Apache Flink 流处理实例

内容预览:
  • 因此我们对每个 WikipediaEditEvent 以用户名作为键来标记(keyed)~
  • Flink 兼容 Java 1.6 版本,因此古老的版本中 Flink 提供 KeySelector ...~
  • 这一步骤类似于 MapReduce 的 Shuffle 过程,针对 keyedEdits 的处理将...~

维基百科在 IRC 频道上记录 Wiki 被修改的日志,我们可以通过监听这个 IRC 频道,来实时监控给定时间窗口内的修改事件。Apache Flink 作为流计算引擎,非常适合处理流数据,并且,类似于 Hadoop MapReduce 等框架,Flink 提供了非常良好的抽象,使得业务逻辑代码编写非常简单。我们通过这个简单的例子来感受一下 Flink 的程序的编写。

通过 Flink Quickstart 构建 Maven 工程

Flink 提供了 flink-quickstart-javaflink-quickstart-scala 插件,允许使用 Maven 的开发者创建统一的项目模版,应用项目模板可以规避掉很多部署上的坑。

构建这次工程的命令如下

$ mvn archetype:generate 
-DarchetypeGroupId=org.apache.flink
-DarchetypeArtifactId=flink-quickstart-java
-DarchetypeCatalog=https://repository.apache.org/content/repositories/snapshots/
-DarchetypeVersion=1.6-SNAPSHOT
-DgroupId=wiki-edits
-DartifactId=wiki-edits
-Dversion=0.1
-Dpackage=wikiedits
-DinteractiveMode=false

注意高版本的 Maven 不支持 -DarchetypeCatalog 参数,可以将第一行改为  mvn org.apache.maven.plugins:maven-archetype-plugin:2.4::generate 或者去掉 -DarchetypeCatalog 行,并将 .m2/settings.xml 修改如下,其中主要是在 //profiles/profile/repositories 下设置好搜索 archetype 的仓库地址

<settings xmlns="http://maven.apache.org/POM/4.0.0"
xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
xsi:schemaLocation="http://maven.apache.org/POM/4.0.0
http://maven.apache.org/xsd/settings-1.0.0.xsd">

<profiles>
<profile>
<id>acme</id>
<repositories>
<repository>
<id>archetype</id>
<name>Apache Development Snapshot Repository</name>
<url>https://repository.apache.org/content/repositories/snapshots/</url>
<releases>
<enabled>false</enabled>
</releases>
<snapshots>
<enabled>true</enabled>
</snapshots>
</repository>
</repositories>
</profile>
</profiles>

<activeProfiles>
<activeProfile>acme</activeProfile>
</activeProfiles>

</settings>

成功下载项目模板后,在当前目录下应当能看到 wiki-edit 目录。执行命令 rm wiki-edits/src/main/java/wikiedits/*.java 清除模板自带的 Java 文件。

为了监听维基百科的 IRC 频道,在 pom.xml 文件下添加如下依赖,分别是 Flink 的客户端和 WikiEdit 的连接器

        <dependency>
<groupId>org.apache.flink</groupId>
<artifactId>flink-clients_$</artifactId>
<version>$</version>
</dependency>
<dependency>
<groupId>org.apache.flink</groupId>
<artifactId>flink-connector-wikiedits_$</artifactId>
<version>$</version>
</dependency>

编写 Flink 程序

接下来的代码编写工作假定你是在 IDE 下编写的,主要是为了避免啰嗦的 import 语句。包含 import 等模板代码的全部代码在末尾给出。

首先我们创建用于运行的主程序代码 src/main/java/wikiedits/WikipediaAnalysis.java

package wikiedits;

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

}
}

流处理的 Flink 程序的第一步是创建流处理执行上下文 StreamExecutionEnvironment,它类似于其他框架内的 Configuration 类,用于配制 Flink 程序和运行时的各个参数,对应的语句如下

StreamExecutionEnvironment see = StreamExecutionEnvironment.getExecutionEnvironment();

下一步我们以维基百科 IRC 频道的日志作为数据源创建连接

DataStream<WikipediaEditEvent> edits = see.addSource(new WikipediaEditsSource());

这个语句创建了填充 WikipediaEditEventDataStream,拿到数据流之后我们就可以对它做进一步的操作了。

我们的目标是统计给定时间窗口内,比如说五秒内,用户对维基百科的修改字节数。因此我们对每个 WikipediaEditEvent 以用户名作为键来标记(keyed)。Flink 兼容 Java 1.6 版本,因此古老的版本中 Flink 提供 KeySelector 函数式接口来标记

KeyedStream<WikipediaEditEvent, String> keyedEdits = edits
.keyBy(new KeySelector<WikipediaEditEvent, String>() {
@Override
public String getKey(WikipediaEditEvent event) {
return event.getUser();
}
});

当前版本的 Flink 主要支持的是 Java 8 版本,因此我们也可以用 Lambda 表达式来改写这段较为繁琐的代码

KeyedStream<WikipediaEditEvent, String> keyedEdits = edits
.keyBy(WikipediaEditEvent::getUser);

这个语句定义了 keyedEdits 变量,它是一个概念上形如(String, WikipediaEditEvent) 的数据流,即以字符串(用户名)为键,WikipediaEditEvent 为值的数据的流。这一步骤类似于 MapReduce 的 Shuffle 过程,针对 keyedEdits 的处理将自动按照键分组,因此我们可以直接对数据进行 fold 操作以折叠聚合同一用户名的修改字节数

DataStream<Tuple2<String, Long>> result = keyedEdits
.timeWindow(Time.seconds(5))
.fold(new Tuple2<>("", 0L), new FoldFunction<WikipediaEditEvent, Tuple2<String, Long>>() {
@Override
public Tuple2<String, Long> fold(Tuple2<String, Long> acc, WikipediaEditEvent event) {
acc.f0 = event.getUser();
acc.f1 += event.getByteDiff();
return acc;
}
});

在新版的 Flink 中,FoldFunction 因为无法支持部分聚合被废弃了,如果对程序有强迫症,我们可以采用类似于 MapReduce 的办法来改写上边的代码,各个方法调用的作用与它们的名字一致,其中,为了绕过类型擦除导致的问题使用了 returns 函数

DataStream<Tuple2<String, Long>> result = keyedEdits
.map((event) -> new Tuple2<>(event.getUser(), Long.valueOf(event.getByteDiff())))
.returns(new TypeHint<Tuple2<String, Long>>(){})
.timeWindowAll(Time.seconds(5))
.reduce((acc, a) -> new Tuple2<>(a.f0, acc.f1+a.f1));

经过处理后的数据流 result 中就包含了我们所需要的信息,具体地说是填充了 Tuple2<String, Long>,即(用户名,修改字节数)元组的流,我们可以使用 result.print() 来打印它。

程序至此主要处理逻辑就写完了,但是 Flink 还需要在 StreamExecutionEnvironment 类型的变量上调用 execute 方法以实际执行整个 Flink 程序,该方法执行时将整个 Flink 程序转化为任务图并提交到 Flink 集群中。

整个程序的代码,包括模板代码,如下所示

package wikiedits;

import org.apache.flink.api.common.typeinfo.TypeHint;
import org.apache.flink.streaming.api.datastream.DataStream;
import org.apache.flink.streaming.api.datastream.KeyedStream;
import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;
import org.apache.flink.streaming.api.windowing.time.Time;
import org.apache.flink.streaming.connectors.wikiedits.WikipediaEditEvent;
import org.apache.flink.streaming.connectors.wikiedits.WikipediaEditsSource;
import org.apache.flink.api.java.tuple.Tuple2;

public class WikipediaAnalysis {
public static void main(String[] args) throws Exception {
StreamExecutionEnvironment see = StreamExecutionEnvironment.getExecutionEnvironment();
DataStream<WikipediaEditEvent> edits = see.addSource(new WikipediaEditsSource());
KeyedStream<WikipediaEditEvent, String> keyedEdits = edits
.keyBy(WikipediaEditEvent::getUser);
DataStream<Tuple2<String, Long>> result = keyedEdits
.map((event) -> new Tuple2<>(event.getUser(), Long.valueOf(event.getByteDiff())))
.returns(new TypeHint<Tuple2<String, Long>>(){})
.timeWindowAll(Time.seconds(5))
.reduce((acc, a) -> new Tuple2<>(a.f0, acc.f1+a.f1));
result.print();
see.execute();
}
}

可以通过 IDE 运行程序,在控制台看到类似下面格式的输出,每一行前面的数字代表了这是由 print 的并行实例中的编号为几的实例运行的结果

1> (LilHelpa,1966)
2> (1.70.80.5,2066)
3> (Beyond My Ken,-6550)
4> (Aleksandr Grigoryev,725)
1> (6.77.155.31,1943)
2> (Serols,1639)
3> (ClueBot NG,1907)
4> (GSS,3155)

以上就是:Apache Flink 流处理实例 的全部内容。

本站部分内容来源于互联网和用户投稿,如有侵权请联系我们删除,谢谢。
Email:[email protected]


0 条回复 A 作者 M 管理员
    所有的伟大,都源于一个勇敢的开始!
欢迎您,新朋友,感谢参与互动!欢迎您 {{author}},您在本站有{{commentsCount}}条评论