Apache Flink：（一） Flink的主要特点及快速上手WordCount

最近公司上了一个改造项目，本来想用SparkStreaming来解决，但是公司的另一个小伙伴说，上flink吧！
好！就这定了，于是开启了本系列的Flink学习之路。

感谢尚硅谷的开放课程，在此表示最诚挚的敬意！感谢大佬！

Flink简介

Flink 项目的理念是：“Apache Flink 是为分布式、高性能、随时可用以及准确的流处理应用程序打造的开源流处理框架”。
Apache Flink 是一个框架和分布式处理引擎，用于对无界和有界数据流进行有状态计算。Flink 被设计在所有常见的集群环境中运行，以内存执行速度和任意规模来执行计算。
是目前为止，最接近 Google DataFlow 模型的实现。

Flink的主要特点

事件驱动（Event-driven）
基于流的世界观
在大数据的计算中，一般可分为批处理和流处理两大类。但在flink的设计中，一起数据都是由流组成的，只是离线数据是有界的流（批处理），实时数据是一个没有界限的流。这就是所谓的有界流和无界流。
注：在spark的设计中，是基于批的世界观，流也是批，只不过是很小的批。

这种以流为世界观的架构，获得的最大好处就是具有极低的延迟。
无界数据流： 无界数据流有一个开始但是没有结束，它们不会在生成时终止并
提供数据，必须连续处理无界流，也就是说必须在获取后立即处理 event。对于无界数据流我们无法等待所有数据都到达，因为输入是无界的，并且在任何时间点都不会完成。处理无界数据通常要求以特定顺序（例如事件发生的顺序）获取 event，以便能够推断结果完整性。
有界数据流： 有界数据流有明确定义的开始和结束，可以在执行任何计算之前
通过获取所有数据来处理有界流，处理有界流不需要有序获取，因为可以始终对有界数据集进行排序，有界流的处理也称为批处理。
分层API
越顶层越抽象，表达含义越简明，使用月方便
越底层越具体，表达能力越丰富，使用越灵活

最底层级的抽象仅仅提供了有状态流，它将通过过程函数（Process Function）被嵌入到 DataStream API 中。底层过程函数（ Process Function）与 DataStream API 相集成，使其可以对某些特定的操作进行底层的抽象，它允许用户可以自由地处理来自一个或多个数据流的事件，并使用一致的容错的状态。除此之外，用户可以注册事件时间并处理时间回调，从而使程序可以处理复杂的计算。
DataStream API（有界或无界流数据）以及 DataSet API（有界数据集）。这些 API 为数据处理提供了通用的构建模块，比如由用户定义的多种形式的转换（ transformations），连接（ joins），聚合（ aggregations），窗口操作（ windows）等等。DataSet API 为有界数据集提供了额外的支持，例如循环与迭代。这些 API 处理的数据类型以类（ classes）的形式由各自的编程语言所表示。
Table API 是以表为中心的声明式编程，其中表可能会动态变化（在表达流数据时）。Table API 遵循（扩展的）关系模型：表有二维数据结构（ schema）（类似于关系数据库中的表），同时 API 提供可比较的操作，例如 select、project、join、group-by、aggregate 等。Table API 程序声明式地定义了什么逻辑操作应该执行，而不是准确地确定这些操作代码的看上去如何。
尽管 Table API 可以通过多种类型的用户自定义函数（ UDF）进行扩展，其仍不如核心 API 更具表达能力，但是使用起来却更加简洁（代码量更少）。除此之外， Table API 程序在执行之前会经过内置优化器进行优化。
你可以在表与 DataStream/DataSet 之间无缝切换，以允许程序将 Table API 与DataStream 以及 DataSet 混合使用。但目前还不是很成熟，DataStream API 仍然是目前为止使用最多的部分。更多的是使用其做流处理
Flink 提供的最高层级的抽象是 SQL 。这一层抽象在语法与表达能力上与Table API 类似，但是是以 SQL 查询表达式的形式表现程序。SQL 抽象与 Table API 交互密切，同时 SQL 查询可以直接在 Table API 定义的表上执行。

在最底层的api中，可以访问到流的事件、状态、时间等。。。
在使用久了以后就会发现,不管什么时候，都是可以用一个ProcessFunction来解决的。。。

支持多种时间语义
Event Time：事件时间，即数据自带的时间戳
Process Time：处理时间，事件被处理时机器的系统时间，与机器相关
Ingestion Time：事件进入 Flink 的时间

5.Exactly Once的状态一致性保证
6.低延迟大吞吐量
每秒可处理数百万个事件，毫秒级延迟
7.其他
与众多存储系统连接
高可用
动态扩展
可7*24小时运行

flink与SparkStreaming的对比

流（stream）和微批（micro-batching）

数据模型

spark采用的是RDD的模型，SparkStreaming的DStream实际上也是一组小批数据RDD的集合
flink基本数据模型是数据流，以及事件（Event）序列
故一般称SparkStreaming是微批处理，准实时
运行时架构
spark是批计算，将DAG划分为不同的stage，一个完成后才可计算下一个
flink是标准的流执行模式，一个事件在一个节点处理完之后可以直接发往下一个节点进行处理

快速上手WordCount程序

pom文件中，引flink即可，在此不做细致说明了,maven插件略

<dependencies>
<dependency>
<groupId>org.apache.flink</groupId>
<artifactId>flink-scala_2.11</artifactId>
<version>1.7.2</version>
</dependency>
<!-- https://mvnrepository.com/artifact/org.apache.flink/flink-streaming-scala -->
<dependency>
<groupId>org.apache.flink</groupId>
<artifactId>flink-streaming-scala_2.11</artifactId>
<version>1.7.2</version>
</dependency>
</dependencies>

批处理的WordCount

//涉及到隐式转换
import org.apache.flink.api.scala._

// 批处理代码
/**
  * flink的分层api中，在中间那层
  */
object BatchDataSetWordCount {
  def main(args: Array[String]): Unit = {
    // 创建一个批处理的执行环境
    val env = ExecutionEnvironment.getExecutionEnvironment

    // 从文件中读取数据
    val inputPath = "E:\\WorkSpace\\0_top_project\\AggregationProject\\xdf_flink\\src\\main\\resources\\wc_data.txt"
    val inputDataSet = env.readTextFile(inputPath)

    // 分词之后做count
    val wordCountDataSet = inputDataSet.flatMap(_.split(" "))
      .map( (_, 1) ) //
      //Spark中可用reduceBykey,但flink中只有reduceBy,groupBy,没有groupByKey
      .groupBy(0) //用int型数字标志用啥groupBy;.groupBy(_._1)亦可
      .sum(1) //相当于用第二个字段进行sum 其实此处也可以传string(字段的名字)，Fuc(函数)

    // 打印输出
    wordCountDataSet.print()

  }
}

流处理的WordCount

流处理可以对接多种数据源，此处以最简单的netcat手动发送来示例


import org.apache.flink.api.java.utils.ParameterTool
//涉及隐式转换
import org.apache.flink.streaming.api.scala._

/**
  * 使用在cmd中使用nc -lk 7777的形式在本地的7777端口启动一个socket接口，可以输入数据
  */
object StreamWordCount {
  def main(args: Array[String]): Unit = {
      
    // 这是org.apache.flink.api.java.utils;也可不用，直接接受args的参数也可，这种方式可以解析 --host localhost --port 7777的参数
    val params = ParameterTool.fromArgs(args)
    val host: String = params.get("host")
    val port: Int = params.getInt("port")

    // 创建一个流处理的执行环境，注意环境不同！！！此处为流的环境
    val env = StreamExecutionEnvironment.getExecutionEnvironment
//    env.setParallelism(1)
//    env.disableOperatorChaining()

    // 接收socket数据流
    val textDataStream = env.socketTextStream(host, port)

    // 逐一读取数据，分词之后进行wordcount
    val wordCountDataStream = textDataStream.flatMap(_.split("\\s"))
      .filter(_.nonEmpty).startNewChain()
      .map( (_, 1) )
      // flink的DataStream api中，无groupby，要用keyBy
      .keyBy(0)
      .sum(1)

    // 打印输出.setParallelism(1)指定的并行度，下面的输出的3,2其实就是执行在哪个线程上执行。开发环境中默认并行度是当前电脑的CPU核数
    wordCountDataStream.print().setParallelism(3)
    /*
    输出为：
    3> (hello,1)
    2> (world,1)
    前面的数字代表的是任务的并行度，或者是任务执行在哪个线程上
     */
    
    // 执行任务,程序的真正执行
    env.execute("stream word count job")
  }
}

测试时，Windows本使用在cmd中使用nc -lk 7777的形式在本地的7777端口启动一个socket接口，可以输入数据.-l相当于启动一个server，-k表示保持一个状态，可以被多个连接打开。若不加k，一个连接销毁时，nc的这个连接也退出了

集群测试请见下篇

posted @ 2020-09-27 19:45 手心里的宇宙阅读(480) 评论(0) 编辑收藏举报

会员力量，点亮园子希望

刷新页面返回顶部

手心里的宇宙