Flink入门宝典（详细截图版）

本文基于java构建Flink1.9版本入门程序，需要Maven 3.0.4 和 Java 8 以上版本。需要安装Netcat进行简单调试。

这里简述安装过程，并使用IDEA进行开发一个简单流处理程序，本地调试或者提交到Flink上运行，Maven与JDK安装这里不做说明。

一、Flink简介

Flink诞生于欧洲的一个大数据研究项目StratoSphere。该项目是柏林工业大学的一个研究性项目。早期，Flink是做Batch计算的，但是在2014年，StratoSphere里面的核心成员孵化出Flink，同年将Flink捐赠Apache，并在后来成为Apache的顶级大数据项目，同时Flink计算的主流方向被定位为Streaming，即用流式计算来做所有大数据的计算，这就是Flink技术诞生的背景。

2015开始阿里开始介入flink 负责对资源调度和流式sql的优化，成立了阿里内部版本blink在最近更新的1.9版本中,blink开始合并入flink,

未来flink也将支持java,scala,python等更多语言，并在机器学习领域施展拳脚。

二、Flink开发环境搭建

首先要想运行Flink，我们需要下载并解压Flink的二进制包，下载地址如下：https://flink.apache.org/downloads.html

我们可以选择Flink与Scala结合版本，这里我们选择最新的1.9版本Apache Flink 1.9.0 for Scala 2.12进行下载。

Flink在Windows和Linux下的安装与部署可以查看 Flink快速入门--安装与示例运行，这里演示windows版。

安装成功后，启动cmd命令行窗口，进入flink文件夹，运行bin目录下的start-cluster.bat

$ cd flink
$ cd bin
$ start-cluster.bat
Starting a local cluster with one JobManager process and one TaskManager process.
You can terminate the processes via CTRL-C in the spawned shell windows.
Web interface by default on http://localhost:8081/.

显示启动成功后，我们在浏览器访问 http://localhost:8081/可以看到flink的管理页面。

三、Flink快速体验

请保证安装好了flink，还需要Maven 3.0.4 和 Java 8 以上版本。这里简述Maven构建过程。

其他详细构建方法欢迎查看：快速构建第一个Flink工程

1、搭建Maven工程

使用Flink Maven Archetype构建一个工程。

 $ mvn archetype:generate                               \
      -DarchetypeGroupId=org.apache.flink              \
      -DarchetypeArtifactId=flink-quickstart-java      \
      -DarchetypeVersion=1.9.0

你可以编辑自己的artifactId groupId

目录结构如下：

$ tree quickstart/
quickstart/
├── pom.xml
└── src
    └── main
        ├── java
        │   └── org
        │       └── myorg
        │           └── quickstart
        │               ├── BatchJob.java
        │               └── StreamingJob.java
        └── resources
            └── log4j.properties

在pom中核心依赖：

<dependencies>
    <dependency>
        <groupId>org.apache.flink</groupId>
        <artifactId>flink-java</artifactId>
        <version>${flink.version}</version>
    </dependency>
    <dependency>
        <groupId>org.apache.flink</groupId>
        <artifactId>flink-streaming-java_2.11</artifactId>
        <version>${flink.version}</version>
    </dependency>
    <dependency>
        <groupId>org.apache.flink</groupId>
        <artifactId>flink-clients_2.11</artifactId>
        <version>${flink.version}</version>
    </dependency>
</dependencies>

2、编写代码

StreamingJob

import org.apache.flink.api.common.functions.FlatMapFunction;
import org.apache.flink.api.java.tuple.Tuple2;
import org.apache.flink.streaming.api.datastream.DataStream;
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 StreamingJob {

	public static void main(String[] args) throws Exception {
		final StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
		DataStream<Tuple2<String, Integer>> dataStreaming = env
				.socketTextStream("localhost", 9999)
				.flatMap(new Splitter())
				.keyBy(0)
				.timeWindow(Time.seconds(5))
				.sum(1);

		dataStreaming.print();

		// execute program
		env.execute("Flink Streaming Java API Skeleton");
	}
	public static class Splitter implements FlatMapFunction<String, Tuple2<String, Integer>> {

		@Override
		public void flatMap(String sentence, Collector<Tuple2<String, Integer>> out) throws Exception {
			for(String word : sentence.split(" ")){
				out.collect(new Tuple2<String, Integer>(word, 1));
			}
		}

	}
}

3、调试程序

安装netcat工具进行简单调试。

启动netcat 输入：

nc -l 9999

启动程序

在netcat中输入几个单词 逗号分隔

在程序一端查看结果

4、程序提交到Flink

启动flink

windows为 start-cluster.bat    linux为start-cluster.sh

localhost:8081查看管理页面

通过maven对代码打包

将打好的包提交到flink上

查看log

tail -f log/flink-***-jobmanager.out

在netcat中继续输入单词，在Running Jobs中查看作业状态，在log中查看输出。

四、Flink 编程模型

Flink提供不同级别的抽象来开发流/批处理应用程序。

最低级抽象只提供有状态流。

在实践中，大多数应用程序不需要上述低级抽象，而是针对Core API编程， 如DataStream API（有界/无界流）和DataSet API（有界数据集）。

Table Api声明了一个表，遵循关系模型。

最高级抽象是SQL。

我们这里只用到了DataStream API。

Flink程序的基本构建块是流和转换。

一个程序的基本构成：

l 获取execution environment

l 加载/创建原始数据

l 指定这些数据的转化方法

l 指定计算结果的存放位置

l 触发程序执行

五、DataStreaming API使用

1、获取execution environment

StreamExecutionEnvironment是所有Flink程序的基础，获取方法有：

getExecutionEnvironment()

createLocalEnvironment()

createRemoteEnvironment(String host, int port, String ... jarFiles)

一般情况下使用getExecutionEnvironment。如果你在IDE或者常规java程序中执行可以通过createLocalEnvironment创建基于本地机器的StreamExecutionEnvironment。如果你已经创建jar程序希望通过invoke方式获取里面的getExecutionEnvironment方法可以使用createRemoteEnvironment方式。

2、加载/创建原始数据

StreamExecutionEnvironment提供的一些访问数据源的接口

（1）基于文件的数据源

readTextFile(path)
readFile(fileInputFormat, path)
readFile(fileInputFormat, path, watchType, interval, pathFilter, typeInfo)

（2）基于Socket的数据源（本文使用的）

l socketTextStream

（3）基于Collection的数据源

fromCollection(Collection)
fromCollection(Iterator, Class)
fromElements(T ...)
fromParallelCollection(SplittableIterator, Class)
generateSequence(from, to)

3、转化方法

（1）Map方式：DataStream -> DataStream

功能：拿到一个element并输出一个element，类似Hive中的UDF函数

举例：

DataStream<Integer> dataStream = //...
dataStream.map(new MapFunction<Integer, Integer>() {
    @Override
    public Integer map(Integer value) throws Exception {
        return 2 * value;
    }
});

（2）FlatMap方式：DataStream -> DataStream

功能：拿到一个element，输出多个值，类似Hive中的UDTF函数

举例：

dataStream.flatMap(new FlatMapFunction<String, String>() {
    @Override
    public void flatMap(String value, Collector<String> out)
        throws Exception {
        for(String word: value.split(" ")){
            out.collect(word);
        }
    }
});

（3）Filter方式：DataStream -> DataStream

功能：针对每个element判断函数是否返回true，最后只保留返回true的element

举例：

dataStream.filter(new FilterFunction<Integer>() {
    @Override
    public boolean filter(Integer value) throws Exception {
        return value != 0;
    }
});

（4）KeyBy方式：DataStream -> KeyedStream

功能：逻辑上将流分割成不相交的分区，每个分区都是相同key的元素

举例：

dataStream.keyBy("someKey") // Key by field "someKey"
dataStream.keyBy(0) // Key by the first element of a Tuple

（5）Reduce方式：KeyedStream -> DataStream

功能：在keyed data stream中进行轮训reduce。

举例：

keyedStream.reduce(new ReduceFunction<Integer>() {
    @Override
    public Integer reduce(Integer value1, Integer value2)
    throws Exception {
        return value1 + value2;
    }
});

（6）Aggregations方式：KeyedStream -> DataStream

功能：在keyed data stream中进行聚合操作

举例：

keyedStream.sum(0);
keyedStream.sum("key");
keyedStream.min(0);
keyedStream.min("key");
keyedStream.max(0);
keyedStream.max("key");
keyedStream.minBy(0);
keyedStream.minBy("key");
keyedStream.maxBy(0);
keyedStream.maxBy("key");

（7）Window方式：KeyedStream -> WindowedStream

功能：在KeyedStream中进行使用，根据某个特征针对每个key用windows进行分组。

举例：

dataStream.keyBy(0).window(TumblingEventTimeWindows.of(Time.seconds(5))); // Last 5 seconds of data

（8）WindowAll方式：DataStream -> AllWindowedStream

功能：在DataStream中根据某个特征进行分组。

举例：

dataStream.windowAll(TumblingEventTimeWindows.of(Time.seconds(5))); // Last 5 seconds of data

（9）Union方式：DataStream* -> DataStream

功能：合并多个数据流成一个新的数据流

举例：

dataStream.union(otherStream1, otherStream2, ...);

（10）Split方式：DataStream -> SplitStream

功能：将流分割成多个流

举例：

SplitStream<Integer> split = someDataStream.split(new OutputSelector<Integer>() {
    @Override
    public Iterable<String> select(Integer value) {
        List<String> output = new ArrayList<String>();
        if (value % 2 == 0) {
            output.add("even");
        }
        else {
            output.add("odd");
        }
        return output;
    }
});

（11）Select方式：SplitStream -> DataStream

功能：从split stream中选择一个流

举例：

SplitStream<Integer> split;
DataStream<Integer> even = split.select("even");
DataStream<Integer> odd = split.select("odd");
DataStream<Integer> all = split.select("even","odd");

4、输出数据

writeAsText()
writeAsCsv(...)
print() / printToErr()
writeUsingOutputFormat() / FileOutputFormat
writeToSocket
addSink

更多Flink相关原理：

穿梭时空的实时计算框架——Flink对时间的处理

大数据实时处理的王者-Flink

统一批处理流处理——Flink批流一体实现原理

Flink快速入门--安装与示例运行

快速构建第一个Flink工程

更多实时计算,Flink,Kafka等相关技术博文，欢迎关注实时流式计算：