Flink项目搭建与使用

前言

本文不会介绍flink的概念与原理，如果对于Flink还不了解，先去看看flink的基础知识吧！

本文使用Java演示，Scala…我不会，这里不再展示。

这里提供几个地址：Flink官方文档 、个人感觉比较好的博客

环境准备

环境依赖

• JDK 1.8 及以上
• Maven 3.0.4 及以上

Flink基础依赖库

<properties>
    <flink.version>1.10.1</flink.version>
</properties>

<dependencies>
    <!--批量计算DataSet API-->
    <dependency>
        <groupId>org.apache.flink</groupId>
        <artifactId>flink-java</artifactId>
        <version>${flink.version}</version>
    </dependency>
    <!--流式计算DataStream API-->
    <dependency>
        <groupId>org.apache.flink</groupId>
        <artifactId>flink-streaming-java_2.12</artifactId>
        <version>${flink.version}</version>
    </dependency>
</dependencies>

除了上述的Flink项目中必须依赖的基础库之外，如果还要添加其他依赖，例如Flink中内建的Connector，或者其他第三方依赖库，需要在项目中添加相应的Maven Dependences，并将这些Dependence的Scope配置成compile。
如果需要引入Hadoop相关依赖包，需要将Scope注明为provided，应为Flink集群已经将Hadoop依赖包添加在集群环境中（如下图所示），否则容易造成Jar包冲突。

Flink程序结构

DataStream API 主要可分为三个部分：DataSource模块、Transformation模块、DataSink模块。
官网提供的Flink 程序与数据流结构图如下：

Flink程序一般分为5步，分别为： 设定Flink执行环境、创建和加载数据集、对数据集指定转换操作逻辑、指定计算结果的输出文职、调用execute方法触发程序执行。

批处理代码示例如下

// 批处理word count
public class WordCount {
    
    public static void main(String[] args) throws Exception {
    
        // 第一步：创建执行环境
        ExecutionEnvironment env = ExecutionEnvironment.getExecutionEnvironment();

        // 第二步：指定数据源地址，读取输入数据，这里读取本地文件的文本数据
        DataSet<String> inputDataSet = env.readTextFile("D:\\project\\flinkLearn\\src\\main\\resources\\hello.txt");

        // 第三步：对数据集指定转换操作逻辑, 按照空格分词展开转换成（word， 1）二元组进行统计
        DataSet<Tuple2<String, Integer>> resultSet = inputDataSet.flatMap(new MyFlatMapper())
                .groupBy(0) // 按照第一个位置的word分组
                .sum(1); // 将第二个位置上的数据求和

        // 第四步：指定就按结果输出位置，这里只做标准输出
        resultSet.print();

        // 批处理情况下print不需要execute
        // env.execute("Streaming WordCount");
    }

    // 自定义类，实现FlatMapFunction接口
    public static class MyFlatMapper implements FlatMapFunction<String, Tuple2<String, Integer>> {
    
        @Override
        public void flatMap(String value, Collector<Tuple2<String, Integer>> out) throws Exception {
    
            // 按空格分词
            String[] words = value.split(" ");
            // 便利所有words包成二元组输出
            for (String word : words) {
    
                out.collect(new Tuple2<>(word, 1));
            }
        }
    }
}

hello.txt:

hello beautiful girl
hello flink

结果如下：

流处理代码示例如下

public class StreamWordCount {
    
    public static void main(String[] args) throws Exception {
    
        // 第一步：创建流处理执行环境
        StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();

        // 用flink自带的parameter tool 工具从程序启动参数中提取配置项
        ParameterTool parameterTool = ParameterTool.fromArgs(args);
        String hostname = parameterTool.get("host");
        int port = parameterTool.getInt("port");

        // 第二步：指定数据源地址，读取输入数据，这里从socket文本流读取数据
        DataStreamSource<String> inputDataStream = env.socketTextStream(hostname, port);

        // 第三步：对数据集指定转换操作逻辑, 按照空格分词展开转换成（word， 1）二元组进行统计
        SingleOutputStreamOperator<Tuple2<String, Integer>> resultStream 
        		= inputDataStream.flatMap(new WordCount.MyFlatMapper())
                .keyBy(0)
                .sum(1);

        // 第四步：指定就按结果输出位置，这里只做标准输出
        resultStream.print();

        // 第五步：指定名称并触发流式任务
        env.execute("Streaming WordCount");
    }
}

测试流处理，使用Liunx中的nc -lk <端口号>模拟数据流

结果：

如上图所示，因为电脑cpu是8线程，所以这边没有设置的情况下，默认的slot会在1~8之间

Flink项目发布运行

Linux启动Flink

为了运行Flink，Linux只需提前安装好 Java 8 或者 Java 11。你可以通过以下命令来检查 Java 是否已经安装正确。

java -version

下载 release 1.12.0 并解压。

$ tar -xzf flink-1.12.0-bin-scala_2.11.tgz
$ cd flink-1.12.0-bin-scala_2.11

启动集群

$ ./bin/start-cluster.sh
Starting cluster.
Starting standalonesession daemon on host.
Starting taskexecutor daemon on host.

提交作业（Job）

Flink 的 Releases 附带了许多的示例作业。你可以任意选择一个，快速部署到已运行的集群上。

# 这里使用Linux自带的示例jar，如果要运行自己的项目，路径指定为自己的项目路径即可
$ ./bin/flink run examples/streaming/WordCount.jar
$ tail log/flink-*-taskexecutor-*.out
  (to,1)
  (be,1)
  (or,1)
  (not,1)
  (to,2)
  (be,2)

另外，你可以通过 Flink 的 Web UI(http://localhost:8081) 来监视集群的状态和正在运行的作业。如下图所示

下图所示的地方可以查看输出结果

小结

这里介绍了基本的项目的搭建、发布运行的流程。其他的相关概念，比如具体的API的使用、Time、Watermark、Window、State、Checkpoint、Savepoint、集群部署、性能优化等相关内容，以后有机会再总结。