大数据-114 Flink DataStreamAPI 程序输入源 自定义输入源 Rich并行源 RichParallelSourceFunction

点一下关注吧！！！非常感谢！！持续更新！！！

目前已经更新到了：

• Hadoop（已更完）
• HDFS（已更完）
• MapReduce（已更完）
• Hive（已更完）
• Flume（已更完）
• Sqoop（已更完）
• Zookeeper（已更完）
• HBase（已更完）
• Redis （已更完）
• Kafka（已更完）
• Spark（已更完）
• Flink（正在更新！）

章节内容

上节完成了如下的内容：

• FlinkDataStreamAPI 自定义输入源
• 非并行源介绍与代码
• 并行源介绍与代码

Rich并行源

基本介绍

在 Apache Flink 中，RichSourceFunction 是一种增强的源函数（Source Function），它允许开发者在定义源操作时，能够访问 Flink 的生命周期方法、状态管理、配置访问等更多功能。RichSourceFunction 是并行源的一个扩展，它继承自 RichFunction 接口，而 RichFunction 提供了更丰富的功能，比如访问运行时上下文、管理状态、以及在作业开始和结束时执行初始化或清理操作。

主要特点

• 生命周期方法：RichSourceFunction 提供了 open() 和 close() 方法，分别在作业开始时和结束时调用。这允许你在数据读取前进行初始化操作（如打开连接、加载配置），以及在作业结束时进行清理工作（如关闭连接、释放资源）。
• 访问运行时上下文：通过 getRuntimeContext() 方法，RichSourceFunction 可以访问 Flink 的运行时上下文，获取并行度信息、任务名称、指标管理器，以及与状态相关的操作。
• 状态管理：RichSourceFunction 可以结合 Flink 的状态管理机制，保存和恢复状态。这对于需要在流处理中维护中间状态的源函数非常有用，尤其是在故障恢复时，状态可以帮助恢复到故障前的状态。
• 并行执行：与普通的 SourceFunction 类似，RichSourceFunction 也可以通过设置并行度来并行执行，这使得它可以处理大规模的数据
  源。

状态管理

RichFunction 与 Flink 的状态管理系统高度集成，允许你在分布式环境中维护和管理操作符的中间状态。Flink 支持两种主要类型的状态：ValueState 和 ListState，以及更复杂的 MapState 和 ReducingState。

• ValueState: 适用于需要保存单个值的场景，如计数器、标志位等。
• ListState: 适用于需要保存多个值的场景，如窗口计算中的中间结果。
• MapState: 适用于需要维护键值对的场景，特别是在进行复杂的数据关联或聚合时。
• ReducingState: 适用于需要持续聚合数据的场景，比如计数、求和等。

示例代码

以下是一个使用 RichParallelSourceFunction 的简单示例，展示了如何在 Flink 中实现一个并行的、具有生命周期管理的源函数：

import org.apache.flink.configuration.Configuration;
import org.apache.flink.streaming.api.functions.source.RichParallelSourceFunction;

public class MyRichParallelSource extends RichParallelSourceFunction<String> {

    private volatile boolean isRunning = true;

    @Override
    public void open(Configuration parameters) throws Exception {
        // 在任务开始时执行初始化操作
        System.out.println("Task " + getRuntimeContext().getTaskName() + " is starting.");
    }

    @Override
    public void run(SourceContext<String> ctx) throws Exception {
        // 模拟数据流的产生
        while (isRunning) {
            synchronized (ctx.getCheckpointLock()) {
                ctx.collect("Data from task " + getRuntimeContext().getIndexOfThisSubtask());
            }
            Thread.sleep(1000);
        }
    }

    @Override
    public void cancel() {
        isRunning = false;
    }

    @Override
    public void close() throws Exception {
        // 在任务结束时执行清理操作
        System.out.println("Task " + getRuntimeContext().getTaskName() + " is closing.");
    }
}

代码解析

• open() 方法：在任务开始时调用，适用于进行连接初始化、参数设置等操作。在这个方法中，你可以访问 Flink 的配置和运行时上下文。
• run() 方法：实现数据源的核心逻辑，这个方法会在源函数启动后被调用。可以使用 ctx.collect() 方法将生成的数据发送到下游处理。
• cancel() 方法：用于取消任务。当作业被取消或停止时，Flink 会调用这个方法，可以在这里做一些清理工作或者安全地停止数据生成。
• close() 方法：在任务结束时调用，用于释放资源和进行清理操作。

注意事项

• 状态一致性：在并行源中，如果需要维护状态，一定要注意状态的一致性和恢复机制，确保在作业恢复时可以正确地恢复数据源的状态。
• 并行度设置：RichParallelSourceFunction 作为并行源，可以通过 setParallelism 方法设置并行度，确保根据任务的需求合理分配并行实例的数量。

RichParallelSource

package icu.wzk;

import org.apache.flink.streaming.api.functions.source.RichParallelSourceFunction;

public class RichParallelSourceRich extends RichParallelSourceFunction<String> {

    private long count = 1L;
    private boolean running = true;

    @Override
    public void run(SourceContext<String> ctx) throws Exception {
        while (running) {
            count ++;
            ctx.collect(String.valueOf(count));
            Thread.sleep(1000);
        }
    }

    @Override
    public void cancel() {
        running = false;
    }
}

RichParallelSourceTest

package icu.wzk;

import org.apache.flink.streaming.api.datastream.DataStreamSource;
import org.apache.flink.streaming.api.scala.StreamExecutionEnvironment;

public class RichParallelSourceRichTest {

    public static void main(String[] args) {
        StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
        DataStreamSource<String> data = env.getJavaEnv().addSource(new RichParallelSourceRich());
        data.print();
        env.execute("RichParallelSourceRichTest");
    }

}

运行结果

3> 10
5> 10
8> 10
6> 10
2> 10
4> 10
7> 10
1> 10
6> 11
5> 11
8> 11
2> 11
3> 11
4> 11
7> 11
1> 11
2> 12
3> 12
...

控制台输出结果如下所示：

为什么 Rich 类使用广泛

• 生命周期管理：Rich 类提供了 open() 和 close() 方法，允许开发者在任务开始和结束时执行初始化和清理操作。这对于需要设置资源（如数据库连接、文件读写、外部服务连接）的操作非常有用。
• 运行时上下文访问：通过 getRuntimeContext()，Rich 类可以访问任务的并行度信息、任务名称、子任务索引、状态管理等。对于需要根据任务上下文调整行为或需要跨并行实例共享状态的场景，这些信息是至关重要的。
• 状态管理：RichFunction 可以方便地与 Flink 的状态管理结合使用。在状态丰富的应用场景（如需要维护中间计算结果、计数器、缓存等）的流处理中，Rich 类显得非常有用。
• 性能监控：Rich 类允许开发者在 open() 方法中注册 Flink 的度量指标（Metrics），帮助监控和优化作业的性能。

什么时候不用 Rich 类

• 简单操作：如果你只是需要进行简单的转换或过滤操作，没有复杂的初始化、状态管理或清理需求，那么 Rich 类的额外功能可能并不必要。
• 高性能要求的场景：在一些对性能要求极高的场景中，尽量减少复杂的操作和额外的上下文访问，直接使用轻量级的 MapFunction、FilterFunction 等可能会有更好的性能表现。