(4条消息) Flink从入门到入土（详细教程）

和其他所有的计算框架一样，flink也有一些基础的开发步骤以及基础，核心的API，从开发步骤的角度来讲，主要分为四大部分

1.Environment

Flink Job在提交执行计算时，需要首先建立和Flink框架之间的联系，也就指的是当前的flink运行环境，只有获取了环境信息，才能将task调度到不同的taskManager执行。而这个环境对象的获取方式相对比较简单

1. // 批处理环境
2. val env = ExecutionEnvironment.getExecutionEnvironment
3. // 流式数据处理环境
4. val env = StreamExecutionEnvironment.getExecutionEnvironment

2.Source

Flink框架可以从不同的来源获取数据，将数据提交给框架进行处理, 我们将获取数据的来源称之为数据源.


2.1.从集合读取数据

一般情况下，可以将数据临时存储到内存中，形成特殊的数据结构后，作为数据源使用。这里的数据结构采用集合类型是比较普遍的

1. import org.apache.flink.streaming.api.scala._
2. /**
3.  * description: SourceList 
4.  * date: 2020/8/28 19:02 
5.  * version: 1.0
6.  *
7.  * @author 阳斌
8.  *         邮箱：[e-mail]
9.  *         类的说明：从集合读取数据
10.  */
11. object SourceList {
12.   def main(args: Array[String]): Unit = {
13.       //1.创建执行的环境
14.     val env: StreamExecutionEnvironment = StreamExecutionEnvironment.getExecutionEnvironment
15.     //2.从集合中读取数据
16.     val sensorDS: DataStream[WaterSensor] = env.fromCollection(
17.       // List(1,2,3,4,5)
18.       List(
19.         WaterSensor("ws_001", 1577844001, 45.0),
20.         WaterSensor("ws_002", 1577844015, 43.0),
21.         WaterSensor("ws_003", 1577844020, 42.0)
22.       )
23.     )
24.     //3.打印
25.     sensorDS.print()
26.     //4.执行
27.     env.execute("sensor")
28.   }
29.   /**
30.    * 定义样例类：水位传感器：用于接收空高数据
31.    *
32.    * @param id 传感器编号
33.    * @param ts 时间戳
34.    * @param vc 空高
35.    */
36.   case class WaterSensor(id: String, ts: Long, vc: Double)
37. }

2.2从文件中读取数据


通常情况下，我们会从存储介质中获取数据，比较常见的就是将日志文件作为数据源

1. import org.apache.flink.streaming.api.scala._
2. /**
3.  * description: SourceList 
4.  * date: 2020/8/28 19:02 
5.  * version: 1.0
6.  *
7.  * @author 阳斌
8.  *         邮箱：[e-mail]
9.  *         类的说明：从文件读取数据
10.  */
11. object SourceFile {
12.   def main(args: Array[String]): Unit = {
13.     //1.创建执行的环境
14.     val env: StreamExecutionEnvironment = StreamExecutionEnvironment.getExecutionEnvironment
15.     //2.从指定路径获取数据
16.     val fileDS: DataStream[String] = env.readTextFile("input/data.log")
17.     //3.打印
18.     fileDS.print()
19.     //4.执行
20.     env.execute("sensor")
21.   }
22. }
23. /**
24.  * 在读取文件时，文件路径可以是目录也可以是单一文件。如果采用相对文件路径，会从当前系统参数user.dir中获取路径
25.  * System.getProperty("user.dir")
26.  */
27. /**
28.  * 如果在IDEA中执行代码，那么系统参数user.dir自动指向项目根目录，
29.  * 如果是standalone集群环境, 默认为集群节点根目录，当然除了相对路径以外，
30.  * 也可以将路径设置为分布式文件系统路径，如HDFS
31.  val fileDS: DataStream[String] =
32.  env.readTextFile( "hdfs://hadoop02:9000/test/1.txt")
33.  */

如果是standalone集群环境, 默认为集群节点根目录，当然除了相对路径以外，也可以将路径设置为分布式文件系统路径，如HDFS


1. val fileDS: DataStream[String] =
2. env.readTextFile( "hdfs://hadoop02:9000/test/1.txt")

默认读取时，flink的依赖关系中是不包含Hadoop依赖关系的，所以执行上面代码时，会出现错误。

解决方法就是增加相关依赖jar包就可以了

2.3 kafka读取数据

Kafka作为消息传输队列，是一个分布式的，高吞吐量，易于扩展地基于主题发布/订阅的消息系统。在现今企业级开发中，Kafka 和 Flink成为构建一个实时的数据处理系统的首选

2.3.1 引入kafka连接器的依赖

1. <!-- https://mvnrepository.com/artifact/org.apache.flink/flink-connector-kafka-0.11 -->
2. <dependency>
3.     <groupId>org.apache.flink</groupId>
4.     <artifactId>flink-connector-kafka-0.11_2.11</artifactId>
5.     <version>1.10.0</version>
6. </dependency>

2.3.2 代码实现参考

1. import java.util.Properties
2. import org.apache.flink.streaming.api.scala._
3. import org.apache.flink.streaming.connectors.kafka.FlinkKafkaConsumer011
4. import org.apache.flink.streaming.util.serialization.SimpleStringSchema
5. /**
6.  * description: SourceList 
7.  * date: 2020/8/28 19:02 
8.  * version: 1.0
9.  *
10.  * @author 阳斌
11.  *         邮箱：[e-mail]
12.  *         类的说明：从kafka读取数据
13.  */
14. object SourceKafka {
15.   def main(args: Array[String]): Unit = {
16.     val env: StreamExecutionEnvironment =
17.       StreamExecutionEnvironment.getExecutionEnvironment
18.     val properties = new Properties()
19.     properties.setProperty("bootstrap.servers", "hadoop02:9092")
20.     properties.setProperty("group.id", "consumer-group")
21.     properties.setProperty("key.deserializer", "org.apache.kafka.common.serialization.StringDeserializer")
22.     properties.setProperty("value.deserializer", "org.apache.kafka.common.serialization.StringDeserializer")
23.     properties.setProperty("auto.offset.reset", "latest")
24.     val kafkaDS: DataStream[String] = env.addSource(
25.       new FlinkKafkaConsumer011[String](
26.         "sensor",
27.         new SimpleStringSchema(),
28.         properties)
29.     )
30.     kafkaDS.print()
31.     env.execute("sensor")
32.   }
33. }

2.4 自定义数据源

大多数情况下，前面的数据源已经能够满足需要，但是难免会存在特殊情况的场合，所以flink也提供了能自定义数据源的方式

2.4.1  创建自定义数据源

1. import com.atyang.day01.Source.SourceList.WaterSensor
2. import org.apache.flink.streaming.api.functions.source.SourceFunction
3. import scala.util.Random
4. /**
5.  * description: ss 
6.  * date: 2020/8/28 20:36 
7.  * version: 1.0
8.  *
9.  * @author 阳斌
10.  *         邮箱：[e-mail]
11.  *         类的说明：自定义数据源
12.  */
13. class MySensorSource extends SourceFunction[WaterSensor] {
14.   var flg = true
15.   override def run(ctx: SourceFunction.SourceContext[WaterSensor]): Unit = {
16.     while ( flg ) {
17.       // 采集数据
18.       ctx.collect(
19.         WaterSensor(
20.           "sensor_" +new Random().nextInt(3),
21.           1577844001,
22.           new Random().nextInt(5)+40
23.         )
24.       )
25.       Thread.sleep(100)
26.     }
27.   }
28.   override def cancel(): Unit = {
29.     flg = false;
30.   }
31. }

3.Transform

在Spark中，算子分为转换算子和行动算子，转换算子的作用可以通过算子方法的调用将一个RDD转换另外一个RDD，Flink中也存在同样的操作，可以将一个数据流转换为其他的数据流。


转换过程中，数据流的类型也会发生变化，那么到底Flink支持什么样的数据类型呢，其实我们常用的数据类型，Flink都是支持的。比如：Long, String, Integer, Int, 元组，样例类，List, Map等。

3.1 map

• 映射：将数据流中的数据进行转换, 形成新的数据流，消费一个元素并产出一个元素

• 参数：Scala匿名函数或MapFunction

• 返回：DataStream

1. import org.apache.flink.streaming.api.scala._
2. /**
3.  * description: SourceList 
4.  * date: 2020/8/28 19:02 
5.  * version: 1.0
6.  *
7.  * @author 阳斌
8.  *         邮箱：[e-mail]
9.  *         类的说明：从集合读取数据
10.  */
11. object Transfrom_map {
12.   def main(args: Array[String]): Unit = {
13.       //1.创建执行的环境
14.     val env: StreamExecutionEnvironment = StreamExecutionEnvironment.getExecutionEnvironment
15.     //2.从集合中读取数据
16.     val sensorDS: DataStream[WaterSensor] = env.fromCollection(
17.       // List(1,2,3,4,5)
18.       List(
19.         WaterSensor("ws_001", 1577844001, 45.0),
20.         WaterSensor("ws_002", 1577844015, 43.0),
21.         WaterSensor("ws_003", 1577844020, 42.0)
22.       )
23.     )
24.     val sensorDSMap = sensorDS.map(x => (x.id+"_1",x.ts+"_1",x.vc + 1))
25.     //3.打印
26.     sensorDSMap.print()
27.     //4.执行
28.     env.execute("sensor")
29.   }
30.   /**
31.    * 定义样例类：水位传感器：用于接收空高数据
32.    *
33.    * @param id 传感器编号
34.    * @param ts 时间戳
35.    * @param vc 空高
36.    */
37.   case class WaterSensor(id: String, ts: Long, vc: Double)
38. }

3.1.1 MapFunction


Flink为每一个算子的参数都至少提供了Scala匿名函数和函数类两种的方式，其中如果使用函数类作为参数的话，需要让自定义函数继承指定的父类或实现特定的接口。例如：MapFunction

sensor-data.log 文件数据

1. sensor_1,1549044122,10
2. sensor_1,1549044123,20
3. sensor_1,1549044124,30
4. sensor_2,1549044125,40
5. sensor_1,1549044126,50
6. sensor_2,1549044127,60
7. sensor_1,1549044128,70
8. sensor_3,1549044129,80
9. sensor_3,1549044130,90
10. sensor_3,1549044130,100

1. import org.apache.flink.streaming.api.scala._
2. /**
3.  * description: SourceList 
4.  * date: 2020/8/28 19:02 
5.  * version: 1.0
6.  *
7.  * @author 阳斌
8.  *         邮箱：[e-mail]
9.  *         类的说明：从文件读取数据
10.  */
11. object SourceFileMap {
12.   def main(args: Array[String]): Unit = {
13.     //1.创建执行的环境
14.     val env: StreamExecutionEnvironment = StreamExecutionEnvironment.getExecutionEnvironment
15.     //2.从指定路径获取数据
16.     val fileDS: DataStream[String] = env.readTextFile("input/sensor-data.log")
17.     val MapDS = fileDS.map(
18.       lines => {
19.         //更加逗号切割 获取每个元素
20.         val datas: Array[String] = lines.split(",")
21.         WaterSensor(datas(0), datas(1).toLong, datas(2).toInt)
22.       }
23.     )
24.     //3.打印
25.     MapDS.print()
26.     //4.执行
27.     env.execute("map")
28.   }
29.   /**
30.    * 定义样例类：水位传感器：用于接收空高数据
31.    *
32.    * @param id 传感器编号
33.    * @param ts 时间戳
34.    * @param vc 空高
35.    */
36.   case class WaterSensor(id: String, ts: Long, vc: Double)
37. }

1. import org.apache.flink.api.common.functions.MapFunction
2. import org.apache.flink.streaming.api.scala._
3. /**
4.  * description: SourceList 
5.  * date: 2020/8/28 19:02 
6.  * version: 1.0
7.  *
8.  * @author 阳斌
9.  *         邮箱：[e-mail]
10.  *         类的说明：从文件读取数据
11.  */
12. object Transform_MapFunction {
13.   def main(args: Array[String]): Unit = {
14.     //1.创建执行的环境
15.     val env: StreamExecutionEnvironment = StreamExecutionEnvironment.getExecutionEnvironment
16.     //2.从指定路径获取数据
17.     val sensorDS: DataStream[String] = env.readTextFile("input/sensor-data.log")
18.      sensorDS.map()
19.     //3.打印
20.   //  MapDS.print()
21.     //4.执行
22.     env.execute("map")
23.   }
24.   /**
25.    * 自定义继承 MapFunction
26.    * MapFunction[T,O]
27.    * 自定义输入和输出
28.    *
29.    */
30.   class MyMapFunction extends MapFunction[String,WaterSensor]{
31.     override def map(t: String): WaterSensor = {
32.       val datas: Array[String] = t.split(",")
33.       WaterSensor(datas(0),datas(1).toLong,datas(2).toInt)
34.     }
35.   }
36.   /**
37.    * 定义样例类：水位传感器：用于接收空高数据
38.    *
39.    * @param id 传感器编号
40.    * @param ts 时间戳
41.    * @param vc 空高
42.    */
43.   case class WaterSensor(id: String, ts: Long, vc: Double)
44. }

3.1.2 RichMapFunction


所有Flink函数类都有其Rich版本。它与常规函数的不同在于，可以获取运行环境的上下文，并拥有一些生命周期方法，所以可以实现更复杂的功能。也有意味着提供了更多的，更丰富的功能。例如：RichMapFunction

sensor-data.log 文件数据 同上一致

1. import org.apache.flink.api.common.functions.{MapFunction, RichMapFunction}
2. import org.apache.flink.configuration.Configuration
3. import org.apache.flink.streaming.api.scala._
4. /**
5.  * description: SourceList 
6.  * date: 2020/8/28 19:02 
7.  * version: 1.0
8.  *
9.  * @author 阳斌
10.  *         邮箱：[e-mail]
11.  *         类的说明：从文件读取数据
12.  */
13. object Transform_RichMapFunction {
14.   def main(args: Array[String]): Unit = {
15.     //1.创建执行的环境
16.     val env: StreamExecutionEnvironment = StreamExecutionEnvironment.getExecutionEnvironment
17.     //2.从指定路径获取数据
18.     val sensorDS: DataStream[String] = env.readTextFile("input/sensor-data.log")
19.     val myMapDS: DataStream[WaterSensor] = sensorDS.map(new MyRichMapFunction)
20.     //3.打印
21.     myMapDS.print()
22.     //4.执行
23.     env.execute("map")
24.   }
25.   /**
26.    * 自定义继承 MapFunction
27.    * MapFunction[T,O]
28.    * 自定义输入和输出
29.    *
30.    */
31.   class MyRichMapFunction extends RichMapFunction[String,WaterSensor]{
32.     override def map(value: String): WaterSensor = {
33.       val datas: Array[String] = value.split(",")
34.       //      WaterSensor(datas(0), datas(1).toLong, datas(2).toInt)
35.       WaterSensor(getRuntimeContext.getTaskName, datas(1).toLong, datas(2).toInt)
36.     }
37.     // 富函数提供了生命周期方法
38.     override def open(parameters: Configuration): Unit = {}
39.     override def close(): Unit = {}
40.   }
41.   /**
42.    * 定义样例类：水位传感器：用于接收空高数据
43.    *
44.    * @param id 传感器编号
45.    * @param ts 时间戳
46.    * @param vc 空高
47.    */
48.   case class WaterSensor(id: String, ts: Long, vc: Double)
49. }

Rich Function有一个生命周期的概念。典型的生命周期方法有：

• open()方法是rich function的初始化方法，当一个算子例如map或者filter被调 用之前open()会被调用

• close()方法是生命周期中的最后一个调用的方法，做一些清理工作

• getRuntimeContext()方法提供了函数的RuntimeContext的一些信息，例如函数执行         的并行度，任务的名字，以及state状态

3.1.3 flatMap


• 扁平映射：将数据流中的整体拆分成一个一个的个体使用，消费一个元素并产生零到多个元素

• 参数：Scala匿名函数或FlatMapFunction

• 返回：DataStream

1. import org.apache.flink.streaming.api.scala._
2. /**
3.  * description: SourceList
4.  * date: 2020/8/28 19:02
5.  * version: 1.0
6.  *
7.  * @author 阳斌
8.  *         邮箱：[e-mail]
9.  *         类的说明：FlatMap
10.  */
11. object Transform_FlatMap {
12.   def main(args: Array[String]): Unit = {
13.     // 1.创建执行环境
14.     val env: StreamExecutionEnvironment = StreamExecutionEnvironment.getExecutionEnvironment
15.     env.setParallelism(1)
16.     // 2.读取数据
17.     val listDS: DataStream[List[Int]] = env.fromCollection(
18.       List(
19.         List(1, 2, 3, 4),
20.         List(5, 6, 7,1,1,1)
21.       )
22.     )
23.     val resultDS: DataStream[Int] = listDS.flatMap(list => list)
24.     resultDS.print()
25.     // 4. 执行
26.     env.execute()
27.   }
28. }

3.2. filter


• 过滤：根据指定的规则将满足条件（true）的数据保留，不满足条件(false)的数据丢弃

• 参数：Scala匿名函数或FilterFunction

• 返回：DataStream

1. import org.apache.flink.streaming.api.scala._
2. /**
3.  * description: SourceList
4.  * date: 2020/8/28 19:02
5.  * version: 1.0
6.  *
7.  * @author 阳斌
8.  *         邮箱：[e-mail]
9.  *         类的说明：Filter
10.  */
11. object Transform_Filter {
12.   def main(args: Array[String]): Unit = {
13.     // 1.创建执行环境
14.     val env: StreamExecutionEnvironment = StreamExecutionEnvironment.getExecutionEnvironment
15.     env.setParallelism(1)
16.     // 2.读取数据
17.     val listDS: DataStream[List[Int]] = env.fromCollection(
18.       List(
19.         List(1, 2, 3, 4,1, 2, 3, 4),
20.         List(5, 6, 7,1,1,1,1, 2, 3, 4,1, 2, 3, 4),
21.         List(1, 2, 3, 4),
22.         List(5, 6, 7,1,1,1),
23.         List(1, 2, 3, 4),
24.         List(5, 6, 7,1,1,1)
25.       )
26.     )
27.     // true就留下，false就抛弃
28.     listDS.filter(num => {
29.       num.size>5
30.       })
31.       .print("filter")
32.     // 4. 执行
33.     env.execute()
34.   }
35. }

3.3 keyBy


在Spark中有一个GroupBy的算子，用于根据指定的规则将数据进行分组，在flink中也有类似的功能，那就是keyBy，根据指定的key对数据进行分流

• 分流：根据指定的Key将元素发送到不同的分区，相同的Key会被分到一个分区（这里分区指的就是下游算子多个并行节点的其中一个）。keyBy()是通过哈希来分区的

• 参数：Scala匿名函数或POJO属性或元组索引，不能使用数组

• 返回：KeyedStream

1. import org.apache.flink.streaming.api.scala._
2. /**
3.  * description: SourceList
4.  * date: 2020/8/28 19:02
5.  * version: 1.0
6.  *
7.  * @author 阳斌
8.  *         邮箱：[e-mail]
9.  *         类的说明：FlatMap
10.  */
11. object Transform_KeyBy {
12.   def main(args: Array[String]): Unit = {
13.     // 1.创建执行环境
14.     val env: StreamExecutionEnvironment = StreamExecutionEnvironment.getExecutionEnvironment
15.     env.setParallelism(1)
16.     // 2.读取数据
17.     val sensorDS: DataStream[String] = env.readTextFile("input/sensor-data.log")
18.     //3.转换为样例类
19.     val mapDS = sensorDS.map(
20.       lines => {
21.         val datas = lines.split(",")
22.         WaterSensor(datas(0), datas(1).toLong, datas(2).toInt)
23.       }
24.     )
25.     // 4. 使用keyby进行分组
26.     // TODO 关于返回的key的类型：
27.     // 1. 如果是位置索引 或 字段名称 ，程序无法推断出key的类型，所以给一个java的Tuple类型
28.     // 2. 如果是匿名函数 或 函数类 的方式，可以推断出key的类型，比较推荐使用
29.     // *** 分组的概念：分组只是逻辑上进行分组,打上了记号(标签)，跟并行度没有绝对的关系
30.     //      同一个分组的数据在一起（不离不弃）
31.     //      同一个分区里可以有多个不同的组
32.     //        val sensorKS: KeyedStream[WaterSensor, Tuple] = mapDS.keyBy(0)
33.     //    val sensorKS: KeyedStream[WaterSensor, Tuple] = mapDS.keyBy("id")
34.     val sensorKS: KeyedStream[WaterSensor, String] = mapDS.keyBy(_.id)
35.     //    val sensorKS: KeyedStream[WaterSensor, String] = mapDS.keyBy(
36.     //      new KeySelector[WaterSensor, String] {
37.     //        override def getKey(value: WaterSensor): String = {
38.     //          value.id
39.     //        }
40.     //      }
41.     //    )
42.     sensorKS.print().setParallelism(5)
43.     // 4. 执行
44.     env.execute()
45.   }
46.   /**
47.    * 定义样例类：水位传感器：用于接收空高数据
48.    *
49.    * @param id 传感器编号
50.    * @param ts 时间戳
51.    * @param vc 空高
52.    */
53.   case class WaterSensor(id: String, ts: Long, vc: Double)
54. }

3.4 shuffle


• 打乱重组（洗牌）：将数据按照均匀分布打散到下游

• 参数：无

• 返回：DataStream

1. import org.apache.flink.streaming.api.scala._
2. /**
3.  * description: SourceList
4.  * date: 2020/8/28 19:02
5.  * version: 1.0
6.  *
7.  * @author 阳斌
8.  *         邮箱：[e-mail]
9.  *         类的说明：FlatMap
10.  */
11. object Transform_Shuffle {
12.   def main(args: Array[String]): Unit = {
13.     // 1.创建执行环境
14.     val env: StreamExecutionEnvironment = StreamExecutionEnvironment.getExecutionEnvironment
15.     env.setParallelism(1)
16.     // 2.读取数据
17.     val sensorDS: DataStream[String] = env.readTextFile("input/sensor-data.log")
18.     val shuffleDS = sensorDS.shuffle
19.     sensorDS.print("data")
20.     shuffleDS.print("shuffle")
21.     // 4. 执行
22.     env.execute()
23.   }
24. }

3.5. split

在某些情况下，我们需要将数据流根据某些特征拆分成两个或者多个数据流，给不同数据流增加标记以便于从流中取出。

需求：将水位传感器数据按照空高高低（以40cm,30cm为界），拆分成三个流

1. import org.apache.flink.streaming.api.scala._
2. /**
3.  * description: SourceList
4.  * date: 2020/8/28 19:02
5.  * version: 1.0
6.  *
7.  * @author 阳斌
8.  *         邮箱：[e-mail]
9.  *         类的说明：FlatMap
10.  */
11. object Transform_Split {
12.   def main(args: Array[String]): Unit = {
13.     // 1.创建执行环境
14.     val env: StreamExecutionEnvironment = StreamExecutionEnvironment.getExecutionEnvironment
15.     env.setParallelism(1)
16.     // 2.读取数据
17.     val sensorDS: DataStream[String] = env.readTextFile("input/sensor-data.log")
18.     // 3.转换成样例类
19.     val mapDS: DataStream[WaterSensor] = sensorDS.map(
20.       lines => {
21.         val datas: Array[String] = lines.split(",")
22.         WaterSensor(datas(0), datas(1).toLong, datas(2).toInt)
23.       }
24.     )
25.     val splitSS: SplitStream[WaterSensor] = mapDS.split(
26.       sensor => {
27.         if (sensor.vc < 40) {
28.           Seq("normal")
29.         } else if (sensor.vc < 80) {
30.           Seq("Warn")
31.         } else {
32.           Seq("alarm")
33.         }
34.       }
35.     )
36.     // 4. 执行
37.     env.execute()
38.   }
39.   /**
40.    * 定义样例类：水位传感器：用于接收空高数据
41.    *
42.    * @param id 传感器编号
43.    * @param ts 时间戳
44.    * @param vc 空高
45.    */
46.   case class WaterSensor(id: String, ts: Long, vc: Double)
47. }

3.6 select

将数据流进行切分后，如何从流中将不同的标记取出呢，这时就需要使用select算子了。

1. import org.apache.flink.streaming.api.scala._
2. /**
3.  * description: SourceList
4.  * date: 2020/8/28 19:02
5.  * version: 1.0
6.  *
7.  * @author 阳斌
8.  *         邮箱：[e-mail]
9.  *         类的说明：FlatMap
10.  */
11. object Transform_Split {
12.   def main(args: Array[String]): Unit = {
13.     // 1.创建执行环境
14.     val env: StreamExecutionEnvironment = StreamExecutionEnvironment.getExecutionEnvironment
15.     env.setParallelism(1)
16.     // 2.读取数据
17.     val sensorDS: DataStream[String] = env.readTextFile("input/sensor-data.log")
18.     // 3.转换成样例类
19.     val mapDS: DataStream[WaterSensor] = sensorDS.map(
20.       lines => {
21.         val datas: Array[String] = lines.split(",")
22.         WaterSensor(datas(0), datas(1).toLong, datas(2).toInt)
23.       }
24.     )
25.     val splitDS: SplitStream[WaterSensor] = mapDS.split(
26.       sensor => {
27.         if (sensor.vc < 40) {
28.           Seq("info")
29.         } else if (sensor.vc < 80) {
30.           Seq("warn")
31.         } else {
32.           Seq("error")
33.         }
34.       }
35.     )
36.     val errorDS: DataStream[WaterSensor] = splitDS.select("error")
37.     val warnDS: DataStream[WaterSensor] = splitDS.select("warn")
38.     val infoDS: DataStream[WaterSensor] = splitDS.select("info")
39.     infoDS.print("info")
40.     warnDS.print("warn")
41.     errorDS.print("error")
42.     // 4. 执行
43.     env.execute()
44.   }
45.   /**
46.    * 定义样例类：水位传感器：用于接收空高数据
47.    *
48.    * @param id 传感器编号
49.    * @param ts 时间戳
50.    * @param vc 空高
51.    */
52.   case class WaterSensor(id: String, ts: Long, vc: Double)
53. }

3.7 connect


在某些情况下，我们需要将两个不同来源的数据流进行连接，实现数据匹配，比如订单支付和第三方交易信息，这两个信息的数据就来自于不同数据源，连接后，将订单支付和第三方交易信息进行对账，此时，才能算真正的支付完成。

Flink中的connect算子可以连接两个保持他们类型的数据流，两个数据流被Connect之后，只是被放在了一个同一个流中，内部依然保持各自的数据和形式不发生任何变化，两个流相互独立。

1. import org.apache.flink.streaming.api.scala._
2. /**
3.  * description: SourceList
4.  * date: 2020/8/28 19:02
5.  * version: 1.0
6.  *
7.  * @author 阳斌
8.  *         邮箱：[e-mail]
9.  *         类的说明：FlatMap
10.  */
11. object Transform_Connect {
12.   def main(args: Array[String]): Unit = {
13.     // 1.创建执行环境
14.     val env: StreamExecutionEnvironment = StreamExecutionEnvironment.getExecutionEnvironment
15.     env.setParallelism(1)
16.     // 2.读取数据
17.     val sensorDS: DataStream[String] = env.readTextFile("input/sensor-data.log")
18.     // 3.转换成样例类
19.     val mapDS: DataStream[WaterSensor] = sensorDS.map(
20.       lines => {
21.         val datas: Array[String] = lines.split(",")
22.         WaterSensor(datas(0), datas(1).toLong, datas(2).toInt)
23.       }
24.     )
25.     // 4. 从集合中再读取一条流
26.     val numDS: DataStream[Int] = env.fromCollection(List(1, 2, 3, 4, 5, 6))
27.     val resultCS: ConnectedStreams[WaterSensor, Int] = mapDS.connect(numDS)
28.     // coMap表示连接流调用的map，各自都需要一个 function
29.     resultCS.map(
30.       sensor=>sensor.id,
31.       num=>num+1
32.     ).print()
33.     // 4. 执行
34.     env.execute()
35.   }
36.   /**
37.    * 定义样例类：水位传感器：用于接收空高数据
38.    *
39.    * @param id 传感器编号
40.    * @param ts 时间戳
41.    * @param vc 空高
42.    */
43.   case class WaterSensor(id: String, ts: Long, vc: Double)
44. }

3.8 union


对两个或者两个以上的DataStream进行union操作，产生一个包含所有DataStream元素的新DataStream

connect与 union 区别：

1. union之前两个流的类型必须是一样，connect可以不一样

2. connect只能操作两个流，union可以操作多个。

1. import org.apache.flink.streaming.api.scala._
2. /**
3.  * description: SourceList
4.  * date: 2020/8/28 19:02
5.  * version: 1.0
6.  *
7.  * @author 阳斌
8.  *         邮箱：[e-mail]
9.  *         类的说明：FlatMap
10.  */
11. object Transform_Union {
12.   def main(args: Array[String]): Unit = {
13.     // 1.创建执行环境
14.     val env: StreamExecutionEnvironment = StreamExecutionEnvironment.getExecutionEnvironment
15.     env.setParallelism(1)
16.     // 2. 从集合中读取流
17.     val num1DS: DataStream[Int] = env.fromCollection(List(1, 2, 3, 4))
18.     val num2DS: DataStream[Int] = env.fromCollection(List(7, 8, 9, 10))
19.     val num3DS: DataStream[Int] = env.fromCollection(List(17, 18, 19, 110))
20.     // TODO union 真正将多条流合并成一条流
21.     // 合并的流，类型必须一致
22.     // 可以合并多条流，只要类型一致
23.     num1DS.union(num2DS).union(num3DS)
24.       .print()
25.     // 4. 执行
26.     env.execute()
27.   }
28.   /**
29.    * 定义样例类：水位传感器：用于接收空高数据
30.    *
31.    * @param id 传感器编号
32.    * @param ts 时间戳
33.    * @param vc 空高
34.    */
35.   case class WaterSensor(id: String, ts: Long, vc: Double)
36. }

3.9 Operator


Flink作为计算框架，主要应用于数据计算处理上， 所以在keyBy对数据进行分流后，可以对数据进行相应的统计分析

3.9.1 滚动聚合算子（Rolling Aggregation）

这些算子可以针对KeyedStream的每一个支流做聚合。执行完成后，会将聚合的结果合成一个流返回，所以结果都是DataStream

sum()

min()

max()

3.9.2 reduce

一个分组数据流的聚合操作，合并当前的元素和上次聚合的结果，产生一个新的值，返回的流中包含每一次聚合的结果，而不是只返回最后一次聚合的最终结果。

1. import org.apache.flink.streaming.api.scala._
2. /**
3.  * description: SourceList
4.  * date: 2020/8/28 19:02
5.  * version: 1.0
6.  *
7.  * @author 阳斌
8.  *         邮箱：[e-mail]
9.  *         类的说明：Reduce
10.  */
11. object Transform_Reduce {
12.   def main(args: Array[String]): Unit = {
13.     // 1.创建执行环境
14.     val env: StreamExecutionEnvironment = StreamExecutionEnvironment.getExecutionEnvironment
15.     env.setParallelism(1)
16.     // 2.读取数据
17.     val sensorDS: DataStream[String] = env.readTextFile("input/sensor-data.log")
18.     // 3.转换成样例类
19.     val mapDS: DataStream[WaterSensor] = sensorDS.map(
20.       lines => {
21.         val datas: Array[String] = lines.split(",")
22.         WaterSensor(datas(0), datas(1).toLong, datas(2).toInt)
23.       }
24.     )
25.     val sensorKS: KeyedStream[WaterSensor, String] = mapDS.keyBy(_.id)
26.     // 输入的类型一样，输出类型和输出类型也要一样
27.     // 组内的第一条数据，不进入reduce计算
28.     val reduceDS: DataStream[WaterSensor] = sensorKS.reduce(
29.       (ws1, ws2) => {
30.         println(ws1 + "<===>" + ws2)
31.         WaterSensor(ws1.id, System.currentTimeMillis(), ws1.vc + ws2.vc)
32.       }
33.     )
34.     reduceDS.print("reduce")
35.     // 4. 执行
36.     env.execute()
37.   }
38.   /**
39.    * 定义样例类：水位传感器：用于接收空高数据
40.    *
41.    * @param id 传感器编号
42.    * @param ts 时间戳
43.    * @param vc 空高
44.    */
45.   case class WaterSensor(id: String, ts: Long, vc: Double)
46. }

3.9.3process


Flink在数据流通过keyBy进行分流处理后，如果想要处理过程中获取环境相关信息，可以采用process算子自定义实现 1)继承KeyedProcessFunction抽象类，并定义泛型：[KEY, IN, OUT]

class MyKeyedProcessFunction extends KeyedProcessFunction[String, WaterSensor, String]{}

1. 重写方法

1. // 自定义KeyedProcessFunction,是一个特殊的富函数
2.   // 1.实现KeyedProcessFunction，指定泛型：K - key的类型， I - 上游数据的类型， O - 输出的数据类型
3.   // 2.重写 processElement方法，定义 每条数据来的时候 的 处理逻辑
4. /**
5.       * 处理逻辑：来一条处理一条
6.       *
7.       * @param value 一条数据
8.       * @param ctx   上下文对象
9.       * @param out   采集器：收集数据，并输出
10.       */
11.     override def processElement(value: WaterSensor, ctx: KeyedProcessFunction[String, WaterSensor, String]#Context, out: Collector[String]): Unit = {
12.       out.collect("我来到process啦，分组的key是="+ctx.getCurrentKey+",数据=" + value)
13.       // 如果key是tuple，即keyby的时候，使用的是 位置索引 或 字段名称，那么key获取到是一个tuple
14. //      ctx.getCurrentKey.asInstanceOf[Tuple1].f0 //Tuple1需要手动引入Java的Tuple
15.     }

完整代码：

1. import org.apache.flink.streaming.api.functions.KeyedProcessFunction
2. import org.apache.flink.streaming.api.scala._
3. import org.apache.flink.util.Collector
4. /**
5.  * description: SourceList
6.  * date: 2020/8/28 19:02
7.  * version: 1.0
8.  *
9.  * @author 阳斌
10.  *         邮箱：[e-mail]
11.  *         类的说明：Reduce
12.  */
13. object Transform_Process {
14.   def main(args: Array[String]): Unit = {
15.     // 1.创建执行环境
16.     val env: StreamExecutionEnvironment = StreamExecutionEnvironment.getExecutionEnvironment
17.     env.setParallelism(1)
18.     // 2.读取数据
19.     val sensorDS: DataStream[String] = env.readTextFile("input/sensor-data.log")
20.     // 3.转换成样例类
21.     val mapDS: DataStream[WaterSensor] = sensorDS.map(
22.       lines => {
23.         val datas: Array[String] = lines.split(",")
24.         WaterSensor(datas(0), datas(1).toLong, datas(2).toInt)
25.       }
26.     )
27.     //按照ID  进行分组
28.     val sensorKS: KeyedStream[WaterSensor, String] = mapDS.keyBy(_.id)
29.     sensorKS.process(new MyKeyedProcessFunction)
30.     // 4. 执行
31.     env.execute()
32.   }
33.   // 自定义KeyedProcessFunction,是一个特殊的富函数
34.   // 1.实现KeyedProcessFunction，指定泛型：K - key的类型， I - 上游数据的类型， O - 输出的数据类型
35.   // 2.重写 processElement方法，定义 每条数据来的时候 的 处理逻辑
36.   class MyKeyedProcessFunction extends KeyedProcessFunction[String, WaterSensor, String] {
37.     /**
38.      * 处理逻辑：来一条处理一条
39.      *
40.      * @param value 一条数据
41.      * @param ctx   上下文对象
42.      * @param out   采集器：收集数据，并输出
43.      */
44.     override def processElement(value: WaterSensor, ctx: KeyedProcessFunction[String, WaterSensor, String]#Context, out: Collector[String]): Unit = {
45.       out.collect("我来到process啦，分组的key是="+ctx.getCurrentKey+",数据=" + value)
46.       // 如果key是tuple，即keyby的时候，使用的是 位置索引 或 字段名称，那么key获取到是一个tuple
47.       //      ctx.getCurrentKey.asInstanceOf[Tuple1].f0 //Tuple1需要手动引入Java的Tuple
48.     }
49.   }
50.   /**
51.    * 定义样例类：水位传感器：用于接收空高数据
52.    *
53.    * @param id 传感器编号
54.    * @param ts 时间戳
55.    * @param vc 空高
56.    */
57.   case class WaterSensor(id: String, ts: Long, vc: Double)
58. }

4.Sink

Sink有下沉的意思，在Flink中所谓的Sink其实可以表示为将数据存储起来的意思，也可以将范围扩大，表示将处理完的数据发送到指定的存储系统的输出操作


之前我们一直在使用的print方法其实就是一种Sink。

1.   @PublicEvolving
2.     public DataStreamSink<T> print(String sinkIdentifier) {
3.         PrintSinkFunction<T> printFunction = new PrintSinkFunction(sinkIdentifier, false);
4.         return this.addSink(printFunction).name("Print to Std. Out");
5.     }

官方提供了一部分的框架的sink。除此以外，需要用户自定义实现sink

1. 精彩推荐
2. SpringBoot内容聚合IntelliJ IDEA内容聚合Mybatis内容聚合
3. 欢迎长按下图关注公众号后端技术精选