关于云计算:Flink的DataSource三部曲之三自定义

1次阅读

共计 9608 个字符，预计需要花费 25 分钟才能阅读完成。

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》的终篇，后面都是在学习 Flink 已有的数据源性能，但如果这些不能满足需要，就要自定义数据源（例如从数据库获取数据），也就是明天实战的内容，如下图红框所示：

《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》

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)

后面两章的程序都是在 IDEA 上运行的，本章须要通过 Flink 的 web ui 察看运行后果，因而要独自部署 Flink 服务，我这里是在 CentOS 环境通过 docker-compose 部署的，以下是 docker-compose.yml 的内容，用于参考：

version: "2.1"
services:
  jobmanager:
    image: flink:1.9.2-scala_2.12
    expose:
      - "6123"
    ports:
      - "8081:8081"
    command: jobmanager
    environment:
      - JOB_MANAGER_RPC_ADDRESS=jobmanager
  taskmanager1:
    image: flink:1.9.2-scala_2.12
    expose:
      - "6121"
      - "6122"
    depends_on:
      - jobmanager
    command: taskmanager
    links:
      - "jobmanager:jobmanager"
    environment:
      - JOB_MANAGER_RPC_ADDRESS=jobmanager
  taskmanager2:
    image: flink:1.9.2-scala_2.12
    expose:
      - "6121"
      - "6122"
    depends_on:
      - jobmanager
    command: taskmanager
    links:
      - "jobmanager:jobmanager"
    environment:
      - JOB_MANAGER_RPC_ADDRESS=jobmanager

下图是我的 Flink 状况，有两个 Task Maganer，共八个 Slot 全副可用：

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：

筹备结束，开始开发；

从最简略的开始，开发一个不可并行的数据源并验证；
实现 SourceFunction 接口，在工程 flinkdatasourcedemo 中减少 SourceFunctionDemo.java：

package com.bolingcavalry.customize;

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 org.apache.flink.streaming.api.functions.source.SourceFunction;
import org.apache.flink.streaming.api.windowing.time.Time;

public class SourceFunctionDemo {public static void main(String[] args) throws Exception {final StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
        // 并行度为 2
        env.setParallelism(2);

        DataStream<Tuple2<Integer,Integer>> dataStream = env.addSource(new SourceFunction<Tuple2<Integer, Integer>>() {

            private volatile boolean isRunning = true;

            @Override
            public void run(SourceContext<Tuple2<Integer, Integer>> ctx) throws Exception {
                int i = 0;
                while (isRunning) {ctx.collect(new Tuple2<>(i++ % 5, 1));
                    Thread.sleep(1000);
                    if(i>9){break;}
                }
            }

            @Override
            public void cancel() {isRunning = false;}
        });

        dataStream
                .keyBy(0)
                .timeWindow(Time.seconds(2))
                .sum(1)
                .print();

        env.execute("Customize DataSource demo : SourceFunction");
    }
}

从上述代码可见，给 addSource 办法传入一个匿名类实例，该匿名类实现了 SourceFunction 接口；
实现 SourceFunction 接口只需实现 run 和 cancel 办法；
run 办法产生数据，这里为了简答操作，每隔一秒产生一个 Tuple2 实例，因为接下来的算子中有 keyBy 操作，因而 Tuple2 的第一个字段始终保持着 5 的余数，这样能够多几个 key，以便扩散到不同的 slot 中；
为了核查数据是否精确，这里并没有有限发送数据，而是仅发送了 10 个 Tuple2 实例；
cancel 是 job 被勾销时执行的办法；
整体并行度显式设置为 2；
编码实现后，执行 mvn clean package -U -DskipTests 构建，在 target 目录失去文件 flinkdatasourcedemo-1.0-SNAPSHOT.jar；
在 Flink 的 web UI 上传 flinkdatasourcedemo-1.0-SNAPSHOT.jar，并指定执行类，如下图红框所示：

1. 工作执行实现后，在 Completed Jobs 页面能够看到，DataSource 的并行度是 1（红框），对应的 SubTask 一共发送了 10 条记录（蓝框），这和咱们的代码是统一的；

再来看生产的子工作，如下图，红框显示并行度是 2，这和后面代码中的设置是统一的，蓝框显示两个子工作一共收到 10 条数据记录，和上游收回的数量统一：

接下来尝试多并行度的 DataSource；

如果自定义 DataSource 中有简单的或者耗时的操作，那么减少 DataSource 的并行度，让多个 SubTask 同时进行这些操作，能够无效晋升整体吞吐量（前提是硬件资源富余）；
接下来实战能够并行执行的 DataSource，原理是 DataSoure 实现 ParallelSourceFunction 接口，代码如下，可见和 SourceFunctionDemo 简直一样，只是 addSource 方发入参不同，该入参仍然是匿名类，不过实现的的接口变成了 ParallelSourceFunction：

package com.bolingcavalry.customize;

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 org.apache.flink.streaming.api.functions.source.ParallelSourceFunction;
import org.apache.flink.streaming.api.windowing.time.Time;

public class ParrelSourceFunctionDemo {public static void main(String[] args) throws Exception {final StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
        // 并行度为 2
        env.setParallelism(2);

        DataStream<Tuple2<Integer,Integer>> dataStream = env.addSource(new ParallelSourceFunction<Tuple2<Integer, Integer>>() {

            private volatile boolean isRunning = true;

            @Override
            public void run(SourceContext<Tuple2<Integer, Integer>> ctx) throws Exception {
                int i = 0;
                while (isRunning) {ctx.collect(new Tuple2<>(i++ % 5, 1));
                    Thread.sleep(1000);
                    if(i>9){break;}
                }
            }

            @Override
            public void cancel() {isRunning = false;}
        });

        dataStream
                .keyBy(0)
                .timeWindow(Time.seconds(2))
                .sum(1)
                .print();

        env.execute("Customize DataSource demo : ParallelSourceFunction");
    }
}

编码实现后，执行 mvn clean package -U -DskipTests 构建，在 target 目录失去文件 flinkdatasourcedemo-1.0-SNAPSHOT.jar；
在 Flink 的 web UI 上传 flinkdatasourcedemo-1.0-SNAPSHOT.jar，并指定执行类，如下图红框所示：

工作执行实现后，在 Completed Jobs 页面能够看到，现在 DataSource 的并行度是 2（红框），对应的 SubTask 一共发送了 20 条记录（蓝框），这和咱们的代码是统一的，绿框显示两个 SubTask 的 Task Manager 是同一个：

为什么 DataSource 一共发送了 20 条记录？因为每个 SubTask 中都有一份 ParallelSourceFunction 匿名类的实例，对应的 run 办法别离被执行，因而每个 SubTask 都发送了 10 条；
再来看生产数据的子工作，如下图，红框显示并行度与代码中设置的数量是统一的，蓝框显示两个 SubTask 一共生产了 20 条记录，和数据源收回的记录数统一，另外绿框显示两个 SubTask 的 Task Manager 是同一个，而且和 DataSource 的 TaskManager 是同一个，因而整个 job 都是在同一个 TaskManager 进行的，没有跨机器带来的额定代价：

接下来要实际的内容，和另一个重要的抽象类无关；

对 RichSourceFunction 的了解是从继承关系开始的，如下图，SourceFunction 和 RichFunction 的个性最终都体现在 RichSourceFunction 上，SourceFunction 的个性是数据的生成 (run 办法)，RichFunction 的个性是对资源的连贯和开释 (open 和 close 办法)：

接下来开始实战，指标是从 MySQL 获取数据作为 DataSource，而后生产这些数据；
请提前准备好可用的 MySql 数据库，而后执行以下 SQL，创立库、表、记录：

DROP DATABASE IF EXISTS flinkdemo;
CREATE DATABASE IF NOT EXISTS flinkdemo;
USE flinkdemo;

SELECT 'CREATING DATABASE STRUCTURE' as 'INFO';

DROP TABLE IF EXISTS `student`;
CREATE TABLE `student` (`id` int(11) unsigned NOT NULL AUTO_INCREMENT,
  `name` varchar(25) COLLATE utf8_bin DEFAULT NULL,
  PRIMARY KEY (`id`)
) ENGINE=InnoDB AUTO_INCREMENT=5 DEFAULT CHARSET=utf8 COLLATE=utf8_bin;

INSERT INTO `student` VALUES ('1', 'student01'), ('2', 'student02'), ('3', 'student03'), ('4', 'student04'), ('5', 'student05'), ('6', 'student06');
COMMIT;

在 pom.xml 中减少 mysql 依赖：

<dependency>
  <groupId>mysql</groupId>
  <artifactId>mysql-connector-java</artifactId>
  <version>5.1.34</version>
</dependency>

新增 MySQLDataSource.java，内容如下：

package com.bolingcavalry.customize;

import com.bolingcavalry.Student;
import org.apache.flink.configuration.Configuration;
import org.apache.flink.streaming.api.functions.source.RichSourceFunction;
import java.sql.Connection;
import java.sql.DriverManager;
import java.sql.PreparedStatement;
import java.sql.ResultSet;

public class MySQLDataSource extends RichSourceFunction<Student> {

    private Connection connection = null;

    private PreparedStatement preparedStatement = null;

    private volatile boolean isRunning = true;

    @Override
    public void open(Configuration parameters) throws Exception {super.open(parameters);

        if(null==connection) {Class.forName("com.mysql.jdbc.Driver");
            connection = DriverManager.getConnection("jdbc:mysql://192.168.50.43:3306/flinkdemo?useUnicode=true&characterEncoding=UTF-8", "root", "123456");
        }

        if(null==preparedStatement) {preparedStatement = connection.prepareStatement("select id, name from student");
        }
    }

    /**
     * 开释资源
     * @throws Exception
     */
    @Override
    public void close() throws Exception {super.close();

        if(null!=preparedStatement) {
            try {preparedStatement.close();
            } catch (Exception exception) {exception.printStackTrace();
            }
        }

        if(null==connection) {connection.close();
        }
    }

    @Override
    public void run(SourceContext<Student> ctx) throws Exception {ResultSet resultSet = preparedStatement.executeQuery();
        while (resultSet.next() && isRunning) {Student student = new Student();
            student.setId(resultSet.getInt("id"));
            student.setName(resultSet.getString("name"));
            ctx.collect(student);
        }
    }

    @Override
    public void cancel() {isRunning = false;}
}

下面的代码中，MySQLDataSource 继承了 RichSourceFunction，作为一个 DataSource，能够作为 addSource 办法的入参；
open 和 close 办法都会被数据源的 SubTask 调用，open 负责创立数据库连贯对象，close 负责开释资源；
open 办法中间接写死了数据库相干的配置 (不可取)；
run 办法在 open 之后被调用，作用和之前的 DataSource 例子一样，负责生产数据，这里是用后面筹备好的 preparedStatement 对象间接去数据库取数据；
接下来写个 Demo 类应用 MySQLDataSource：

package com.bolingcavalry.customize;

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

public class RichSourceFunctionDemo {public static void main(String[] args) throws Exception {final StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
        // 并行度为 2
        env.setParallelism(2);

        DataStream<Student> dataStream = env.addSource(new MySQLDataSource());
        dataStream.print();

        env.execute("Customize DataSource demo : RichSourceFunction");
    }
}

从上述代码可见，MySQLDataSource 实例传入 addSource 办法即可创立数据集；
像之前那样，编译构建、提交到 Flink、指定工作类，即可开始执行此工作；
执行后果如下图，DataSource 的并行度是 1，一共发送六条记录，即 student 表的所有记录：

解决数据的 SubTask 一共两个，各解决三条音讯：

因为代码中对数据集执行了 print()，因而在 TaskManager 控制台看到数据输入如下图红框所示：

实战到了这里，还剩 RichParallelSourceFunction 这个抽象类咱们还没有尝试过，但我感觉这个类能够不必在文中多说了，咱们把 RichlSourceFunction 和 RichParallelSourceFunction 的类图放在一起看看：

从上图可见，在 RichFunction 继承关系上，两者统一，在 SourceFunction 的继承关系上，RichlSourceFunction 和 RichParallelSourceFunction 略有不同，RichParallelSourceFunction 走的是 ParallelSourceFunction 这条线，而 SourceFunction 和 ParallelSourceFunction 的区别，后面曾经讲过了，因而，后果显而易见： 继承 RichParallelSourceFunction 的 DataSource 的并行度是能够大于 1 的 ；
读者您如果有趣味，能够将后面的 MySQLDataSource 改成继承 RichParallelSourceFunction 再试试，DataSource 的并行度会超过 1， 然而绝不是只有这一点变动 ，DAG 图显示 Flink 还会做一些 Operator Chain 解决，但这不是本章要关注的内容，只能说后果是正确的（两个 DataSource 的 SubTask，一共发送 12 条记录），建议您试试；

至此，《Flink 的 DataSource 三部曲》系列就全副实现了，好的开始是胜利的一半，在拿到数据后，前面还有很多知识点要学习和把握，接下来的文章会持续深刻 Flink 的微妙之旅；

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

正文完

云计算

发表至：云计算

2020-11-07

0

关于云原生:阿里巴巴研究员叔同云原生是企业数字创新的最短路径

关于云计算:5-款超好用的开源-Docker-工具

关于云计算:科技热点周刊｜GitLab-上市LinkedIn-中国停止运营Visual-Studio-2022-正式版将发布

关于云计算:2021你需要关注的云安全趋势都在这里

关于hashmap:java-hashmap

关于云计算:Flink的DataSource三部曲之三自定义

欢送拜访我的 GitHub

本篇概览

Flink 的 DataSource 三部曲文章链接

环境和版本

在服务器上搭建 Flink 服务

源码下载

实现 SourceFunctionDemo 接口的 DataSource

实现 ParallelSourceFunction 接口的 DataSource

继承抽象类 RichSourceFunction 的 DataSource

对于 RichParallelSourceFunction

欢送关注公众号：程序员欣宸

站内搜索