硬核！一文学完Flink流计算常用算子

[[387138]]

本文转载自微信公众号「五分钟学大数据」，作者园陌。转载本文请联系五分钟学大数据公众号。

直入正题!

Flink和Spark类似，也是一种一站式处理的框架;既可以进行批处理(DataSet)，也可以进行实时处理(DataStream)。

所以下面将Flink的算子分为两大类：一类是DataSet，一类是DataStream。

DataSet

一、Source算子

1. fromCollection

fromCollection：从本地集合读取数据

例：

val env = ExecutionEnvironment.getExecutionEnvironment 
val textDataSet: DataSet[String] = env.fromCollection( 
  List("1,张三", "2,李四", "3,王五", "4,赵六") 
) 

2. readTextFile

readTextFile：从文件中读取：

val textDataSet: DataSet[String]  = env.readTextFile("/data/a.txt") 

3. readTextFile：遍历目录

readTextFile可以对一个文件目录内的所有文件，包括所有子目录中的所有文件的遍历访问方式：

val parameters = new Configuration 
// recursive.file.enumeration 开启递归 
parameters.setBoolean("recursive.file.enumeration", true) 
val file = env.readTextFile("/data").withParameters(parameters) 

4. readTextFile：读取压缩文件

对于以下压缩类型，不需要指定任何额外的inputformat方法，flink可以自动识别并且解压。但是，压缩文件可能不会并行读取，可能是顺序读取的，这样可能会影响作业的可伸缩性。

压缩方法	文件扩展名	是否可并行读取
DEFLATE	.deflate	no
GZip	.gz .gzip	no
Bzip2	.bz2	no
XZ	.xz	no

val file = env.readTextFile("/data/file.gz") 

二、Transform转换算子

因为Transform算子基于Source算子操作，所以首先构建Flink执行环境及Source算子，后续Transform算子操作基于此：

val env = ExecutionEnvironment.getExecutionEnvironment 
val textDataSet: DataSet[String] = env.fromCollection( 
  List("张三,1", "李四,2", "王五,3", "张三,4") 
) 

1. map

将DataSet中的每一个元素转换为另外一个元素：

// 使用map将List转换为一个Scala的样例类 
 
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

将DataSet中的每一个元素转换为0...n个元素：

// 使用flatMap操作，将集合中的数据： 
// 根据第一个元素，进行分组 
// 根据第二个元素，进行聚合求值  
 
val result = textDataSet.flatMap(line => line) 
      .groupBy(0) // 根据第一个元素，进行分组 
      .sum(1) // 根据第二个元素，进行聚合求值 
       
result.print() 

3. mapPartition

将一个分区中的元素转换为另一个元素：

// 使用mapPartition操作，将List转换为一个scala的样例类 
 
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

过滤出来一些符合条件的元素，返回boolean值为true的元素：

val source: DataSet[String] = env.fromElements("java", "scala", "java") 
val filter:DataSet[String] = source.filter(line => line.contains("java"))//过滤出带java的数据 
filter.print() 

5. reduce

可以对一个dataset或者一个group来进行聚合计算，最终聚合成一个元素：

// 使用 fromElements 构建数据源 
val source = env.fromElements(("java", 1), ("scala", 1), ("java", 1)) 
// 使用map转换成DataSet元组 
val mapData: DataSet[(String, Int)] = source.map(line => line) 
// 根据首个元素分组 
val groupData = mapData.groupBy(_._1) 
// 使用reduce聚合 
val reduceData = groupData.reduce((x, y) => (x._1, x._2 + y._2)) 
// 打印测试 
reduceData.print() 

6. reduceGroup

将一个dataset或者一个group聚合成一个或多个元素。

// 使用 fromElements 构建数据源 
val source: DataSet[(String, Int)] = env.fromElements(("java", 1), ("scala", 1), ("java", 1)) 
// 根据首个元素分组 
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) 
    } 
// 打印测试 
result.print() 

7. minBy和maxBy

选择具有最小值或最大值的元素：

// 使用minBy操作，求List中每个人的最小值 
// List("张三,1", "李四,2", "王五,3", "张三,4") 
 
case class User(name: String, id: String) 
// 将List转换为一个scala的样例类 
val text: DataSet[User] = textDataSet.mapPartition(line => { 
      line.map(index => User(index._1, index._2)) 
    }) 
     
val result = text 
          .groupBy(0) // 按照姓名分组 
          .minBy(1)   // 每个人的最小值 

8. Aggregate

在数据集上进行聚合求最值(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 构建数据源 
val input: DataSet[(Int, String, Double)] = env.fromCollection(data) 
// 使用group执行分组操作 
val value = input.groupBy(1) 
            // 使用aggregate求最大值元素 
            .aggregate(Aggregations.MAX, 2)  
// 打印测试 
value.print()       

Aggregate只能作用于元组上

注意：

要使用aggregate，只能使用字段索引名或索引名称来进行分组 groupBy(0) ，否则会报一下错误:

Exception in thread "main" java.lang.UnsupportedOperationException: Aggregate does not support grouping with KeySelector functions, yet.

9. distinct

去除重复的数据：

// 数据源使用上一题的 
// 使用distinct操作，根据科目去除集合中重复的元组数据 
 
val value: DataSet[(Int, String, Double)] = input.distinct(1) 
value.print() 

10. first

取前N个数：

input.first(2) // 取前两个数 

11. join

将两个DataSet按照一定条件连接到一起，形成新的DataSet：

// s1 和 s2 数据集格式如下： 
// DataSet[(Int, String,String, Double)] 
 
 val joinData = s1.join(s2)  // s1数据集 join s2数据集 
             .where(0).equalTo(0) {     // join的条件 
      (s1, s2) => (s1._1, s1._2, s2._2, s1._3) 
    } 

12. leftOuterJoin

左外连接,左边的Dataset中的每一个元素，去连接右边的元素

此外还有：

rightOuterJoin：右外连接,左边的Dataset中的每一个元素，去连接左边的元素

fullOuterJoin：全外连接,左右两边的元素，全部连接

下面以 leftOuterJoin 进行示例：

 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，通过形成这个数据集和其他数据集的笛卡尔积，创建一个新的数据集

和join类似，但是这种交叉操作会产生笛卡尔积，在数据比较大的时候，是非常消耗内存的操作：

val cross = input1.cross(input2){ 
      (input1 , input2) => (input1._1,input1._2,input1._3,input2._2) 
    } 
 
cross.print() 

14. union

联合操作，创建包含来自该数据集和其他数据集的元素的新数据集,不会去重：

val unionData: DataSet[String] = elements1.union(elements2).union(elements3) 
// 去除重复数据 
val value = unionData.distinct(line => line) 

15. rebalance

Flink也有数据倾斜的时候，比如当前有数据量大概10亿条数据需要处理，在处理过程中可能会发生如图所示的状况：

这个时候本来总体数据量只需要10分钟解决的问题，出现了数据倾斜，机器1上的任务需要4个小时才能完成，那么其他3台机器执行完毕也要等待机器1执行完毕后才算整体将任务完成;所以在实际的工作中，出现这种情况比较好的解决方案就是接下来要介绍的—rebalance(内部使用round robin方法将数据均匀打散。这对于数据倾斜时是很好的选择。)

// 使用rebalance操作，避免数据倾斜 
val rebalance = filterData.rebalance() 

16. partitionByHash

按照指定的key进行hash分区：

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

根据指定的key对数据集进行范围分区：

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

根据指定的字段值进行分区的排序：

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)//第一个参数代表按照哪个字段进行分区 
      .mapPartition(line => line) 
      .collect() 
 
println(result) 

三、Sink算子

1. collect

将数据输出到本地集合：

result.collect() 

2. writeAsText

将数据输出到文件

Flink支持多种存储设备上的文件，包括本地文件，hdfs文件等

Flink支持多种文件的存储格式，包括text文件，CSV文件等

// 将数据写入本地文件 
result.writeAsText("/data/a", WriteMode.OVERWRITE) 
 
// 将数据写入HDFS 
result.writeAsText("hdfs://node01:9000/data/a", WriteMode.OVERWRITE) 

DataStream

和DataSet一样，DataStream也包括一系列的Transformation操作。

一、Source算子

Flink可以使用 StreamExecutionEnvironment.addSource(source) 来为我们的程序添加数据来源。

Flink 已经提供了若干实现好了的 source functions，当然我们也可以通过实现 SourceFunction 来自定义非并行的source或者实现 ParallelSourceFunction 接口或者扩展 RichParallelSourceFunction 来自定义并行的 source。

Flink在流处理上的source和在批处理上的source基本一致。大致有4大类：

• 基于本地集合的source(Collection-based-source)
• 基于文件的source(File-based-source)- 读取文本文件，即符合 TextInputFormat 规范的文件，并将其作为字符串返回
• 基于网络套接字的source(Socket-based-source)- 从 socket 读取。元素可以用分隔符切分。
• 自定义的source(Custom-source)

下面使用addSource将Kafka数据写入Flink为例：

如果需要外部数据源对接，可使用addSource，如将Kafka数据写入Flink， 先引入依赖：

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

 

将Kafka数据写入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)) 

基于网络套接字的：

val source = env.socketTextStream("IP", PORT) 

二、Transform转换算子

1. map

将DataSet中的每一个元素转换为另外一个元素：

dataStream.map { x => x * 2 } 

2. FlatMap

采用一个数据元并生成零个，一个或多个数据元。将句子分割为单词的flatmap函数：

dataStream.flatMap { str => str.split(" ") } 

3. Filter

计算每个数据元的布尔函数，并保存函数返回true的数据元。过滤掉零值的过滤器：

dataStream.filter { _ != 0 }

4. KeyBy

逻辑上将流分区为不相交的分区。具有相同Keys的所有记录都分配给同一分区。在内部，keyBy()是使用散列分区实现的。指定键有不同的方法。

此转换返回KeyedStream，其中包括使用被Keys化状态所需的KeyedStream：

dataStream.keyBy(0)  

5. Reduce

被Keys化数据流上的“滚动”Reduce。将当前数据元与最后一个Reduce的值组合并发出新值：

keyedStream.reduce { _ + _ }   

6. Fold

具有初始值的被Keys化数据流上的“滚动”折叠。将当前数据元与最后折叠的值组合并发出新值：

val result: DataStream[String] =  keyedStream.fold("start")((str, i) => { str + "-" + i })  
 
// 解释：当上述代码应用于序列（1,2,3,4,5）时，输出结果“start-1”，“start-1-2”，“start-1-2-3”，... 

7. Aggregations

在被Keys化数据流上滚动聚合。min和minBy之间的差异是min返回最小值，而minBy返回该字段中具有最小值的数据元(max和maxBy相同)：

keyedStream.sum(0); 
 
keyedStream.min(0); 
 
keyedStream.max(0); 
 
keyedStream.minBy(0); 
 
keyedStream.maxBy(0); 

8. Window

可以在已经分区的KeyedStream上定义Windows。Windows根据某些特征(例如，在最后5秒内到达的数据)对每个Keys中的数据进行分组。这里不再对窗口进行详解，有关窗口的完整说明，

dataStream.keyBy(0).window(TumblingEventTimeWindows.of(Time.seconds(5)));  

9. WindowAll

Windows可以在常规DataStream上定义。Windows根据某些特征(例如，在最后5秒内到达的数据)对所有流事件进行分组。

注意：在许多情况下，这是非并行转换。所有记录将收集在windowAll 算子的一个任务中。

dataStream.windowAll(TumblingEventTimeWindows.of(Time.seconds(5))) 

10. Window Apply

将一般函数应用于整个窗口。

注意：如果您正在使用windowAll转换，则需要使用AllWindowFunction。

下面是一个手动求和窗口数据元的函数：

windowedStream.apply { WindowFunction } 
 
allWindowedStream.apply { AllWindowFunction } 

11. Window Reduce

将函数缩减函数应用于窗口并返回缩小的值：

windowedStream.reduce { _ + _ } 

12. Window Fold

将函数折叠函数应用于窗口并返回折叠值：

val result: DataStream[String] = windowedStream.fold("start", (str, i) => { str + "-" + i })  
 
// 上述代码应用于序列（1,2,3,4,5）时，将序列折叠为字符串“start-1-2-3-4-5” 

13. Union

两个或多个数据流的联合，创建包含来自所有流的所有数据元的新流。注意：如果将数据流与自身联合，则会在结果流中获取两次数据元：

dataStream.union(otherStream1, otherStream2, ...) 

14. Window Join

在给定Keys和公共窗口上连接两个数据流：

dataStream.join(otherStream) 
    .where(<key selector>).equalTo(<key selector>) 
    .window(TumblingEventTimeWindows.of(Time.seconds(3))) 
    .apply (new JoinFunction () {...}) 

15. Interval Join

在给定的时间间隔内使用公共Keys关联两个被Key化的数据流的两个数据元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

在给定Keys和公共窗口上对两个数据流进行Cogroup：

dataStream.coGroup(otherStream) 
    .where(0).equalTo(1) 
    .window(TumblingEventTimeWindows.of(Time.seconds(3))) 
    .apply (new CoGroupFunction () {...}) 

17. Connect

“连接”两个保存其类型的数据流。连接允许两个流之间的共享状态：

DataStream<Integer> someStream = ... DataStream<String> otherStream = ... ConnectedStreams<Integer, String> connectedStreams = someStream.connect(otherStream) 
 
// ... 代表省略中间操作 

18. CoMap，CoFlatMap

类似于连接数据流上的map和flatMap：

connectedStreams.map( 
    (_ : Int) => true, 
    (_ : String) => false)connectedStreams.flatMap( 
    (_ : Int) => true, 
    (_ : String) => false) 

19. Split

根据某些标准将流拆分为两个或更多个流：

val split = someDataStream.split( 
  (num: Int) => 
    (num % 2) match { 
      case 0 => List("even") 
      case 1 => List("odd") 
    })       

20. Select

从拆分流中选择一个或多个流：

SplitStream split;DataStream even = split.select("even");DataStream odd = split.select("odd");DataStream all = split.select("even","odd")

三、Sink算子

支持将数据输出到：

• 本地文件(参考批处理)
• 本地集合(参考批处理)
• HDFS(参考批处理)

除此之外，还支持：

• sink到kafka
• sink到mysql
• sink到redis

下面以sink到kafka为例：

val sinkTopic = "test" 
 
//样例类 
case class Student(id: Int, name: String, addr: String, sex: String) 
val mapper: ObjectMapper = new ObjectMapper() 
 
//将对象转换成字符串 
def toJsonString(T: Object): String = { 
    mapper.registerModule(DefaultScalaModule) 
    mapper.writeValueAsString(T) 
} 
 
def main(args: Array[String]): Unit = { 
    //1.创建流执行环境 
    val env = StreamExecutionEnvironment.getExecutionEnvironment 
    //2.准备数据 
    val dataStream: DataStream[Student] = env.fromElements( 
      Student(8, "xiaoming", "beijing biejing", "female") 
    ) 
    //将student转换成字符串 
    val studentStream: DataStream[String] = dataStream.map(student => 
      toJsonString(student) // 这里需要显示SerializerFeature中的某一个，否则会报同时匹配两个方法的错误 
    ) 
    //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") 
}