Flink从入门到放弃(入门篇3)-DataSetAPI

public class SocketTextStreamWordCount { public static void main(String[] args) throws Exception { if (args.length != 2){ System.err.println("USAGE:\nSocketTextStreamWordCount <hostname> <port>"); return; } String hostName = args[0]; Integer port = Integer.parseInt(args[1]); final StreamExecutionEnvironment env = StreamExecutionEnvironment .getExecutionEnvironment(); DataStream<String> text = env.socketTextStream(hostName, port); DataStream<Tuple2<String, Integer>> counts text.flatMap(new LineSplitter()) .keyBy(0) .sum(1); counts.print(); env.execute("Java WordCount from SocketTextStream Example"); }

上面的SocketTextStreamWordCount是一个典型的Flink程序，他由一下及格部分构成：

得到一个execution environment，
加载/建立初始数据，
指定此数据的转换，
指定放置计算结果的位置，
触发程序执行

公众号

全网惟一一个从0开始帮助Java开发者转作大数据领域的公众号~
大数据技术与架构或者搜索import_bigdata关注~
海量【java和大数据的面试题+视频资料】整理在公众号，关注后能够下载~

image

DataSet API

分类：

Source: 数据源建立初始数据集，例如来自文件或Java集合
Transformation: 数据转换将一个或多个DataSet转换为新的DataSet
Sink: 将计算结果存储或返回

DataSet Sources

基于文件的

readTextFile(path)/ TextInputFormat- 按行读取文件并将其做为字符串返回。
readTextFileWithValue(path)/ TextValueInputFormat- 按行读取文件并将它们做为StringValues返回。StringValues是可变字符串。
readCsvFile(path)/ CsvInputFormat- 解析逗号（或其余字符）分隔字段的文件。返回元组或POJO的DataSet。支持基本java类型及其Value对应做为字段类型。
readFileOfPrimitives(path, Class)/ PrimitiveInputFormat- 解析新行（或其余字符序列）分隔的原始数据类型（如String或）的文件Integer。
readFileOfPrimitives(path, delimiter, Class)/ PrimitiveInputFormat- 解析新行（或其余字符序列）分隔的原始数据类型的文件，例如String或Integer使用给定的分隔符。
readSequenceFile(Key, Value, path)/ SequenceFileInputFormat- 建立一个JobConf并从类型为SequenceFileInputFormat，Key class和Value类的指定路径中读取文件，并将它们做为Tuple2 <Key，Value>返回。

基于集合

fromCollection(Collection) - 从Java Java.util.Collection建立数据集。集合中的全部数据元必须属于同一类型。
fromCollection(Iterator, Class) - 从迭代器建立数据集。该类指定迭代器返回的数据元的数据类型。
fromElements(T ...) - 根据给定的对象序列建立数据集。全部对象必须属于同一类型。
fromParallelCollection(SplittableIterator, Class)- 并行地从迭代器建立数据集。该类指定迭代器返回的数据元的数据类型。
generateSequence(from, to) - 并行生成给定间隔中的数字序列。

通用方法

readFile(inputFormat, path)/ FileInputFormat- 接受文件输入格式。
createInput(inputFormat)/ InputFormat- 接受通用输入格式。

代码示例

ExecutionEnvironment env = ExecutionEnvironment.getExecutionEnvironment();

// 从本地文件系统读 DataSet<String> localLines = env.readTextFile("file:///path/to/my/textfile"); // 读取HDFS文件 DataSet<String> hdfsLines = env.readTextFile("hdfs://nnHost:nnPort/path/to/my/textfile"); // 读取CSV文件 DataSet<Tuple3<Integer, String, Double>> csvInput = env.readCsvFile("hdfs:///the/CSV/file").types(Integer.class, String.class, Double.class); // 读取CSV文件中的部分 DataSet<Tuple2<String, Double>> csvInput = env.readCsvFile("hdfs:///the/CSV/file").includeFields("10010").types(String.class, Double.class); // 读取CSV映射为一个java类 DataSet<Person>> csvInput = env.readCsvFile("hdfs:///the/CSV/file").pojoType(Person.class, "name", "age", "zipcode"); // 读取一个指定位置序列化好的文件 DataSet<Tuple2<IntWritable, Text>> tuples = env.readSequenceFile(IntWritable.class, Text.class, "hdfs://nnHost:nnPort/path/to/file"); // 从输入字符建立 DataSet<String> value = env.fromElements("Foo", "bar", "foobar", "fubar"); // 建立一个数字序列 DataSet<Long> numbers = env.generateSequence(1, 10000000); // 从关系型数据库读取 DataSet<Tuple2<String, Integer> dbData = env.createInput(JDBCInputFormat.buildJDBCInputFormat() .setDrivername("org.apache.derby.jdbc.EmbeddedDriver") .setDBUrl("jdbc:derby:memory:persons") .setQuery("select name, age from persons") .setRowTypeInfo(new RowTypeInfo(BasicTypeInfo.STRING_TYPE_INFO, BasicTypeInfo.INT_TYPE_INFO)) .finish());

DataSet Transformation

详细能够参考官网:https://flink.sojb.cn/dev/batch/dataset_transformations.html#filter

采用一个数据元并生成一个数据元。

data.map(new MapFunction<String, Integer>() { public Integer map(String value) { return Integer.parseInt(value); } });

FlatMap

采用一个数据元并生成零个，一个或多个数据元。

data.flatMap(new FlatMapFunction<String, String>() { public void flatMap(String value, Collector<String> out) { for (String s : value.split(" ")) { out.collect(s); } } });

MapPartition

在单个函数调用中转换并行分区。该函数将分区做为Iterable流来获取，而且能够生成任意数量的结果值。每一个分区中的数据元数量取决于并行度和先前的算子操做。

data.mapPartition(new MapPartitionFunction<String, Long>() { public void mapPartition(Iterable<String> values, Collector<Long> out) { long c = 0; for (String s : values) { c++; } out.collect(c); } });

Filter

计算每一个数据元的布尔函数，并保存函数返回true的数据元。
重要信息：系统假定该函数不会修改应用谓词的数据元。违反此假设可能会致使错误的结果。

data.filter(new FilterFunction<Integer>() { public boolean filter(Integer value) { return value > 1000; } });

Reduce

经过将两个数据元重复组合成一个数据元，将一组数据元组合成一个数据元。Reduce能够应用于完整数据集或分组数据集。

data.reduce(new ReduceFunction<Integer> { public Integer reduce(Integer a, Integer b) { return a + b; } });

若是将reduce应用于分组数据集，则能够经过提供CombineHintto 来指定运行时执行reduce的组合阶段的方式 setCombineHint。在大多数状况下，基于散列的策略应该更快，特别是若是不一样键的数量与输入数据元的数量相比较小（例如1/10）。

ReduceGroup

将一组数据元组合成一个或多个数据元。ReduceGroup能够应用于完整数据集或分组数据集。

data.reduceGroup(new GroupReduceFunction<Integer, Integer> { public void reduce(Iterable<Integer> values, Collector<Integer> out) { int prefixSum = 0; for (Integer i : values) { prefixSum += i; out.collect(prefixSum); } } });

Aggregate

将一组值聚合为单个值。聚合函数能够被认为是内置的reduce函数。聚合能够应用于完整数据集或分组数据集。

Dataset<Tuple3<Integer, String, Double>> input = // [...] DataSet<Tuple3<Integer, String, Double>> output = input.aggregate(SUM, 0).and(MIN, 2);

您还可使用简写语法进行最小，最大和总和聚合。

Dataset<Tuple3<Integer, String, Double>> input = // [...] DataSet<Tuple3<Integer, String, Double>> output = input.sum(0).andMin(2);

Distinct

返回数据集的不一样数据元。它相对于数据元的全部字段或字段子集从输入DataSet中删除重复条目。

data.distinct();

使用reduce函数实现Distinct。您能够经过提供CombineHintto 来指定运行时执行reduce的组合阶段的方式 setCombineHint。在大多数状况下，基于散列的策略应该更快，特别是若是不一样键的数量与输入数据元的数量相比较小（例如1/10）。

Join

经过建立在其键上相等的全部数据元对来链接两个数据集。可选地使用JoinFunction将数据元对转换为单个数据元，或使用FlatJoinFunction将数据元对转换为任意多个（包括无）数据元。请参阅键部分以了解如何定义链接键。

result = input1.join(input2)
               .where(0) // key of the first input (tuple field 0) .equalTo(1); // key of the second input (tuple field 1)

您能够经过Join Hints指定运行时执行链接的方式。提示描述了经过分区或广播进行链接，以及它是使用基于排序仍是基于散列的算法。
若是未指定提示，系统将尝试估算输入大小，并根据这些估计选择最佳策略。

// This executes a join by broadcasting the first data set // using a hash table for the broadcast data result = input1.join(input2, JoinHint.BROADCAST_HASH_FIRST) .where(0).equalTo(1);

请注意，链接转换仅适用于等链接。其余链接类型须要使用OuterJoin或CoGroup表示。

OuterJoin

在两个数据集上执行左，右或全外链接。外链接相似于常规（内部）链接，并建立在其键上相等的全部数据元对。此外，若是在另外一侧没有找到匹配的Keys，则保存“外部”侧（左侧，右侧或二者都满）的记录。匹配数据元对（或一个数据元和null另外一个输入的值）被赋予JoinFunction以将数据元对转换为单个数据元，或者转换为FlatJoinFunction以将数据元对转换为任意多个（包括无）数据元。请参阅键部分以了解如何定义链接键。

input1.leftOuterJoin(input2) // rightOuterJoin or fullOuterJoin for right or full outer joins .where(0) // key of the first input (tuple field 0) .equalTo(1) // key of the second input (tuple field 1) .with(new JoinFunction<String, String, String>() { public String join(String v1, String v2) { // NOTE: // - v2 might be null for leftOuterJoin // - v1 might be null for rightOuterJoin // - v1 OR v2 might be null for fullOuterJoin } });

CoGroup

reduce 算子操做的二维变体。将一个或多个字段上的每一个输入分组，而后关联组。每对组调用转换函数。

data1.coGroup(data2)
     .where(0) .equalTo(1) .with(new CoGroupFunction<String, String, String>() { public void coGroup(Iterable<String> in1, Iterable<String> in2, Collector<String> out) { out.collect(...); } });

Cross

构建两个输入的笛卡尔积（交叉乘积），建立全部数据元对。可选择使用CrossFunction将数据元对转换为单个数据元

DataSet<Integer> data1 = // [...] DataSet<String> data2 = // [...] DataSet<Tuple2<Integer, String>> result = data1.cross(data2);

注：交叉是一个潜在的很是计算密集型算子操做它甚至能够挑战大的计算集群！建议使用crossWithTiny（）和crossWithHuge（）来提示系统的DataSet大小。

Union

生成两个数据集的并集。

DataSet<String> data1 = // [...] DataSet<String> data2 = // [...] DataSet<String> result = data1.union(data2);

Rebalance

均匀地Rebalance 数据集的并行分区以消除数据误差。只有相似Map的转换可能会遵循Rebalance 转换。

DataSet<String> in = // [...] DataSet<String> result = in.rebalance() .map(new Mapper());

Hash-Partition

散列分区给定键上的数据集。键能够指定为位置键，表达键和键选择器函数。

DataSet<Tuple2<String,Integer>> in = // [...] DataSet<Integer> result = in.partitionByHash(0) .mapPartition(new PartitionMapper());

Range-Partition

Range-Partition给定键上的数据集。键能够指定为位置键，表达键和键选择器函数。

DataSet<Tuple2<String,Integer>> in = // [...] DataSet<Integer> result = in.partitionByRange(0) .mapPartition(new PartitionMapper());

Custom Partitioning

手动指定数据分区。
注意：此方法仅适用于单个字段键。

DataSet<Tuple2<String,Integer>> in = // [...] DataSet<Integer> result = in.partitionCustom(Partitioner<K> partitioner, key)

Sort Partition

本地按指定顺序对指定字段上的数据集的全部分区进行排序。能够将字段指定为元组位置或字段表达式。经过连接sortPartition（）调用来完成对多个字段的排序。

DataSet<Tuple2<String,Integer>> in = // [...] DataSet<Integer> result = in.sortPartition(1, Order.ASCENDING) .mapPartition(new PartitionMapper());

First-n

返回数据集的前n个（任意）数据元。First-n能够应用于常规数据集，分组数据集或分组排序数据集。分组键能够指定为键选择器函数或字段位置键。

DataSet<Tuple2<String,Integer>> in = // [...] // regular data set DataSet<Tuple2<String,Integer>> result1 = in.first(3); // grouped data set DataSet<Tuple2<String,Integer>> result2 = in.groupBy(0) .first(3); // grouped-sorted data set DataSet<Tuple2<String,Integer>> result3 = in.groupBy(0) .sortGroup(1, Order.ASCENDING) .first(3);

DataSet Sink

数据接收器使用DataSet用于存储或返回。使用OutputFormat描述数据接收器算子操做。Flink带有各类内置输出格式，这些格式封装在DataSet上的算子操做中：

writeAsText()/ TextOutputFormat- 按字符串顺序写入数据元。经过调用每一个数据元的toString（）方法得到字符串。
writeAsFormattedText()/ TextOutputFormat- 按字符串顺序写数据元。经过为每一个数据元调用用户定义的format（）方法来获取字符串。
writeAsCsv(...)/ CsvOutputFormat- 将元组写为逗号分隔值文件。行和字段分隔符是可配置的。每一个字段的值来自对象的toString（）方法。
print()/ printToErr()/ print(String msg)/ printToErr(String msg)- 在标准输出/标准错误流上打印每一个数据元的toString（）值。可选地，能够提供前缀（msg），其前缀为输出。这有助于区分不一样的打印调用。若是并行度大于1，则输出也将与生成输出的任务的标识符一块儿添加。
write()/ FileOutputFormat- 自定义文件输出的方法和基类。支持自定义对象到字节的转换。
output()/ OutputFormat- 大多数通用输出方法，用于非基于文件的数据接收器（例如将结果存储在数据库中）。

能够将DataSet输入到多个算子操做。程序能够编写或打印数据集，同时对它们执行其余转换。

示例：

// text data DataSet<String> textData = // [...] // write DataSet to a file on the local file system textData.writeAsText("file:///my/result/on/localFS"); // write DataSet to a file on a HDFS with a namenode running at nnHost:nnPort textData.writeAsText("hdfs://nnHost:nnPort/my/result/on/localFS"); // write DataSet to a file and overwrite the file if it exists textData.writeAsText("file:///my/result/on/localFS", WriteMode.OVERWRITE); // tuples as lines with pipe as the separator "a|b|c" DataSet<Tuple3<String, Integer, Double>> values = // [...] values.writeAsCsv("file:///path/to/the/result/file", "\n", "|"); // this writes tuples in the text formatting "(a, b, c)", rather than as CSV lines values.writeAsText("file:///path/to/the/result/file"); // this writes values as strings using a user-defined TextFormatter object values.writeAsFormattedText("file:///path/to/the/result/file", new TextFormatter<Tuple2<Integer, Integer>>() { public String format (Tuple2<Integer, Integer> value) { return value.f1 + " - " + value.f0; } });

使用自定义输出格式：

DataSet<Tuple3<String, Integer, Double>> myResult = [...] // write Tuple DataSet to a relational database myResult.output( // build and configure OutputFormat JDBCOutputFormat.buildJDBCOutputFormat() .setDrivername("org.apache.derby.jdbc.EmbeddedDriver") .setDBUrl("jdbc:derby:memory:persons") .setQuery("insert into persons (name, age, height) values (?,?,?)") .finish() );

序列化器

Flink自带了针对诸如int，long，String等标准类型的序列化器

针对Flink没法实现序列化的数据类型，咱们能够交给Avro和Kryo

使用方法：ExecutionEnvironment env = ExecutionEnvironment.getExecutionEnvironment();

使用avro序列化：env.getConfig().enableForceAvro(); 使用kryo序列化：env.getConfig().enableForceKryo(); 使用自定义序列化：env.getConfig().addDefaultKryoSerializer(Class<?> type, Class<? extends Serializer<?>> serializerClass)

数据类型

Java Tuple 和 Scala case class
Java POJOs：java实体类
Primitive Types
默认支持java和scala基本数据类型
General Class Types
默认支持大多数java和scala class
Hadoop Writables
支持hadoop中实现了org.apache.hadoop.Writable的数据类型

Special Types
例如scala中的Either Option 和Try
全网惟一一个从0开始帮助Java开发者转作大数据领域的公众号~
大数据技术与架构或者搜索import_bigdata关注~
海量【java和大数据的面试题+视频资料】整理在公众号，关注后能够下载~

image