Flink 01 | 十分钟搭建第一个Flink应用和本地集群
上一篇文章《阿里腾讯华为都在追捧的新一代大数据引擎Flink到底有多牛?》中我对新一代大数据处理引擎Flink做了简单的介绍,包括:批量计算与流式计算的区别、流式计算引擎的重要性,以及Flink相比其他流式计算引擎的优势。因为Flink性能优秀,解决了之前流式计算引擎的痛点,非常适合电商促销、风险控制、异常检测、金融交易等领域,阿里、腾讯、华为、美团、滴滴等大公司为了保证业务的实时性,正在积极将Flink部署在生产环境。Flink是当前大数据界冉冉升起的新星。比起Hadoop和Spark,精通Flink技术的人才相对较少,因此,掌握Flink技术对于转行或跳槽的朋友来说显得越发重要。
本文将带着大家从零开始,在个人电脑上编写并运行第一个Flink程序,在本地构建Flink集群。下一篇文章我将分享一些Flink的基础概念,欢迎大家持续关注我的公众号:ai-xingqiu。
准备工作
项目开始之前,你需要准备:
- JDK 1.8+
- Maven
- Intellij Idea
Flink可以运行在Linux、macOS和Windows上,需要Java 1.8和Maven基础环境。关于Java的安装这里不再赘述,网络上有很多针对不同操作系统的安装配置指南,注意要配置Java的环境变量。Maven是一个项目管理工具,可以对Java或Scala项目进行构建及依赖管理,是进行大数据开发必备的工具。Intellij Idea是一个非常强大的编辑器和开发工具,内置了Maven等一系列小功能,是大数据开发必不可少的利器。Intellij Idea本来是一个商业软件,它提供了社区免费版本,免费版本已经基本能满足绝大多数的开发需求。
熟悉Scala的朋友也可以直接使用Scala。Scala是Spark大数据处理引擎推荐的编程语言,在很多公司,要同时进行Spark和Flink开发。Flink虽然主要基于Java,但这几年对Scala的支持越来越好,其提供的API也与Spark极其相似,开发人员如果使用Scala,几乎可以无缝从Spark和Flink之间转换。
本文将主要介绍Scala版的程序,也会给出Java版程序。
对于想学习大数据的朋友,非常有必要掌握好Java和Scala语言、Maven、Intellij Idea这些基础工具。
Java 环境配置:https://www.runoob.com/java/java-environment-setup.html
Maven 教程:https://www.runoob.com/maven/maven-setup.html
Intellij Idea:https://www.jetbrains.com/idea/
创建Maven项目
熟悉Maven命令行的朋友可以直接使用下面的命令创建一个项目,再使用Intellij Idea打开该项目:
$ mvn archetype:generate \
-DarchetypeGroupId=org.apache.flink \
-DarchetypeArtifactId=flink-quickstart-scala \
-DarchetypeVersion=1.8.1 \
-DgroupId=com.myflink \
-DartifactId=flink-study-scala \
-Dversion=.1 \
-Dpackage=quickstart \
-DinteractiveMode=false
archetype是Maven提供的一种项目模板,是别人提前准备好了项目的结构框架,程序员只需要下载下来,在这个框架或模板下丰富完善自己项目所涉及的代码逻辑。流行项目一般都准备好了archetype,如Spring、Hadoop等。
不熟悉Maven的朋友可以先使用Intellij Idea内置的Maven工具,熟悉Maven的朋友可直接跳过下面这部分。
在Intellij Idea中创建新工程
在Intellij里"File -> New -> Project..."
添加Maven项目
选择左侧的"Maven",并勾选“Create from archetype”,并点击右侧“Add Archetype”。
添加archetype
在弹出的对话框中填写archetype信息。其中GroupId为org.apache.flink
,ArtifactId为flink-quickstart-scala
,Version为1.8.1,
然后点击"OK"。这一步主要是告诉Maven去网络的资源库中下载哪个版本的模板。"GroupId + ArtifactId + Version"可以唯一表示一个发布出来的Java程序包。
配置好后,进入点击"Next"进入下一步。
配置你的项目信息
这一步是建立你自己的工程,GroupId是你的公司部门名称(可以随意填写),ArtifactId是你这个程序发布时的Jar包名,Version是你的程序的版本。这些配置主要是二手游戏拍卖平台地图区别不同公司所发布的不同包,这与Maven和版本控制相关,Maven的教程中都会介绍这些概念,这里也不赘述。
项目位置
接下来可以继续"Next",注意最后一步选择你的项目所在的磁盘位置,点击确定,一个Flink模板程序就下载好了。
项目结构
项目结构如上图所示。左侧的导航栏是项目结构,其中src/main/scala
文件夹已经准备好了两个样例程序。我们可以在StreamingJob这个文件上继续修改,也可以重新创建一个新文件。注意要点击右下角的"Import Changes",让Maven导入所依赖的包。
第一次使用Scala的朋友可能还需配置Scala SDK,可根据Intellij Idea的提示配置,不用自己再另行下载安装。
编写 Flink 程序
我们在StreamingJob这个文件基础上,继续丰富这份代码,编写第一个流式WordCount程序。
首先要设置Flink的执行环境,这里类似Spark的SparkContext:
// 创建 Flink 执行环境
val env = StreamExecutionEnvironment.getExecutionEnvironment
然后读取本地端口为9000的socket数据源,将数据源命名为textStream
:
// 接收socket的输入流
// 使用本地9000端口,如端口被占用可换一个端口
val textStream = env.socketTextStream("localhost", 9000, '\n')
使用Flink算子处理这个数据流:
// 使用Flink算子对输入流的文本进行操作
// 按空格切词、计数、分区、设置时间窗口、聚合
val windowWordCount = textStream
.flatMap(line => line.split("\\s"))
.map(word => (word, 1))
.keyBy()
.timeWindow(Time.seconds(5))
.sum(1)
这里使用的是Flink提供的DataStream级别的API,主要包括转换、分组、窗口和聚合等算子。算子(Operator)是对数据进行的某种操作。熟悉Spark的朋友可以看出,Flink算子与Spark算子极其相似,无需太多学习成本。
假设输入数据是一行英文语句,flatMap
将这行语句按空格切词,map
将每个单词计数1次,这两个操作与Spark的算子基本一致。keyBy
对数据流进行分区,将数据按照某个key分到不同的partition上,这里使用(word, count)
中的第一个元素word作为key进行分区。timeWindow
创建一个时间窗口,sum
是求和操作。在这个例子中,每5秒对数据流进行一次求和。
最后将数据流打印,并开始执行:
// 单线程打印结果
windowWordCount.print().setParallelism(1)
env.execute("Socket Window WordCount")
env.execute
是启动Flink作业所必需的,只有在execute()
被调用时,之前调用的各个算子才会在提交到集群上或本地计算机上执行。
完整代码如下:
import org.apache.flink.streaming.api.scala._
import org.apache.flink.streaming.api.windowing.time.Time
object StreamingJob {
def main(args: Array[String]) {
// 创建 Flink 执行环境
val env = StreamExecutionEnvironment.getExecutionEnvironment
// 接收socket的输入流
// 使用本地9000端口,如端口被占用可换一个端口
val textStream = env.socketTextStream("localhost", 9000, '\n')
// 使用Flink算子对输入流的文本进行操作
// 按空格切词、计数、分组、设置时间窗口、聚合
val windowWordCount = textStream
.flatMap(line => line.split("\\s"))
.map(word => (word, 1))
.keyBy()
.timeWindow(Time.seconds(5))
.sum(1)
// 单线程打印结果
windowWordCount.print().setParallelism(1)
env.execute("Socket Window WordCount")
}
}
Java版本的程序:
import org.apache.flink.api.common.functions.FlatMapFunction;
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.windowing.time.Time;
import org.apache.flink.util.Collector;
public class StreamingWordCount {
public static void main(String[] args) throws Exception {
// 创建 Flink 执行环境
final StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
// 接收socket的输入流
// 使用本地9000端口,如端口被占用可换一个端口
DataStream<String> text = env.socketTextStream("localhost", 9000, "\n");
// 使用Flink算子对输入流的文本进行操作
// 按空格切词、计数、分组、设置时间窗口、聚合
DataStream<Tuple2<String, Integer>> windowCounts = text
.flatMap(new FlatMapFunction<String, Tuple2<String, Integer>>() {
@Override
public void flatMap(String value, Collector<Tuple2<String, Integer>> out) {
for (String word : value.split("\\s")) {
out.collect(Tuple2.of(word, 1));
}
}
})
.keyBy(