Flink快速入门
第1章针对Flink的基本原理、架构和组件进行了分析,本章开始快速实现一个Flink的入门案例,这样可以加深对之前内容的理解。
2.1 Flink开发环境分析
2.1.1 开发工具推荐
在实战之前,需要先说明一下开发工具的问题。官方建议使用IntelliJ IDEA,因为它默认集成了Scala和Maven环境,使用更加方便,当然使用Eclipse也是可以的。
开发Flink程序时,可以使用Java或者Scala语言,个人建议使用Scala,因为使用Scala实现函数式编程会比较简洁。当然使用Java也可以,只不过实现起来代码逻辑比较笨重罢了。
在开发Flink程序的时候,建议使用Maven管理依赖。针对Maven仓库,建议使用国内镜像仓库地址,因为国外仓库下载较慢,可以使用国内阿里云的Maven仓库。
注意:如果发现依赖国内源无法下载的时候,记得切换回国外源。利用国内阿里云Maven仓库镜像进行相关配置时,需要修改$Maven_HOME/conf/settings.xml文件。
<mirror>
<id>aliMaven</id>
<name>aliyun Maven</name>
<url>http://Maven.aliyun.com/nexus/content/groups/public/</url>
<mirrorOf>central</mirrorOf>
</mirror>
2.1.2 Flink程序依赖配置
在使用Maven管理Flink程序相关依赖的时候,需要提前将它们配置好。对应的Maven项目创建完成以后,也需要在这个项目的pom.xml文件中进行相关配置。
使用Java语言开发Flink程序的时候需要添加以下配置。
注意:在这里使用的Flink版本是1.6.1。如果使用的是其他版本,需要到Maven仓库中查找对应版本的Maven配置。
<dependency>
<groupId>org.apache.flink</groupId>
<artifactId>flink-java</artifactId>
<version>1.6.1</version>
<scope>provided</scope>
</dependency>
<dependency>
<groupId>org.apache.flink</groupId>
<artifactId>flink-streaming-java_2.11</artifactId>
<version>1.6.1</version>
<scope>provided</scope>
</dependency>
使用Scala语言开发Flink程序的时候需要添加下面的配置。
<dependency>
<groupId>org.apache.flink</groupId>
<artifactId>flink-scala_2.11</artifactId>
<version>1.6.1</version>
<scope>provided</scope>
</dependency>
<dependency>
<groupId>org.apache.flink</groupId>
<artifactId>flink-streaming-scala_2.11</artifactId>
<version>1.6.1</version>
<scope>provided</scope>
</dependency>
注意:在IDEA等开发工具中运行代码的时候,需要把依赖配置中的scope属性注释掉。在编译打JAR包的时候,需要开启scope属性,这样最终的JAR包就不会把这些依赖包也包含进去,因为集群中本身是有Flink的相关依赖的。
2.2 Flink程序开发步骤
开发Flink程序有固定的流程。
(1)获得一个执行环境。
(2)加载/创建初始化数据。
(3)指定操作数据的Transaction算子。
(4)指定计算好的数据的存放位置。
(5)调用execute()触发执行程序。
注意:Flink程序是延迟计算的,只有最后调用execute()方法的时候才会真正触发执行程序。
延迟计算的好处:你可以开发复杂的程序,Flink会将这个复杂的程序转成一个Plan,并将Plan作为一个整体单元执行!
在这里,提前创建一个Flink的Maven项目,起名为FlinkExample,效果如图2.1所示。
图2.1 项目目录
后面的Java代码全部存放在src/main/Java目录下,Scala代码全部存放在src/main/Scala目录下,流计算相关的代码存放在对应的streaming目录下,批处理相关的代码则存放在对应的batch目录下。
2.3 Flink流处理(Streaming)案例开发
需求分析:通过Socket手工实时产生一些单词,使用Flink实时接收数据,对指定时间窗口内(如2s)的数据进行聚合统计,并且把时间窗口内计算的结果打印出来。
2.3.1 Java代码开发
首先添加Java代码对应的Maven依赖,参考2.1.2节的内容。注意,在下面的代码中,我们会创建一个WordWithCount类,这个类主要是为了方便统计每个单词出现的总次数。
需求:实现每隔1s对最近2s内的数据进行汇总计算。
分析:通过Socket模拟产生单词,使用Flink程序对数据进行汇总计算。
代码实现如下。
package xuwei.tech.streaming;
import org.apache.Flink.api.common.functions.FlatMapFunction;
import org.apache.Flink.api.Java.utils.ParameterTool;
import org.apache.Flink.contrib.streaming.state.RocksDBStateBackend;
import org.apache.Flink.runtime.state.filesystem.FsStateBackend;
import org.apache.Flink.runtime.state.memory.MemoryStateBackend;
import org.apache.Flink.streaming.api.DataStream.DataStream;
import org.apache.Flink.streaming.api.DataStream.DataStreamSource;
import org.apache.Flink.streaming.api.environment.StreamExecutionEnvironment;
import org.apache.Flink.streaming.api.windowing.time.Time;
import org.apache.Flink.util.Collector;
/**
* 单词计数之滑动窗口计算
*
* Created by xuwei.tech
*/
public class SocketWindowWordCountJava {
public static void main(String[] args) throws Exception{
//获取需要的端口号
int port;
try {
ParameterTool parameterTool = ParameterTool.fromArgs(args);
port = parameterTool.getInt("port");
}catch (Exception e){
System.err.println("No port set. use default port 9000--Java");
port = 9000;
}
//获取Flink的运行环境
StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
String hostname = "hadoop100";
String delimiter = "\n";
//连接Socket获取输入的数据
DataStreamSource<String> text = env.socketTextStream(hostname, port, delimiter);
// a a c
// a 1
// a 1
// c 1
DataStream<WordWithCount> windowCounts = text.flatMap(new FlatMapFunction
<String, WordWithCount>() {
public void flatMap(String value, Collector<WordWithCount> out) throws
Exception {
String[] splits = value.split("\\\s");
for (String word : splits) {
out.collect(new WordWithCount(word, 1L));
}
}
}).keyBy("word")
.timeWindow(Time.seconds(2), Time.seconds(1))//指定时间窗口大小为2s,指定时间间隔为1s
.sum("count");//在这里使用sum或者reduce都可以
/*.reduce(new ReduceFunction<WordWithCount>() {
public WordWithCount reduce(WordWithCount a,
WordWithCount b) throws Exception {
return new WordWithCount(a.word,a.count+b.count);
}
})*/
//把数据打印到控制台并且设置并行度
windowCounts.print().setParallelism(1);
//这一行代码一定要实现,否则程序不执行
env.execute("Socket window count");
}
public static class WordWithCount{
public String word;
public long count;
public WordWithCount(){}
public WordWithCount(String word,long count){
this.word = word;
this.count = count;
}
@Override
public String toString() {
return "WordWithCount{" +
"word='" + word + '\'' +
", count=" + count +
'}';
}
}
}
2.3.2 Scala代码开发
首先添加Scala代码对应的Maven依赖,参考2.1.2节的内容。在这里通过case class的方式在Scala中创建一个类。
需求:实现每隔1s对最近2s内的数据进行汇总计算。
分析:通过Socket模拟产生单词,使用Flink程序对数据进行汇总计算。
代码实现如下。
package xuwei.tech.streaming
import org.apache.Flink.api.Java.utils.ParameterTool
import org.apache.Flink.streaming.api.Scala.StreamExecutionEnvironment
import org.apache.Flink.streaming.api.windowing.time.Time
/**
* 单词计数之滑动窗口计算
*
* Created by xuwei.tech
*/
object SocketWindowWordCountScala {
def main(args: Array[String]): Unit = {
//获取Socket端口号
val port: Int = try {
ParameterTool.fromArgs(args).getInt("port")
}catch {
case e: Exception => {
System.err.println("No port set. use default port 9000--Scala")
}
9000
}
//获取运行环境
val env: StreamExecutionEnvironment = StreamExecutionEnvironment.getExecutionEnvironment
//连接Socket获取输入数据
val text = env.socketTextStream("hadoop100",port,'\n')
//解析数据(把数据打平),分组,窗口计算,并且聚合求sum
//注意:必须要添加这一行隐式转行,否则下面的FlatMap方法执行会报错
import org.apache.Flink.api.Scala._
val windowCounts = text.flatMap(line => line.split("\\\s"))//打平,把每一行单词都切开
.map(w => WordWithCount(w,1))//把单词转成word , 1这种形式
.keyBy("word")//分组
.timeWindow(Time.seconds(2),Time.seconds(1))//指定窗口大小,指定间隔时间
.sum("count");// sum或者reduce都可以
//.reduce((a,b)=>WordWithCount(a.word,a.count+b.count))
//打印到控制台
windowCounts.print().setParallelism(1);
//执行任务
env.execute("Socket window count");
}
case class WordWithCount(word: String,count: Long)
}
2.3.3 执行程序
在前面的案例代码中指定hostname为hadoop100,port默认为9000,表示流处理程序默认监听这个主机的9000端口。因此在执行程序之前,需要先在hadoop100这个节点上面监听这个端口,通过执行下面命令实现。
[[email protected] soft]# nc -l 9000
a
b
a
然后在IDEA中运行编写完成的程序代码,结果如下。
WordWithCount{word='a', count=1}
WordWithCount{word='b', count=1}
WordWithCount{word='a', count=2}
WordWithCount{word='b', count=1}
WordWithCount{word='a', count=1}
2.4 Flink批处理(Batch)案例开发
前面使用Flink实现了一个典型的流式计算案例,下面来看一下Flink的另一个应用场景——Batch离线批处理。
2.4.1 Java代码开发
需求:统计一个文件中的单词出现的总次数,并且把结果存储到文件中。
Java代码实现如下。
package xuwei.tech.batch;
import org.apache.Flink.api.common.functions.FlatMapFunction;
import org.apache.Flink.api.Java.DataSet;
import org.apache.Flink.api.Java.ExecutionEnvironment;
import org.apache.Flink.api.Java.operators.DataSource;
import org.apache.Flink.api.Java.tuple.Tuple2;
import org.apache.Flink.util.Collector;
/**
*单词计数之离线计算
*
* Created by xuwei.tech
*/
public class BatchWordCountJava {
public static void main(String[] args) throws Exception{
String inputPath = "D:\\\data\\\file";
String outPath = "D:\\\data\\\result";
//获取运行环境
ExecutionEnvironment env = ExecutionEnvironment.getExecutionEnvironment();
//获取文件中的内容
DataSource<String> text = env.readTextFile(inputPath);
DataSet<Tuple2<String, Integer>> counts = text.flatMap(new Tokenizer()).groupBy(0).sum(1);
counts.writeAsCsv(outPath,"\n"," ").setParallelism(1);
env.execute("batch word count");
}
public static class Tokenizer implements FlatMapFunction<String,Tuple2<String,
Integer>>{
public void flatMap(String value, Collector<Tuple2<String, Integer>> out)
throws Exception {
String[] tokens = value.toLowerCase().split("\\\W+");
for (String token: tokens) {
if(token.length()>0){
out.collect(new Tuple2<String, Integer>(token,1));
}
}
}
}
}
2.4.2 Scala代码开发
需求:统计一个文件中的单词出现的总次数,并且把结果存储到文件中。
Scala代码实现如下。
package xuwei.tech.batch
import org.apache.Flink.api.Scala.ExecutionEnvironment
/**
* 单词计数之离线计算
* Created by xuwei.tech
*/
object BatchWordCountScala {
def main(args: Array[String]): Unit = {
val inputPath = "D:\\\data\\\file"
val outPut = "D:\\\data\\\result"
val env = ExecutionEnvironment.getExecutionEnvironment
val text = env.readTextFile(inputPath)
//引入隐式转换
import org.apache.Flink.api.Scala._
val counts = text.flatMap(_.toLowerCase.split("\\\W+"))
.filter(_.nonEmpty)
.map((_,1))
.groupBy(0)
.sum(1)
counts.writeAsCsv(outPut,"\n"," ").setParallelism(1)
env.execute("batch word count")
}
}
2.4.3 执行程序
首先,代码中指定的inputPath是D:\\\data\\\file目录,我们需要在这个目录下面创建一些文件,并在文件中输入一些单词。
D:\data\file>dir
2018/03/20 09:01 24 a.txt
D:\data\file>type a.txt
hello a hello b
hello a
然后,在IDEA中运行程序代码,产生的结果会被存储到outPut指定的D:\\\data\\\result文件中。
D:\data>type result
hello 3
b 1
a 2
本文摘自刚刚上架的《Flink入门与实战》徐葳 著
- 这是一本Flink入门级图书,力求详细而完整地描述Flink基础理论与实际操作。
- 采用Flink 1.6版本写作,案例丰富实用,做到学以致用。
- 细节与案例兼顾,深入浅出展现Flink技术精髓。
- 51CTO热门网课配套教材,可与网课结合学习,快速提升大数据开发技能。
本书旨在帮助读者从零开始快速掌握Flink的基本原理与核心功能。本书首先介绍了Flink的基本原理和安装部署,并对Flink中的一些核心API进行了详细分析。然后配套对应的案例分析,分别使用Java代码和Scala代码实现案例。最后通过两个项目演示了Flink在实际工作中的一些应用场景,帮助读者快速掌握Flink开发。
学习本书需要大家具备一些大数据的基础知识,比如Hadoop、Kafka、Redis、Elasticsearch等框架的基本安装和使用。本书也适合对大数据实时计算感兴趣的读者阅读。