文章目录
说明
- 本博客每周五更新一次。
- flink数据处理过程分为三部分:DataSource、Transformation、DataSink,分别处理数据的接入、处理和输出,由于处理部分内容较多,下次分享,本文只介绍数据接入和数据输出。
DataSource 数据接入
内置数据源
文件
- 可以直接读取文件,也可指定csvInputFormat读取文件。
env.readTextFile("/user/local/data_example.log")
env.readFile(new CsvInputFormat(new Path("/user/local/data_example.csv")))
- readFile方法可以指定读取类型(WatchType),检测文件变换时间间隔(interval)、文件路径过滤条件(FilePathFilter)等参数。
- WatchType分为两中类型
- PROCESS_CONTINUOUSLY:一旦检测文件发生变化,Flink会将该文件全部内容加载到Flink系统中进行处理。
- PROCESS_ONCE:文件发生变化时,只会将变化的数据读取至Flink,这种情况,数据只会被读取和处理一次。
socket
- StreamExecutionEnvironment调用socketTextStream方法,参数设定ip和端口、字符串切割符、和最大重试次数(0时不会重试)。
env.socketTextStream("localhost","9999");
flink集合数据源
- 直接将Java或Scala程序中集合类(Collection)转换为DataStream数据集。注意:集合内元素的数据类型必须一致。
//元素集合
val dataStream=env.fromElements(Tuple2(1L,3L),Tuple2(1L,5L),Tuple2(1L,7L),Tuple2(1L,4L),Tuple2(1L,2L));
//数组
String[] elements=new String[]{
"hello","flink"};
DataStream<String> dataStream=new env.fromCollection(Arrays.asList(elements));
//集合
List<String> arrayList=new ArrayList<>();
arrayList.add("hello flink");
DataStream<String> dataList=env.fromCollection(arrayList);
第三方数据源
- 主要依赖于第三方数据源连接器(Connecter)实现。
kafka Connector
- 导包
<dependency>
<groupId>org.apache.flink</groupId>
<artifactId>flink-connector-kafka_2.12</artifactId>
<version>1.12.2</version>
</dependency>
- java代码
Properties props = new Properties();
props.put("bootstrap.servers", "localhost:9092");
props.setProperty("group.id", "flink-group");
//数据源
String topic="test-topic";
@SuppressWarnings("deprecation")
FlinkKafkaConsumer<String> consumer = new FlinkKafkaConsumer<>(topic, new SimpleStringSchema(), props);
- 自定义schema实现传入数据转换为定制结构,主要实现Deserializaion
Schema接口来实现- deserialize():完成数据从byte[]数据类型转化为SourceEvent的反序列化操作。
- GetProducedType():将数据类型转换成Flink系统所支持的数类型,如下实例的TypeInformation
public class SourceEventSchema implements DeserializationSchema<SourceEvent>{
private static final log serialVersionUID=6151800L;
@Override
public SourceEvnet deserialize(byte[] message)throws IOException{
return SourceEvent.fromString(new String(message));
}
@Override
public boolean isEndOfStream(SourceEvent nextElement){
return false;
}
@Override
public TypeInformation<SourceEvent> getProducedType(){
return TypeInformation.of(SourceEvent.class)
}
}
解析类
-
KeyedDeserializationSchema
- deserialize()定义了T deserialize(byte[] messageKey,byte[] message,String topic,int partition,long offset)
-
TypeInformationSerializationSchema
-
JsonDeserializationSchema
-
AvroDeserializationSchema
自定义数据源连接器
- 定义完DataSource后,可通过使用SteamExecutionEnvironment的addSources方法添加数据源。定义各类DataSource方法如下:
单线程数据源连接器
- 实现SourceFunction
并发数据源连接器
- ParallelSourceFunction接口
- RichParallelSourceFunction类
DataSink 数据输出
- 经过各种数据transformation后形成需要的数据集,一般会将结果输出到外部存储介质或下游的消息中间件,flink中将DataStream数据输出到外部系统的过程定义为DataSink。Flink内部定义的第三方外部系统连接器当前有:Kafka、Cassandra、Kinesis、Elasticsearch、hadoop FileSystem、RabbitMQ、NIFI等。
基本输出类型
- 基本数据输出包含文件输出、客户端输出、socket网络端口等。实例代码如下:
val personStream = env.fromElements(("Alex",18),("Peter",43))
//通过writeAsCsv方法将数据转换为CSV文件输出,并执行输出模式为OVERWRITE
personStream.writeAsCsv("file:///path/to/person.csv",WriteMode.OVERWRITE)
//通过writeAsText方法将数据直接输出到本地文件系统
personStream.writeAsText("file:///path/to/person.txt")
//通过writeToSocket方法将DataStream数据集输出到指定socket端口
personStream.writeToSocket(outputHost,outputPort,new SimpleStringSchema())
第三放输出类型
- Flink体统了DataSink类操作算子处理数据的输出,所有的数据输出都基于实现SinkFunction完成定义。如Flink中定义FlinkKafkaProducer来完成将数据输出到Kafka的操作。
总结
- 通过学习和理解大型项目,借鉴其中精华,越来越发觉设计对于项目开发的重要性,根据需求确定功能模块,然后抽象各个模块的功能再实现,所有项目都基于这样的思想和讨论,这就是面向对象编码在项目架构上的实际应用。
- 加油,好好学习,天天向上。