[(Int, Long, String)]
data。+=((1, 1L, “Hi”))
data。+=((2, 2L, “Hello”))
data。+=((3, 2L, “Hello world”))
data。+=((4, 3L, “Hello world, how are you?”))
val collection = env。fromCollection(data)
val unique = collection。partitionByRange(x => x。_1)。mapPartition(line => line。map{
x=>
(x。_1 , x。_2 , x。_3)
})
unique。writeAsText(“rangePartition”, WriteMode。OVERWRITE)
env。execute()
18. sortPartition
根據指定的欄位值進行分割槽的排序
val data = new mutable。MutableList[(Int, Long, String)]
data。+=((1, 1L, “Hi”))
data。+=((2, 2L, “Hello”))
data。+=((3, 2L, “Hello world”))
data。+=((4, 3L, “Hello world, how are you?”))
val ds = env。fromCollection(data)
val result = ds
。map { x => x }。setParallelism(2)
。sortPartition(1, Order。DESCENDING)//第一個引數代表按照哪個欄位進行分割槽
。mapPartition(line => line)
。collect()
println(result)
三、Sink運算元
1. collect
將資料輸出到本地集合
result。collect()
2. writeAsText
將資料輸出到檔案
Flink支援多種儲存裝置上的檔案,包括本地檔案,hdfs檔案等
Flink支援多種檔案的儲存格式,包括text檔案,CSV檔案等
// 將資料寫入本地檔案
result。writeAsText(“/data/a”, WriteMode。OVERWRITE)
// 將資料寫入HDFS
result。writeAsText(“hdfs://node01:9000/data/a”, WriteMode。OVERWRITE)
DataStream
和DataSet一樣,DataStream也包括一系列的Transformation操作
一、Source運算元
Flink可以使用 StreamExecutionEnvironment。addSource(source) 來為我們的程式新增資料來源。
Flink 已經提供了若干實現好了的 source functions,當然我們也可以透過實現 SourceFunction 來自定義非並行的source或者實現 ParallelSourceFunction 介面或者擴充套件 RichParallelSourceFunction 來自定義並行的 source。
Flink在流處理上的source和在批處理上的source基本一致。大致有4大類:
基於
本地集合
的source(Collection-based-source)
基於
檔案
的source(File-based-source)- 讀取文字檔案,即符合 TextInputFormat 規範的檔案,並將其作為字串返回
基於
網路套接字
的source(Socket-based-source)- 從 socket 讀取。元素可以用分隔符切分。
自定義
的source(Custom-source)
下面使用addSource將Kafka資料寫入Flink為例:
如果需要外部資料來源對接,可使用addSource,如將Kafka資料寫入Flink, 先引入依賴:
<!—— https://mvnrepository。com/artifact/org。apache。flink/flink-connector-kafka-0。11 ——>
將Kafka資料寫入Flink:
val properties = new Properties()
properties。setProperty(“bootstrap。servers”, “localhost:9092”)
properties。setProperty(“group。id”, “consumer-group”)
properties。setProperty(“key。deserializer”, “org。apache。kafka。common。serialization。StringDeserializer”)
properties。setProperty(“value。deserializer”, “org。apache。kafka。common。serialization。StringDeserializer”)
properties。setProperty(“auto。offset。reset”, “latest”)
val source = env。addSource(new FlinkKafkaConsumer011[String](“sensor”, new SimpleStringSchema(), properties))
基於網路套接字的:
val source = env。socketTextStream(“IP”, PORT)
二、Transform轉換運算元
1. map
將DataSet中的每一個元素轉換為另外一個元素
dataStream。map { x => x * 2 }
2. FlatMap
採用一個數據元並生成零個,一個或多個數據元。將句子分割為單詞的flatmap函式
dataStream。flatMap { str => str。split(“ ”) }
3. Filter
計算每個資料元的布林函式,並儲存函式返回true的資料元。過濾掉零值的過濾器
dataStream。filter { _ != 0 }
4. KeyBy
邏輯上將流分割槽為不相交的分割槽。具有相同Keys的所有記錄都分配給同一分割槽。在內部,keyBy()是使用雜湊分割槽實現的。指定鍵有不同的方法。
此轉換返回KeyedStream,其中包括使用被Keys化狀態所需的KeyedStream。
dataStream。keyBy(0)
5. Reduce
被Keys化資料流上的“滾動”Reduce。將當前資料元與最後一個Reduce的值組合併發出新值
keyedStream。reduce { _ + _ }
6. Fold
具有初始值的被Keys化資料流上的“滾動”摺疊。將當前資料元與最後摺疊的值組合併發出新值
val result: DataStream[String] = keyedStream。fold(“start”)((str, i) => { str + “-” + i })
// 解釋:當上述程式碼應用於序列(1,2,3,4,5)時,輸出結果“start-1”,“start-1-2”,“start-1-2-3”,。。。
7. Aggregations
在被Keys化資料流上滾動聚合。min和minBy之間的差異是min返回最小值,而minBy返回該欄位中具有最小值的資料元(max和maxBy相同)。
keyedStream。sum(0);
keyedStream。min(0);
keyedStream。max(0);
keyedStream。minBy(0);
keyedStream。maxBy(0);
8. Window
可以在已經分割槽的KeyedStream上定義Windows。Windows根據某些特徵(例如,在最後5秒內到達的資料)對每個Keys中的資料進行分組。這裡不再對視窗進行詳解,有關視窗的完整說明,請檢視這篇文章:
Flink 中極其重要的 Time 與 Window 詳細解析
dataStream。keyBy(0)。window(TumblingEventTimeWindows。of(Time。seconds(5)));
9. WindowAll
Windows可以在常規DataStream上定義。Windows根據某些特徵(例如,在最後5秒內到達的資料)對所有流事件進行分組。
注意:在許多情況下,這是非並行轉換。所有記錄將收集在windowAll 運算元的一個任務中。
dataStream。windowAll(TumblingEventTimeWindows。of(Time。seconds(5)))
10. Window Apply
將一般函式應用於整個視窗。
注意:如果您正在使用windowAll轉換,則需要使用AllWindowFunction。
下面是一個手動求和視窗資料元的函式
windowedStream。apply { WindowFunction }
allWindowedStream。apply { AllWindowFunction }
11. Window Reduce
將函式縮減函式應用於視窗並返回縮小的值
windowedStream。reduce { _ + _ }
12. Window Fold
將函式摺疊函式應用於視窗並返回摺疊值
val result: DataStream[String] = windowedStream。fold(“start”, (str, i) => { str + “-” + i })
// 上述程式碼應用於序列(1,2,3,4,5)時,將序列摺疊為字串“start-1-2-3-4-5”
13. Union
兩個或多個數據流的聯合,建立包含來自所有流的所有資料元的新流。注意:如果將資料流與自身聯合,則會在結果流中獲取兩次資料元
dataStream。union(otherStream1, otherStream2, 。。。)
14. Window Join
在給定Keys和公共視窗上連線兩個資料流
dataStream。join(otherStream)
。where(
。window(TumblingEventTimeWindows。of(Time。seconds(3)))
。apply (new JoinFunction () {。。。})
15. Interval Join
在給定的時間間隔內使用公共Keys關聯兩個被Key化的資料流的兩個資料元e1和e2,以便e1。timestamp + lowerBound <= e2。timestamp <= e1。timestamp + upperBound
am。intervalJoin(otherKeyedStream)
。between(Time。milliseconds(-2), Time。milliseconds(2))
。upperBoundExclusive(true)
。lowerBoundExclusive(true)
。process(new IntervalJoinFunction() {。。。})
16. Window CoGroup
在給定Keys和公共視窗上對兩個資料流進行Cogroup
dataStream。coGroup(otherStream)
。where(0)。equalTo(1)
。window(TumblingEventTimeWindows。of(Time。seconds(3)))
。apply (new CoGroupFunction () {。。。})
17. Connect
“連線”兩個儲存其型別的資料流。連線允許兩個流之間的共享狀態
DataStream
// 。。。 代表省略中間操作
18. CoMap,CoFlatMap
類似於連線資料流上的map和flatMap
connectedStreams。map(
(_ : Int) => true,
(_ : String) => false)connectedStreams。flatMap(
(_ : Int) => true,
(_ : String) => false)
19. Split
根據某些標準將流拆分為兩個或更多個流
val split = someDataStream。split(
(num: Int) =>
(num % 2) match {
case 0 => List(“even”)
case 1 => List(“odd”)
})
20. Select
從拆分流中選擇一個或多個流
SplitStream
三、Sink運算元
支援將資料輸出到:
本地檔案(參考批處理)
本地集合(參考批處理)
HDFS(參考批處理)
除此之外,還支援:
sink到kafka
sink到mysql
sink到redis
下面以sink到kafka為例:
val sinkTopic = “test”
//樣例類
case class Student(id: Int, name: String, addr: String, sex: String)
val mapper: ObjectMapper = new ObjectMapper()
//將物件轉換成字串
def toJsonString(T: Object): String = {
mapper。registerModule(DefaultScalaModule)
mapper。writeValueAsString(T)
}
def main(args: Array[String]): Unit = {
//1。建立流執行環境
val env = StreamExecutionEnvironment。getExecutionEnvironment
//2。準備資料
val dataStream: DataStream[Student] = env。fromElements(
Student(8, “xiaoming”, “beijing biejing”, “female”)
)
//將student轉換成字串
val studentStream: DataStream[String] = dataStream。map(student =>
toJsonString(student) // 這裡需要顯示SerializerFeature中的某一個,否則會報同時匹配兩個方法的錯誤
)
//studentStream。print()
val prop = new Properties()
prop。setProperty(“bootstrap。servers”, “node01:9092”)
val myProducer = new FlinkKafkaProducer011[String](sinkTopic, new KeyedSerializationSchemaWrapper[String](new SimpleStringSchema()), prop)
studentStream。addSink(myProducer)
studentStream。print()
env。execute(“Flink add sink”)
}
——end——