数据转换（Transformation），即通过从一个或多个 DataStream 生成新的DataStream 的过程，是主要的数据处理的手段。Flink 提供了多种数据转换操作，基本可以满足所有的日常使用场景。
所有的转换操作可分为：
单 Single-DataStream
多 Multi-DataStream
物理分区
三种类型
今天我们讨论 单 DataStream 转换 的场景
Map 操作对 DataStream[ T ] 数据进行处理，常用作对数据集的清洗和转换。
如下代码展示了，把 每个tuple 的第二个元素加1的过程
val env = StreamExecutionEnvironment.getExecutionEnvironmentenv.fromElements(("1",5),("2",6),("3",9)).map(m => (m._1,m._2 + 1))
除了可以直接在 map 方法中直接传入计算表达式，还可以使用 MapFunction 接口定义 map 函数逻辑，如下代码：
env.fromElements(("1",5),("2",6),("3",9)).map(new MapFunction[(String,Int),(String,Int)] {override def map(value: (String, Int)): (String, Int) = {(value._1,value._2 + 2)}})
FlatMap 算子主要应用处理输入一个元素，产生一个或者多个元素的计算场景，常见的例子就是 WordCount 中，将每一行的文本数据切割，生成单词序列。
env.fromElements("123 sffs ffe").flatMap(str => str.split(" "))
输入结果集是一个字符串：123 sffs ffe
输出结果集是三个字符串：123 和 sffs 和 ffe
该算子是按照条件对结果集进行筛选操作，将符合条件的数据集输出，将不符合条件的结果过滤掉。
如下代码筛选出所有偶数
env.fromCollection(List(1,2,3,4)).filter(_ % 2 == 0)
可以用在日志过滤，数据清洗等场景
根据指定的 key 将输入的 DataStream[ T ] 数据格式转换为 KeyedStream[ T ] ，相当于在数据集中执行 partition 操作，将相同的 key 值的数据放到相同的分区中，如下代码所示：
env.fromElements((1,5),(2,3),(4,5),(4,6)).keyBy(0).print()
根据第一个值来分区，结果是：
1> (4,5)
4> (2,3)
1> (4,6)
3> (1,5)
可以用在 对数据分组统计的场景
该算子和 MapReduce 中的 reduce 的意思是一样的，主要是将 KeyedStream 的数据通过用户自定义的 ReduceFunction 滚动地进行数据聚合处理。
env.fromElements((1,5),(2,3),(4,5),(4,6)).keyBy(0).reduce((t1,t2) => (t1._1,t1._2 + t2._2)).print()
对第二个元素进行累加，结果如下：
3> (1,5)
4> (2,3)
1> (4,5)
1> (4,11)
这是一系列算子的统称，其实就是将 Reduce 中的算子进行了封装，封装的聚合操作有 sum，min，max，maxBy 等，这样用户就不同自己定义函数了
val env = StreamExecutionEnvironment.getExecutionEnvironmentenv.fromElements((1,5),(2,3),(4,5),(4,6)).keyBy(0).sum(1).print()
env.fromElements((1,5),(2,3),(4,5),(4,6)).keyBy(0).min(1).print()
关注公众号：黑科技部落，学到更多 Flink 知识，迈入 大数据处理的大门
加入 专属 Flink QQ群，获得更多学习资料：780016495
