Flink基本的API(续)
上一篇介绍了编写 Flink 程序的基本步骤,以及一些常见 API,如:map、filter、keyBy 等,重点介绍了 keyBy 方法。本篇将继续介绍 Flink 中常用的 API,主要内容为
- 指定 transform 函数
- Flink 支持的数据类型
- 累加器
指定 transform 函数
许多 transform 操作需要用户自定义函数来实现,Flink 支持多种自定义 transform 函数,接下来一一介绍。
实现接口
/** * 实现 MapFunction 接口 * 其中泛型的第一 String 代表输入类型,第二个 Integer 代表输出类型 */ class MyMapFunction implements MapFunction<String, Integer> { @Override public Integer map(String value) { return Integer.parseInt(value); } } //使用 transform 函数 data.map(new MyMapFunction());
匿名类
data.map(new MapFunction<String, Integer> () { public Integer map(String value) { return Integer.parseInt(value); } });
匿名类是 Java 语言定义的语法,与 “实现接口” 的方式一样,只不过不需要显示定义子类。这种方式比 “实现接口” 更常见一些。
Java 8 Lambda 表达式
data.map(s -> Integer.parseInt(s)); //或者 data.map(Integer::parseInt);
Java 8 支持 Lambda 表达式,用法与 Scala 语法很像, 写起来简洁,并且容易维护,推荐使用这种方式。
rich function
顾名思义,比普通的 transform 函数要更丰富,额外提供了 4 个方法:open、close、getRuntimeContext 和 setRuntimeContext。它们可以用来创建/初始化本地状态、访问广播变量、访问累加器和计数器等。感觉有点像 Hadoop 中的 Mapper 或者 Reducer 类。实现上,可以使用自定义类继承 RichMapFunction 类的方式
/** * 与实现 MapFunction 接口类似,这里是继承了 RichMapFunction 类 * 同时可以实现父类更多的方法 */ class MyRichMapFunction extends RichMapFunction<String, Integer> { @Override public void open(Configuration parameters) throws Exception { super.open(parameters); } @Override public RuntimeContext getRuntimeContext() { return super.getRuntimeContext(); } @Override public void setRuntimeContext(RuntimeContext t) { super.setRuntimeContext(t); } @Override public Integer map(String value) throws Exception { return Integer.parseInt(value); } @Override public void close() throws Exception { super.close(); } } data.map(new MyRichMapFunction());
也可以使用匿名类的方式
data.map (new RichMapFunction<String, Integer>() { @Override public void open(Configuration parameters) throws Exception { super.open(parameters); } @Override public RuntimeContext getRuntimeContext() { return super.getRuntimeContext(); } @Override public void setRuntimeContext(RuntimeContext t) { super.setRuntimeContext(t); } @Override public Integer map(String value) { return Integer.parseInt(value); } @Override public void close() throws Exception { super.close(); } });
如果在 rich function 中需要写较多的业务,那么用匿名类的方式并不简洁,并且可读性差。
Flink支持的数据类型
目前 Flink 支持 6 种数据类型
- Java Tuple 和 Scala Case Class
- Java POJO
- 原子类型
- 普通类
- Values
- Hadoop Writable 类型
- 特殊类
Java Tuple 和 Scala Case Class
Tuple (元组)是一个混合类型,包含固定数量的属性,并且每个属性类型可以不同。例如:二元组有 2 个属性,类名为 Tuple2;三元组有 3 个属性,类名为 Tuple3,以此类推。Java 支持的元组为 Tuple1 - Tuple25。访问属性可以通过属性名直接访问,如:tuple.f4 代表 tuple 的第 5 个属性。或者使用 tuple.getField(int position) 方法,参数 position 从 0 开始。
/** * Tuple2 二元组作为 DataStream 的输入类型 */ DataStream<Tuple2<String, Integer>> wordCounts = env.fromElements( new Tuple2<String, Integer>("hello", 1), new Tuple2<String, Integer>("world", 2)); wordCounts.map(new MapFunction<Tuple2<String, Integer>, Integer>() { @Override public Integer map(Tuple2<String, Integer> value) throws Exception { return value.f1; } });
Java POJO
POJO(Plain Ordinary Java Object) 叫做简单的 Java 对象。满足以下条件的 Java 或 Scala 类会被 Flink 看做 POJO 类型
- 类必须是 public
- 必须有一个 public 修饰的无参构造方法(默认构造器)
- 所有属性必须是 public 修饰或者通过 getter 和 setter 方法可以访问到
- 属性类型必须也是 Flink 支持的,Flink 使用 avro 对其序列化
POJO 类型更易使用,且 Flink 更高效地处理 POJO 类型的数据。
public class WordWithCount { public String word; public int count; public WordWithCount() {} public WordWithCount(String word, int count) { this.word = word; this.count = count; } } DataStream<WordWithCount> wordCounts = env.fromElements( new WordWithCount("hello", 1), new WordWithCount("world", 2));
原子类型
Flink 支持 Java 和 Scala 中所有的原子类型,例如: Integer、String 和 Double 等。
普通类
不是 POJO 类型的类都会被 Flink 看做是普通的类类型。Flink 将它们视为黑盒且不会访问它们的内容,普通类类型使用 Kryo 进行序列化与反序列化。这里是第二次提到序列化与反序列化,简单解释下这个概念。因为在分布式计算的系统中,不可避免要在不同机器之间传输数据,因此为了高效传输数据且在不同语言之间互相转化,需要通过某种协议(protobuf、kryo、avro、json)将对象转化成另外一种形式(序列化),其他机器接到序列化的数据后再转化成之前的对象(反序列化)就可以正常使用了。
Values
不同于一般的序列化框架,Values 类型通过实现 org.apache.flinktypes.Value 接口里的 write 和 read 方法,实现自己的序列化和反序列化逻辑。当一般的序列化框架不够高效的时候,可以使用 Values 类型。例如:对于一个用数组存储的稀疏向量。由于数组大多数元素为 0 ,可以仅对非 0 元素进行特殊编码,而一般的序列化框架会对所有元素进行序列化操作。
Flink 已经预定义了几种 Value 类型与基本数据类型相对应。如:ByteValue, ShortValue, IntValue, LongValue, FloatValue, DoubleValue, StringValue, CharValue, BooleanValue。这些 Value 类型可以看做是基本数据类型的变体,他们的值是可变的,允许程序重复利用对象,减轻 GC 的压力。例如:Java 基本数据类型 String 是不可变的,但是 Flink 的 StringValue 类型是可变的。
Flink 定义的 Value 类型与 Hadoop Writable 类型相似,本质都是通过改进基本数据类型的缺点,提供系统整体性能。
Hadoop Writable
Hadoop Writable 类型也是手动实现了比较高效的序列化与反序列化的逻辑。Value 类型实现了 org.apache.finktypes.Value 接口,而 Hadoop Writable 类型实现了 org.apache.hadoop.Writable 接口,该接口定义了 write 和 readFields 方法用来手动实现序列化与反序列化逻辑。
特殊类型
特殊类型包括 Scala 中的 Either, Option, and Try 类型,以及 Java API 中的 Either 类型。
累加器
累加器可以通过 add 操作,对程序中的某些状态或者操作进行计数,job 结束后会返回计数的结果。累加器可以用来调试或者记录信息。
可以自定义累加器,需要实现 Accumulator 接口,当然 Flink 提供了两种内置的累加器
- IntCounter, LongCounter 和 DoubleCounter
- Histogram:统计分布
使用累加器的步骤如下:
在 transform 函数中定义累加器对象
private IntCounter numLines = new IntCounter();
注册累加器对象,可以在 rich function 的 open 方法进行
getRuntimeContext().addAccumulator("num-lines", this.numLines);
在任何需要统计的地方使用累加器
this.numLines.add(1);
获取累加器结果
myJobExecutionResult.getAccumulatorResult("num-lines")
Job 结束后,累加器的最终值存储在 JobExecutionResult
对象中,可以通过 execute 方法返回值来获取 JobExecutionResult
对象。但是对于批处理无法使用调用这个方法(官网没有提到),可以通过 env.getLastJobExecutionResult 方法获取。下面是使用累加器的完整示例
public static void main(String[] args) throws Exception { // set up the batch execution environment final ExecutionEnvironment env = ExecutionEnvironment.getExecutionEnvironment(); DataSet<String> data = env.readTextFile("你的输入路径"); //使用 rich function transform 函数 DataSet<Integer> dataSet = data.map(new MyRichMapFunction()); // 执行程序 dataSet.collect(); // 获得 job 的结果 JobExecutionResult jobExecutionResult = env.getLastJobExecutionResult(); int res = jobExecutionResult.getAccumulatorResult("num-lines"); // 输出累加器的值 System.out.println(res); } // 自定义 rich function /** * 与实现 MapFunction 接口类似,这里是继承了 RichMapFunction 类 * 同时可以实现父类更多的方法 */ class MyRichMapFunction extends RichMapFunction<String, Integer> { /** * 定义累加器 */ private IntCounter numLines = new IntCounter(); @Override public void open(Configuration parameters) throws Exception { // 注册累加器 getRuntimeContext().addAccumulator("num-lines", this.numLines); } @Override public Integer map(String value) throws Exception { // 累加器自增,记录处理的行数 this.numLines.add(1); return Integer.parseInt(value); } }
总结
Flink 基本 API 的使用介绍完了,本篇主要介绍了自定义的 transform 函数、Flink 支持的数据类型和累加器。后续会详细介绍 Flink 的原理、机制以及编程模型。
欢迎关注公众号「渡码」