1 官网API列表
https://ci.apache.org/projects/flink/flink-docs-release-1.12/dev/stream/operators/
整体来说，流式数据上的操作可以分为四类。
第一类是对于单条记录的操作，比如筛除掉不符合要求的记录（Filter 操作），或者将每条记录都做一个转换（Map 操作）
第二类是对多条记录的操作。比如说统计一个小时内的订单总成交量，就需要将一个小时内的所有订单记录的成交量加到一起。为了支持这种类型的操作，就得通过 Window 将需要的记录关联到一起进行处理
第三类是对多个流进行操作并转换为单个流。例如，多个流可以通过 Union、Join 或 Connect等操作合到一起。这些操作合并的逻辑不同，但是它们最终都会产生了一个新的统一的流，从而可以进行一些跨流的操作。
最后， DataStream 还支持与合并对称的拆分操作，即把一个流按一定规则拆分为多个流
（Split 操作），每个流是之前流的一个子集，这样我们就可以对不同的流作不同的处理。
2 基本操作-略
2.1 map
⚫ API
map:将函数作用在集合中的每一个元素上,并返回作用后的结果
2.2 flatMap
⚫ API
flatMap:将集合中的每个元素变成一个或多个元素,并返回扁平化之后的结果
2.3 keyBy
按照指定的key来对流中的数据进行分组，前面入门案例中已经演示过
注意:
流处理中没有groupBy,而是keyBy
2.4 filter
⚫ API
filter:按照指定的条件对集合中的元素进行过滤,过滤出返回true/符合条件的元素
2.5 sum
⚫ API
sum:按照指定的字段对集合中的元素进行求和
2.6 reduce
⚫ API
reduce:对集合中的元素进行聚合
2.7 代码演示
⚫ 需求:
对流数据中的单词进行统计，排除敏感词heihei
⚫ 代码演示
package cn.oldlu.transformation; import org.apache.flink.api.common.RuntimeExecutionMode; import org.apache.flink.api.common.functions.FilterFunction; import org.apache.flink.api.common.functions.FlatMapFunction; import org.apache.flink.api.common.functions.MapFunction; import org.apache.flink.api.common.functions.ReduceFunction; import org.apache.flink.api.java.tuple.Tuple2; 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.util.Collector; /** * Author oldlu * Desc */ public class TransformationDemo01 { public static void main(String[] args) throws Exception { //1.env StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment(); env.setRuntimeMode(RuntimeExecutionMode.AUTOMATIC); //2.source DataStream<String> linesDS = env.socketTextStream("node1", 9999); //3.处理数据-transformation DataStream<String> wordsDS = linesDS.flatMap(new FlatMapFunction<String, String>() { @Override public void flatMap(String value, Collector<String> out) throws Exception { //value就是一行行的数据 String[] words = value.split(" "); for (String word : words) { out.collect(word);//将切割处理的一个个的单词收集起来并返回 } } }); DataStream<String> filtedDS = wordsDS.filter(new FilterFunction<String>() { @Override public boolean filter(String value) throws Exception { return !value.equals("heihei"); } }); DataStream<Tuple2<String, Integer>> wordAndOnesDS = filtedDS.map(new MapFunction<String, Tuple2<String, Integer>>() { @Override public Tuple2<String, Integer> map(String value) throws Exception { //value就是进来一个个的单词 return Tuple2.of(value, 1); } }); //KeyedStream<Tuple2<String, Integer>, Tuple> groupedDS = wordAndOnesDS.keyBy(0); KeyedStream<Tuple2<String, Integer>, String> groupedDS = wordAndOnesDS.keyBy(t -> t.f0); DataStream<Tuple2<String, Integer>> result1 = groupedDS.sum(1); DataStream<Tuple2<String, Integer>> result2 = groupedDS.reduce(new ReduceFunction<Tuple2<String, Integer>>() { @Override public Tuple2<String, Integer> reduce(Tuple2<String, Integer> value1, Tuple2<String, Integer> value2) throws Exception { return Tuple2.of(value1.f0, value1.f1 + value1.f1); } }); //4.输出结果-sink result1.print("result1"); result2.print("result2"); //5.触发执行-execute env.execute(); } }
3 合并-拆分
3.1 union和connect
⚫ API
union：
union算子可以合并多个同类型的数据流，并生成同类型的数据流，即可以将多个DataStream[T]
合并为一个新的DataStream[T]。数据将按照先进先出（First In First Out）的模式合并，且不去
重。
connect：
connect提供了和union类似的功能，用来连接两个数据流，它与union的区别在于：connect只能连接两个数据流，union可以连接多个数据流。connect所连接的两个数据流的数据类型可以不一致，union所连接的两个数据流的数据类型必须一致。
两个DataStream经过connect之后被转化为ConnectedStreams，ConnectedStreams会对两个流的数据应用不同的处理方法，且双流之间可以共享状态。
⚫ 需求
将两个String类型的流进行union将一个String类型和一个Long类型的流进行connect
⚫ 代码实现
package cn.oldlu.transformation; import org.apache.flink.api.common.RuntimeExecutionMode; import org.apache.flink.streaming.api.datastream.ConnectedStreams; import org.apache.flink.streaming.api.datastream.DataStream; import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment; import org.apache.flink.streaming.api.functions.co.CoMapFunction; /** * Author oldlu * Desc */ public class TransformationDemo02 { public static void main(String[] args) throws Exception { //1.env StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment(); env.setRuntimeMode(RuntimeExecutionMode.AUTOMATIC); //2.Source DataStream<String> ds1 = env.fromElements("hadoop", "spark", "flink"); DataStream<String> ds2 = env.fromElements("hadoop", "spark", "flink"); DataStream<Long> ds3 = env.fromElements(1L, 2L, 3L); //3.Transformation DataStream<String> result1 = ds1.union(ds2);//合并但不去重 https://blog.csdn.net/valada/article/details/104367378 ConnectedStreams<String, Long> tempResult = ds1.connect(ds3); //interface CoMapFunction<IN1, IN2, OUT> DataStream<String> result2 = tempResult.map(new CoMapFunction<String, Long, String>() { @Override public String map1(String value) throws Exception { return "String->String:" + value; } @Override public String map2(Long value) throws Exception { return "Long->String:" + value.toString(); } }); //4.Sink result1.print(); result2.print(); //5.execute env.execute(); } }
3.2 split、select和Side Outputs
⚫ API
Split就是将一个流分成多个流Select就是获取分流后对应的数据
注意：split函数已过期并移除
Side Outputs：可以使用process方法对流中数据进行处理，并针对不同的处理结果将数据收集到不同的OutputTag中
⚫ 需求:
对流中的数据按照奇数和偶数进行分流，并获取分流后的数据
⚫ 代码实现:
package cn.oldlu.transformation; import org.apache.flink.api.common.RuntimeExecutionMode; import org.apache.flink.api.common.typeinfo.TypeInformation; import org.apache.flink.streaming.api.datastream.DataStream; import org.apache.flink.streaming.api.datastream.DataStreamSource; import org.apache.flink.streaming.api.datastream.SingleOutputStreamOperator; import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment; import org.apache.flink.streaming.api.functions.ProcessFunction; import org.apache.flink.util.Collector; import org.apache.flink.util.OutputTag; /** * Author oldlu * Desc */ public class TransformationDemo03 { public static void main(String[] args) throws Exception { //1.env StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment(); env.setRuntimeMode(RuntimeExecutionMode.AUTOMATIC); //2.Source DataStreamSource<Integer> ds = env.fromElements(1, 2, 3, 4, 5, 6, 7, 8, 9, 10); //3.Transformation /*SplitStream<Integer> splitResult = ds.split(new OutputSelector<Integer>() { @Override public Iterable<String> select(Integer value) { //value是进来的数字 if (value % 2 == 0) { //偶数 ArrayList<String> list = new ArrayList<>(); list.add("偶数"); return list; } else { //奇数 ArrayList<String> list = new ArrayList<>(); list.add("奇数"); return list; } } }); DataStream<Integer> evenResult = splitResult.select("偶数"); DataStream<Integer> oddResult = splitResult.select("奇数");*/ //定义两个输出标签 OutputTag<Integer> tag_even = new OutputTag<Integer>("偶数", TypeInformation.of(Integer.class)); OutputTag<Integer> tag_odd = new OutputTag<Integer>("奇数"){}; //对ds中的数据进行处理 SingleOutputStreamOperator<Integer> tagResult = ds.process(new ProcessFunction<Integer, Integer>() { @Override public void processElement(Integer value, Context ctx, Collector<Integer> out) throws Exception { if (value % 2 == 0) { //偶数 ctx.output(tag_even, value); } else { //奇数 ctx.output(tag_odd, value); } } }); //取出标记好的数据 DataStream<Integer> evenResult = tagResult.getSideOutput(tag_even); DataStream<Integer> oddResult = tagResult.getSideOutput(tag_odd); //4.Sink evenResult.print("偶数"); oddResult.print("奇数"); //5.execute env.execute(); } }
4 分区
4.1 rebalance重平衡分区
⚫ API
类似于Spark中的repartition,但是功能更强大,可以直接解决数据倾斜
Flink也有数据倾斜的时候，比如当前有数据量大概10亿条数据需要处理，在处理过程中可能会发生如图所示的状况，出现了数据倾斜，其他3台机器执行完毕也要等待机器1执行完毕后才算整体将任务完成；
所以在实际的工作中，出现这种情况比较好的解决方案就是rebalance(内部使用round robin方法将数据均匀打散)
⚫ 代码演示:
package cn.oldlu.transformation; import org.apache.flink.api.common.RuntimeExecutionMode; import org.apache.flink.api.common.functions.FilterFunction; import org.apache.flink.api.common.functions.RichMapFunction; import org.apache.flink.api.java.tuple.Tuple2; import org.apache.flink.streaming.api.datastream.DataStream; import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment; /** * Author oldlu * Desc */ public class TransformationDemo04 { public static void main(String[] args) throws Exception { //1.env StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment(); env.setRuntimeMode(RuntimeExecutionMode.AUTOMATIC).setParallelism(3); //2.source DataStream<Long> longDS = env.fromSequence(0, 100); //3.Transformation //下面的操作相当于将数据随机分配一下,有可能出现数据倾斜 DataStream<Long> filterDS = longDS.filter(new FilterFunction<Long>() { @Override public boolean filter(Long num) throws Exception { return num > 10; } }); //接下来使用map操作,将数据转为(分区编号/子任务编号, 数据) //Rich表示多功能的,比MapFunction要多一些API可以供我们使用 DataStream<Tuple2<Integer, Integer>> result1 = filterDS .map(new RichMapFunction<Long, Tuple2<Integer, Integer>>() { @Override public Tuple2<Integer, Integer> map(Long value) throws Exception { //获取分区编号/子任务编号 int id = getRuntimeContext().getIndexOfThisSubtask(); return Tuple2.of(id, 1); } }).keyBy(t -> t.f0).sum(1); DataStream<Tuple2<Integer, Integer>> result2 = filterDS.rebalance() .map(new RichMapFunction<Long, Tuple2<Integer, Integer>>() { @Override public Tuple2<Integer, Integer> map(Long value) throws Exception { //获取分区编号/子任务编号 int id = getRuntimeContext().getIndexOfThisSubtask(); return Tuple2.of(id, 1); } }).keyBy(t -> t.f0).sum(1); //4.sink //result1.print();//有可能出现数据倾斜 result2.print();//在输出前进行了rebalance重分区平衡,解决了数据倾斜 //5.execute env.execute(); } }
4.2 其他分区
⚫ API
说明:
recale分区。基于上下游Operator的并行度，将记录以循环的方式输出到下游Operator的每个实例。
举例:
上游并行度是2，下游是4，则上游一个并行度以循环的方式将记录输出到下游的两个并行度上;上游另一个并行度以循环的方式将记录输出到下游另两个并行度上。若上游并行度是4，下游并行度是2，则上游两个并行度将记录输出到下游一个并行度上；上游另两个并行度将记录输出到下游另一个并行度上。
⚫ 需求:
对流中的元素使用各种分区,并输出
⚫ 代码实现
package cn.oldlu.transformation; import org.apache.flink.api.common.RuntimeExecutionMode; import org.apache.flink.api.common.functions.FlatMapFunction; import org.apache.flink.api.common.functions.Partitioner; import org.apache.flink.api.java.tuple.Tuple2; import org.apache.flink.streaming.api.datastream.DataStream; import org.apache.flink.streaming.api.datastream.SingleOutputStreamOperator; import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment; import org.apache.flink.util.Collector; /** * Author oldlu * Desc */ public class TransformationDemo05 { public static void main(String[] args) throws Exception { //1.env StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment(); env.setRuntimeMode(RuntimeExecutionMode.AUTOMATIC); //2.Source DataStream<String> linesDS = env.readTextFile("data/input/words.txt"); SingleOutputStreamOperator<Tuple2<String, Integer>> tupleDS = linesDS.flatMap(new FlatMapFunction<String, Tuple2<String, Integer>>() { @Override public void flatMap(String value, Collector<Tuple2<String, Integer>> out) throws Exception { String[] words = value.split(" "); for (String word : words) { out.collect(Tuple2.of(word, 1)); } } }); //3.Transformation DataStream<Tuple2<String, Integer>> result1 = tupleDS.global(); DataStream<Tuple2<String, Integer>> result2 = tupleDS.broadcast(); DataStream<Tuple2<String, Integer>> result3 = tupleDS.forward(); DataStream<Tuple2<String, Integer>> result4 = tupleDS.shuffle(); DataStream<Tuple2<String, Integer>> result5 = tupleDS.rebalance(); DataStream<Tuple2<String, Integer>> result6 = tupleDS.rescale(); DataStream<Tuple2<String, Integer>> result7 = tupleDS.partitionCustom(new Partitioner<String>() { @Override public int partition(String key, int numPartitions) { return key.equals("hello") ? 0 : 1; } }, t -> t.f0); //4.sink //result1.print(); //result2.print(); //result3.print(); //result4.print(); //result5.print(); //result6.print(); result7.print(); //5.execute env.execute(); } }
