What Apache Flink

Apache Flink 是一个分布式大数据处理引擎,可对有限数据流和无限数据流进行有状态计算。可部署在各种集群环境,对各种大小的数据规模进行快速计算。

分布式大数据处理引擎
  • 是一个分布式的、高可用的用于大数据处理的计算引擎
有限流和无限流
  • 有限流:有始有终的数据流。即传统意义上的批数据,进行批处理
  • 无限流:有始无终的数据流。即现实生活中的流数据,进行流处理
有状态计算
  • 良好的状态机制,进行较好的容错处理和任务恢复。同时实现 Exactly-Once 语义。
各种集群环境
  • 可部署standalone、Flink on yarn、Flink on Mesos、Flink on k8s等等

Flink Application

Streams

数据在真实世界中是不停产生不停发出的,所以数据处理也应该还原真实,做到真正的流处理。而批处理则是流处理的特殊情况

  • 即上面说的有限流和无限流,贴官网图说明。

State

在流计算场景中,其实所有流计算本质上都是增量计算(Incremental Processing)。
例如,计算前几个小时或者一直以来的某个指标(PV、UV等),计算完一条数据之后需要保存其计算结果即状态,以便和下一条计算结果合并。
另外,保留计算状态,进行 CheckPoint 可以很好地实现流计算的容错和任务恢复,也可以实现Exactly Once处理语义

Time

三类时间:

  • Event Time:事件真实产生的时间
  • Processing Time:事件被 Flink 程序处理的时间
  • Ingestion Time:事件进入到 Flink 程序的时间

API

API分三层,越接近SQL层,越抽象,灵活性越低,但更简单易用。

  • SQL/Table层:直接使用SQL进行数据处理
  • DataStream/DataSet API:最核心的API,对流数据进行处理,可在其上实现自定义的WaterMark、Windows、State等操作
  • ProcessFunction:也叫RunTime层,最底层的API,带状态的事件驱动。

Flink Architecture

Data Pipeline Applications
即 real-time Stream ETL:流式ETL拆分。
通常,ETL都是通过定时任务调度SQL文件或者MR任务来执行的。在实时ETL场景中,将批量ETL逻辑写到流处理中,分散计算压力和提高计算结果的实时性。
多用于实时数仓、实时搜索引擎等

flink打包不打依赖包_flink打包不打依赖包

Data Analytics Applications
即数据分析,包括流式数据分析和批量数据分析。例如实时报表、实时大屏。

flink打包不打依赖包_flink_02

Event-driven Applications
即事件驱动应用,在一个有状态的计算过程中,通常情况下都是将状态保存在第三方系统(如Hbase Redis等)中。
而在Flink中,状态是保存在内部程序中,减少了状态存取的不必要的I/O开销,更大吞吐量和更低延时。

flink打包不打依赖包_flink_03

第一个 Flink 程序

开发环境要求

主要是Java环境和Maven环境。Java要求JDK1.8,Maven要求3.0以上,开发工具推荐使用 ItelliJ IDEA,社区说法:Eclipse在Java和Scala混合编程下有问题,故不推荐。

代码示例:

package source.streamDataSource;


import org.apache.flink.api.common.functions.FlatMapFunction;
import org.apache.flink.api.java.tuple.Tuple2;
import org.apache.flink.streaming.api.TimeCharacteristic;
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;


public class SocketWindowWordCount {



    public static void main(String[] args) throws Exception{

        if(args.length!=2){
            System.err.println("Usage:\nSocketWindowWordCount hostname port");
        }

        // 获取程序参数
        String hostname = args[0];
        int port = Integer.parseInt(args[1]);

        // 入口类,用于设置环境和参数等
        StreamExecutionEnvironment see = StreamExecutionEnvironment.getExecutionEnvironment();
        
        // 设置 Time 类型
        see.setStreamTimeCharacteristic(TimeCharacteristic.ProcessingTime);

        // 从指定 IP 端口 读取流数据,返回一个 DataStreamSource
        DataStreamSource<String> text = see.socketTextStream(hostname, port, "\n", 5);

        // 在 DataStreamSource 上做操作即 transformation 
        DataStream<Tuple2<String, Integer>> windowCount = text
                // flatMap , FlatMap接口的实现:将获取到的数据分割,并每个元素组合成 (word, count)形式
                .flatMap(new FlatMapFunction<String, Tuple2<String, Integer>>() {
            @Override
            public void flatMap(String value, Collector<Tuple2<String, Integer>> collector) throws Exception {
                for (String word : value.split("\\s")) {
                    collector.collect(Tuple2.of(word, 1));
                }
            }
        })
                // 按位置指定key,进行聚合操作
                .keyBy(0)
                // 指定窗口大小
                .timeWindow(Time.seconds(5))
                // 在每个key上做sum
                // reduce 和 sum 的实现
//                .reduce(new ReduceFunction<Tuple2<String, Integer>>() {
//                    @Override
//                    public Tuple2<String, Integer> reduce(Tuple2<String, Integer> stringIntegerTuple2, Tuple2<String, Integer> t1) throws Exception {
//                        return Tuple2.of(stringIntegerTuple2.f0, stringIntegerTuple2.f1+t1.f1);
//                    }
//                });
                .sum(1);

        // 一个线程执行
        windowCount.print().setParallelism(1);
        see.execute("Socket Window WordCount");

        // 其他 transformation 操作示例
//        windowCount
//                .map(new MapFunction<Tuple2<String,Integer>, String>() {
//                    @Override
//                    public String map(Tuple2<String, Integer> stringIntegerTuple2) throws Exception {
//                        return stringIntegerTuple2.f0;
//                    }
//                })
//                .print();
//
//        text.filter(new FilterFunction<String>() {
//            @Override
//            public boolean filter(String s) throws Exception {
//                return s.contains("h");
//            }
//        })
//                .print();
//
//        SplitStream<String> split = text.split(new OutputSelector<String>() {
//            @Override
//            public Iterable<String> select(String value) {
//                ArrayList<String> strings = new ArrayList<>();
//                if (value.contains("h"))
//                    strings.add("hadoop");
//                else
//                    strings.add("noHadoop");
//                return strings;
//
//            }
//        });
//
//        split.select("hadoop").print();
//        split.select("noHadoop").map(new MapFunction<String, String>() {
//            @Override
//            public String map(String s) throws Exception {
//
//                return s.toUpperCase();
//            }
//        }).print();

    }
}