关于云计算:Flink的DataSource三部曲之一直接API

欢送拜访我的GitHub

https://github.com/zq2599/blog_demos

内容：所有原创文章分类汇总及配套源码，波及Java、Docker、Kubernetes、DevOPS等；

本文是《Flink的DataSource三部曲》系列的第一篇，该系列旨在通过实战学习和理解Flink的DataSource，为当前的深刻学习打好根底，由以下三局部组成：

间接API：即本篇，除了筹备环境和工程，还学习了StreamExecutionEnvironment提供的用来创立数据来的API；
内置connector：StreamExecutionEnvironment的addSource办法，入参能够是flink内置的connector，例如kafka、RabbitMQ等；
自定义：StreamExecutionEnvironment的addSource办法，入参能够是自定义的SourceFunction实现类；

Flink的DataSource三部曲文章链接

《Flink的DataSource三部曲之一：间接API》
《Flink的DataSource三部曲之二:内置connector》
《Flink的DataSource三部曲之三:自定义》

对于Flink的DataSource

官网对DataSource的解释：Sources are where your program reads its input from，即DataSource是利用的数据起源，如下图的两个红框所示：

DataSource类型

对于常见的文本读入、kafka、RabbitMQ等数据起源，能够间接应用Flink提供的API或者connector，如果这些满足不了需要，还能够本人开发，下图是我依照本人的了解梳理的：

环境和版本

熟练掌握内置DataSource的最好方法就是实战，本次实战的环境和版本如下：

JDK：1.8.0_211
Flink：1.9.2
Maven：3.6.0
操作系统：macOS Catalina 10.15.3 （MacBook Pro 13-inch, 2018）
IDEA：2018.3.5 (Ultimate Edition)

源码下载

如果您不想写代码，整个系列的源码可在GitHub下载到，地址和链接信息如下表所示(https://github.com/zq2599/blo…：

名称	链接	备注
我的项目主页	https://github.com/zq2599/blo…	该我的项目在GitHub上的主页
git仓库地址(https)	https://github.com/zq2599/blo…	该我的项目源码的仓库地址，https协定
git仓库地址(ssh)	git@github.com:zq2599/blog_demos.git	该我的项目源码的仓库地址，ssh协定

这个git我的项目中有多个文件夹，本章的利用在flinkdatasourcedemo文件夹下，如下图红框所示：

环境和版本

本次实战的环境和版本如下：

JDK：1.8.0_211
Flink：1.9.2
Maven：3.6.0
操作系统：macOS Catalina 10.15.3 （MacBook Pro 13-inch, 2018）
IDEA：2018.3.5 (Ultimate Edition)

创立工程

在控制台执行以下命令就会进入创立flink利用的交互模式，按提醒输出gourpId和artifactId，就会创立一个flink利用(我输出的groupId是com.bolingcavalry，artifactId是flinkdatasourcedemo)：

mvn \
archetype:generate \
-DarchetypeGroupId=org.apache.flink \
-DarchetypeArtifactId=flink-quickstart-java \
-DarchetypeVersion=1.9.2

当初maven工程已生成，用IDEA导入这个工程，如下图：

以maven的类型导入：

导入胜利的样子：

我的项目创立胜利，能够开始写代码实战了；

辅助类Splitter

实战中有个性能罕用到：将字符串用空格宰割，转成Tuple2类型的汇合，这里将此算子做成一个公共类Splitter.java，代码如下：

package com.bolingcavalry;

import org.apache.flink.api.common.functions.FlatMapFunction;
import org.apache.flink.api.java.tuple.Tuple2;
import org.apache.flink.util.Collector;
import org.apache.flink.util.StringUtils;

public class Splitter implements FlatMapFunction<String, Tuple2<String, Integer>> {
    @Override
    public void flatMap(String s, Collector<Tuple2<String, Integer>> collector) throws Exception {

        if(StringUtils.isNullOrWhitespaceOnly(s)) {
            System.out.println("invalid line");
            return;
        }

        for(String word : s.split(" ")) {
            collector.collect(new Tuple2<String, Integer>(word, 1));
        }
    }
}

筹备结束，能够开始实战了，先从最简略的Socket开始。

Socket DataSource

Socket DataSource的性能是监听指定IP的指定端口，读取网络数据；

在方才新建的工程中创立一个类Socket.java：

package com.bolingcavalry.api;

import com.bolingcavalry.Splitter;
import org.apache.flink.streaming.api.datastream.DataStream;
import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;
import org.apache.flink.streaming.api.windowing.time.Time;

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

        //监听本地9999端口，读取字符串
        DataStream<String> socketDataStream = env.socketTextStream("localhost", 9999);

        //每五秒钟一次，将以后五秒内所有字符串以空格宰割，而后统计单词数量，打印进去
        socketDataStream
                .flatMap(new Splitter())
                .keyBy(0)
                .timeWindow(Time.seconds(5))
                .sum(1)
                .print();

        env.execute("API DataSource demo : socket");
    }
}

从上述代码可见，StreamExecutionEnvironment.socketTextStream就能够创立Socket类型的DataSource，在控制台执行命令nc -lk 9999，即可进入交互模式，此时输入任何字符串再回车，都会将字符串传输到本机9999端口；

在IDEA上运行Socket类，启动胜利后再回到方才执行nc -lk 9999的控制台，输出一些字符串再回车，可见Socket的性能曾经失效：

汇合DataSource(generateSequence)

基于汇合的DataSource，API如下图所示：

先试试最简略的generateSequence，创立指定范畴内的数字型的DataSource：

package com.bolingcavalry.api;

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

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

        //并行度为1
        env.setParallelism(1);

        //通过generateSequence失去Long类型的DataSource
        DataStream<Long> dataStream = env.generateSequence(1, 10);

        //做一次过滤，只保留偶数，而后打印
        dataStream.filter(new FilterFunction<Long>() {
            @Override
            public boolean filter(Long aLong) throws Exception {
                return 0L==aLong.longValue()%2L;
            }
        }).print();

        env.execute("API DataSource demo : collection");
    }
}

运行时会打印偶数：

汇合DataSource(fromElements+fromCollection)

fromElements和fromCollection就在一个类中试了吧，创立FromCollection类，外面是这两个API的用法：

package com.bolingcavalry.api;

import org.apache.flink.api.java.tuple.Tuple2;
import org.apache.flink.streaming.api.datastream.DataStream;
import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;

import java.util.ArrayList;
import java.util.List;

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

        //并行度为1
        env.setParallelism(1);

        //创立一个List，外面有两个Tuple2元素
        List<Tuple2<String, Integer>> list = new ArrayList<>();
        list.add(new Tuple2("aaa", 1));
        list.add(new Tuple2("bbb", 1));

        //通过List创立DataStream
        DataStream<Tuple2<String, Integer>> fromCollectionDataStream = env.fromCollection(list);

        //通过多个Tuple2元素创立DataStream
        DataStream<Tuple2<String, Integer>> fromElementDataStream = env.fromElements(
                new Tuple2("ccc", 1),
                new Tuple2("ddd", 1),
                new Tuple2("aaa", 1)
        );

        //通过union将两个DataStream合成一个
        DataStream<Tuple2<String, Integer>> unionDataStream = fromCollectionDataStream.union(fromElementDataStream);

        //统计每个单词的数量
        unionDataStream
                .keyBy(0)
                .sum(1)
                .print();

        env.execute("API DataSource demo : collection");
    }
}

运行后果如下：

文件DataSource

上面的ReadTextFile类会读取绝对路径的文本文件，并对内容做单词统计：

package com.bolingcavalry.api;

import com.bolingcavalry.Splitter;
import org.apache.flink.streaming.api.datastream.DataStream;
import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;

public class ReadTextFile {
    public static void main(String[] args) throws Exception {
        final StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
        //设置并行度为1
        env.setParallelism(1);

        //用txt文件作为数据源
        DataStream<String> textDataStream = env.readTextFile("file:///Users/zhaoqin/temp/202003/14/README.txt", "UTF-8");

        //统计单词数量并打印进去
        textDataStream
                .flatMap(new Splitter())
                .keyBy(0)
                .sum(1)
                .print();

        env.execute("API DataSource demo : readTextFile");
    }
}

请确保代码中的绝对路径下存在名为README.txt文件，运行后果如下：

关上StreamExecutionEnvironment.java源码，看一下方才应用的readTextFile办法实现如下，原来是调用了另一个同名办法，该办法的第三个参数确定了文本文件是一次性读取结束，还是周期性扫描内容变更，而第四个参数就是周期性扫描的间隔时间：

public DataStreamSource<String> readTextFile(String filePath, String charsetName) {
        Preconditions.checkArgument(!StringUtils.isNullOrWhitespaceOnly(filePath), "The file path must not be null or blank.");

        TextInputFormat format = new TextInputFormat(new Path(filePath));
        format.setFilesFilter(FilePathFilter.createDefaultFilter());
        TypeInformation<String> typeInfo = BasicTypeInfo.STRING_TYPE_INFO;
        format.setCharsetName(charsetName);

        return readFile(format, filePath, FileProcessingMode.PROCESS_ONCE, -1, typeInfo);
    }

下面的FileProcessingMode是个枚举，源码如下：

@PublicEvolving
public enum FileProcessingMode {

    /** Processes the current contents of the path and exits. */
    PROCESS_ONCE,

    /** Periodically scans the path for new data. */
    PROCESS_CONTINUOUSLY
}

另外请关注readTextFile办法的filePath参数，这是个URI类型的字符串，除了本地文件门路，还能够是HDFS的地址：hdfs://host:port/file/path

至此，通过间接API创立DataSource的实战就实现了，前面的章节咱们持续学习内置connector形式的DataSource；

欢送关注公众号：程序员欣宸

微信搜寻「程序员欣宸」，我是欣宸，期待与您一起畅游Java世界…
https://github.com/zq2599/blog_demos

关于云计算:Flink的DataSource三部曲之一直接API

欢送拜访我的GitHub

Flink的DataSource三部曲文章链接

对于Flink的DataSource

DataSource类型

环境和版本

源码下载

环境和版本

创立工程

辅助类Splitter

Socket DataSource

汇合DataSource(generateSequence)

汇合DataSource(fromElements+fromCollection)

文件DataSource

欢送关注公众号：程序员欣宸

评论

发表回复取消回复

更多文章

DDN HPC 存储硬件架构设计深度分析

探秘IO500：从Lustre并行文件系统出发，开启HPC存储性能新征程

苹果iOS打包的ipa应用无法安装？一篇文章带你了解可能的原因及排查方法

图解Golang：从零开始实现简易版过期LRU缓存

关于云计算:Flink的DataSource三部曲之一直接API

欢送拜访我的GitHub

Flink的DataSource三部曲文章链接

对于Flink的DataSource

DataSource类型

环境和版本

源码下载

环境和版本

创立工程

辅助类Splitter

Socket DataSource

汇合DataSource(generateSequence)

汇合DataSource(fromElements+fromCollection)

文件DataSource

欢送关注公众号：程序员欣宸

评论

发表回复 取消回复

更多文章

DDN HPC 存储硬件架构设计深度分析

探秘IO500：从Lustre并行文件系统出发，开启HPC存储性能新征程

苹果iOS打包的ipa应用无法安装？一篇文章带你了解可能的原因及排查方法

图解Golang：从零开始实现简易版过期LRU缓存

发表回复取消回复