前言
今天是我写博客的第 200 篇，恍惚间两年过去了，现在已经是大三的学长了。仍然记得两年前第一次写博客的时候，当时学的应该是 Java 语言，菜的一批，写了就删，怕被人看到丢脸。当时就想着自己一年之后，两年之后能学到什么水平，什么是 JDBC、什么是 MVC、SSM，在当时都是特别好奇的东西，不过都在后来的学习中慢慢接触到，并且好多已经烂熟于心了。
那，今天我在畅想一下，一年后的今天，我又学到了什么水平？能否达到三花聚顶、草木山石皆可为码的超凡入圣的境界？拿没拿到心仪的 offer？和那个心动过的女孩相处怎么样了？哈哈哈哈哈
输出算子（Sink）
学完了 Flink 在不同执行环境（本地测试环境和集群环境）下的多种读取（多种数据源）和转换操作（多种转换算子），最后就是输出操作了。
1、连接到外部系统
Flink 1.12 之前，Sink 算子是通过调用 DataStream 的 addSink 方法来实现的：
stream.addSink(new SinkFunction(...));
从 Flink 1.12 开始，Flink 重构了 Sink 架构：
stream.sinkTo(...)
需要我们自己导入依赖，比如上面的 Kfaka 和 DataGen 我们之前使用的时候都导入过相关依赖，需要知道，有的是只支持source，有的只支持sink，有的全都支持。
<dependency> <groupId>org.apache.flink</groupId> <artifactId>flink-connector-kafka</artifactId> <version>${flink.version}</version> </dependency> <dependency> <groupId>org.apache.flink</groupId> <artifactId>flink-connector-datagen</artifactId> <version>${flink.version}</version> </dependency>
2、输出到文件
Flink 专门提供了一个流式文件系统的连接器：FileSink，为批处理和流处理提供了一个统一的 Sink，它可以将分区文件写入 Flink支持的文件系统。
它的主要操作是将数据写入桶（buckets），每个桶中的数据都可以分割成一个个大小有限的分区文件，这样一来就实现真正意义上的分布式文件存储。我们可以通过各种配置来控制“分桶”的操作；默认的分桶方式是基于时间的，我们每小时写入一个新的桶。换句话说，每个桶内保存的文件，记录的都是 1 小时的输出数据。
FileSink 支持行编码（Row-encoded）和批量编码（Bulk-encoded，比如 Parquet）格式。这两种不同的方式都有各自的构建器（builder），调用方法也非常简单，可以直接调用 FileSink 的静态方法：
行编码：FileSink.forRowFormat（basePath，rowEncoder）。
批量编码：FileSink.forBulkFormat（basePath，bulkWriterFactory）。
在创建行或批量编码 Sink 时，我们需要传入两个参数，用来指定存储桶的基本路径（basePath）和数据的编码逻辑（rowEncoder 或 bulkWriterFactory）。
package com.lyh.sink; import org.apache.flink.api.common.eventtime.WatermarkStrategy; import org.apache.flink.api.common.serialization.SimpleStringEncoder; import org.apache.flink.api.common.typeinfo.TypeInformation; import org.apache.flink.api.common.typeinfo.Types; import org.apache.flink.api.connector.source.util.ratelimit.RateLimiterStrategy; import org.apache.flink.configuration.MemorySize; import org.apache.flink.connector.datagen.source.DataGeneratorSource; import org.apache.flink.connector.datagen.source.GeneratorFunction; import org.apache.flink.connector.file.sink.FileSink; import org.apache.flink.core.fs.Path; import org.apache.flink.streaming.api.CheckpointingMode; import org.apache.flink.streaming.api.datastream.DataStreamSource; import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment; import org.apache.flink.streaming.api.functions.sink.filesystem.OutputFileConfig; import org.apache.flink.streaming.api.functions.sink.filesystem.bucketassigners.DateTimeBucketAssigner; import org.apache.flink.streaming.api.functions.sink.filesystem.rollingpolicies.DefaultRollingPolicy; import java.time.Duration; import java.time.ZoneId; /** * @author 刘xx * @version 1.0 * @date 2023-11-18 9:51 */ public class SinkFile { public static void main(String[] args) throws Exception { StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment(); env.setParallelism(2); // 必须开启 检查点 不然一直都是 .inprogress env.enableCheckpointing(2000, CheckpointingMode.EXACTLY_ONCE); DataGeneratorSource<String> dataGeneratorSource = new DataGeneratorSource<String>( new GeneratorFunction<Long, String>() { @Override public String map(Long value) throws Exception { return "Number:"+value; } }, Long.MAX_VALUE, RateLimiterStrategy.perSecond(10), // 每s 10条 Types.STRING ); DataStreamSource<String> dataGen = env.fromSource(dataGeneratorSource, WatermarkStrategy.noWatermarks(), "data-generate"); // todo 输出到文件系统 FileSink<String> fileSink = FileSink. // 泛型方法 需要和输出结果的泛型保持一致 <String>forRowFormat( new Path("D:/Desktop"), // 指定输出路径 可以是 hdfs:// 路径 new SimpleStringEncoder<>("UTF-8")) // 指定编码 .withOutputFileConfig(OutputFileConfig.builder() .withPartPrefix("lyh") .withPartSuffix(".log") .build()) // 按照目录分桶 一个小时一个目录(这里的时间格式别改为分钟 会报错: flink Relative path in absolute URI:) .withBucketAssigner(new DateTimeBucketAssigner<>("yyyy-MM-dd HH", ZoneId.systemDefault())) // 设置文件滚动策略-时间或者大小 10s 或 1KB 或 5min内没有新数据写入 滚动一次 // 滚动的时候 文件就会更名为我们设定的格式(前缀)不再写入 .withRollingPolicy( DefaultRollingPolicy.builder() .withRolloverInterval(Duration.ofSeconds(10L)) // 10s .withMaxPartSize(new MemorySize(1024)) // 1KB .withInactivityInterval(Duration.ofMinutes(5)) // 5min .build() ) .build(); dataGen.sinkTo(fileSink); env.execute(); } }
这里我们创建了一个简单的文件 Sink，通过.withRollingPolicy()方法指定了一个“滚动策略”。“滚动”的概念在日志文件的写入中经常遇到：因为文件会有内容持续不断地写入，所以我们应该给一个标准，到什么时候就开启新的文件，将之前的内容归档保存。也就是说，上面的代码设置了在以下 3 种情况下，我们就会滚动分区文件：
⚫ 至少包含 10 秒的数据
⚫ 最近 5 分钟没有收到新的数据
⚫ 文件大小已达到 1 KB
通过 withOutputFileConfig()方法指定了输出的文件名前缀和后缀。
需要特别注意的就是一定要开启检查点，否则我们的数据一直都是正在写入的状态（具体原因后面学习到检查点的时候会详细说）。运行结果：
3、输出到 Kafka
- 需要添加 Kafka 依赖（之前导入过了）
- 启动 Kafka
- 编写示例代码
package com.lyh.sink; import org.apache.flink.api.common.serialization.SimpleStringSchema; import org.apache.flink.connector.base.DeliveryGuarantee; import org.apache.flink.connector.kafka.sink.KafkaRecordSerializationSchema; import org.apache.flink.connector.kafka.sink.KafkaSink; import org.apache.flink.streaming.api.CheckpointingMode; import org.apache.flink.streaming.api.datastream.SingleOutputStreamOperator; import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment; import org.apache.kafka.clients.producer.ProducerConfig; /** * @author 刘xx * @version 1.0 * @date 2023-11-18 11:20 */ public class SinkKafka { public static void main(String[] args) throws Exception { StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment(); env.setParallelism(1); // 如果是 精准一次 必须开启 checkpoint env.enableCheckpointing(2000, CheckpointingMode.EXACTLY_ONCE); SingleOutputStreamOperator<String> sensorDS = env.socketTextStream("localhost", 9999); KafkaSink<String> kafkaSink = KafkaSink.<String>builder() // 指定 kafka 的地址和端口 .setBootstrapServers("hadoop102:9092,hadoop103:9092,hadoop104:9092") // 指定序列化器 我们是发送方 所以我们是生产者 .setRecordSerializer( KafkaRecordSerializationSchema.<String>builder() .setTopic("like") .setValueSerializationSchema(new SimpleStringSchema()) .build() ) // 写到 kafka 的一致性级别: 精准一次 / 至少一次 // 如果是精准一次 // 1.必须开启检查点 env.enableCheckpointing(2000, CheckpointingMode.EXACTLY_ONCE) // 2.必须设置事务的前缀 // 3.必须设置事务的超时时间: 大于 checkpoint间隔 小于 max 15分钟 .setDeliveryGuarantee(DeliveryGuarantee.EXACTLY_ONCE) .setTransactionalIdPrefix("lyh-") .setProperty(ProducerConfig.TRANSACTION_TIMEOUT_CONFIG,10*60*1000+"") .build(); sensorDS.sinkTo(kafkaSink); env.execute(); } }
启动 kafka 并开启一个消费者：
kafka-console-consumer.sh --bootstrap-server hadoop102:9092 --topic like
运行结果：
需要特别注意的三点：
如果是精准一次
1.必须开启检查点 env.enableCheckpointing(2000, CheckpointingMode.EXACTLY_ONCE)
2.必须设置事务的前缀
3.必须设置事务的超时时间: 大于 checkpoint间隔 小于 max 15分钟
自定义序列化器
我们上面用的自带的序列化器，但是如果我们有 key 的话，就需要自定义序列化器了，替换上面的代码：
.setRecordSerializer( /** * 如果要指定写入 kafka 的key 就需要自定义序列化器 * 实现一个接口 重写序列化方法 * 指定key 转为 bytes[] * 指定value 转为 bytes[] * 返回一个 ProducerRecord(topic名,key,value)对象 */ new KafkaRecordSerializationSchema<String>() { @Nullable @Override // ProducerRecord<byte[], byte[]> 返回一个生产者消息,key,value 分别对应两个字节数组 public ProducerRecord<byte[], byte[]> serialize(String element, KafkaSinkContext context, Long timestamp) { String[] datas = element.split(","); byte[] key = datas[0].getBytes(StandardCharsets.UTF_8); byte[] value = element.getBytes(StandardCharsets.UTF_8); return new ProducerRecord<>("like",key,value); } } )
运行结果：
4、输出到 MySQL
添加依赖（1.17版本的依赖需要指定仓库才能找到，因为阿里云和默认的maven仓库是没有的）：
<dependency> <groupId>org.apache.flink</groupId> <artifactId>flink-connector-jdbc</artifactId> <version>1.17-SNAPSHOT</version> </dependency> <dependency> <groupId>mysql</groupId> <artifactId>mysql-connector-java</artifactId> <version>8.0.31</version> </dependency> .... <repositories> <repository> <id>apache-snapshots</id> <name>apache snapshots</name> <url>https://repository.apache.org/content/repositories/snapshots/</url> </repository> </repositories>
创建表格
编写代码，将输入的数据行分隔为对象参数，每行数据生成一个对象进行处理。
package com.lyh.sink; import com.lyh.bean.WaterSensor; import function.WaterSensorFunction; import org.apache.flink.connector.jdbc.JdbcConnectionOptions; import org.apache.flink.connector.jdbc.JdbcExecutionOptions; import org.apache.flink.connector.jdbc.JdbcSink; import org.apache.flink.connector.jdbc.JdbcStatementBuilder; import org.apache.flink.streaming.api.datastream.SingleOutputStreamOperator; import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment; import org.apache.flink.streaming.api.functions.sink.SinkFunction; import java.sql.PreparedStatement; import java.sql.SQLException; /** * @author 刘xx * @version 1.0 * @date 2023-11-18 12:32 */ public class SinkMySQL { public static void main(String[] args) throws Exception { StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment(); env.setParallelism(1); SingleOutputStreamOperator<WaterSensor> sensorDS = env.socketTextStream("localhost", 9999) .map(new WaterSensorFunction()); //输入进来的数据自动转为 WaterSensor类型 /** * todo 写入 mysql * 1.这里需要用旧的sink写法：addSink * 2.JDBC的4个参数 * (1) 执行的sql语句 * (2) 对占位符进行填充 * (3) 执行选项 -> 攒批,重试 * (4) 连接选项 -> driver,username,password,url */ SinkFunction<WaterSensor> jdbcSink = JdbcSink.sink("insert into flink.ws values(?,?,?)", // 指定 sql 中占位符的值 new JdbcStatementBuilder<WaterSensor>() { @Override public void accept(PreparedStatement stmt, WaterSensor sensor) throws SQLException { // 占位符从 1 开始 stmt.setString(1, sensor.getId()); stmt.setLong(2, sensor.getTs()); stmt.setInt(3, sensor.getVc()); } }, JdbcExecutionOptions.builder() .withMaxRetries(3) //最多重试3次(不包括第一次,共4次) .withBatchSize(100) //每收集100条记录进行一次写入 .withBatchIntervalMs(3000) // 批次3s(即使没有达到100条记录,只要过了3s JDBCSink也会进行记录的写入),这有助于确保数据及时写入，而不是无限期地等待批处理大小达到。 .build() , new JdbcConnectionOptions.JdbcConnectionOptionsBuilder() .withUrl("jdbc:mysql://localhost:3306/flink?serverTimezone=Asia/Shanghai&useUnicode=true&characterEncoding=UTF-8") .withDriverName("com.mysql.cj.jdbc.Driver") .withUsername("root") .withPassword("Yan1029.") // mysql 默认8小时不使用连接就主动断开连接 .withConnectionCheckTimeoutSeconds(60) // 重试连接直接的间隔,上面我们设置最多重试3次,每次间隔60s .build() ); sensorDS.addSink(jdbcSink); env.execute(); } }
查询结果：
5、自定义 Sink 输出
与 Source 类似，Flink 为我们提供了通用的 SinkFunction 接口和对应的 RichSinkDunction抽象类，只要实现它，通过简单地调用 DataStream 的.addSink()方法就可以自定义写入任何外部存储。
这里我们自定义实现一个向 HBase 中插入数据的 Sink。
注意：这里只是做一个简单的 Demo，下面的代码不难发现，我们只是对 nosq:student 表下的 info:name 进行了两次的覆盖。如果要实现复杂的处理功能，需要对数据类型进行定义，因为 HBase 的数据是按列存储的，所以对于复杂的 Hbase 表，我们难以通过 Java bean 来插入数据。而且，一般经常用的连接器，Flink 大部分已经提供了，开发中我们一般也很少自定义 Sink 输出。
package com.lyh.sink; import com.lyh.utils.HBaseConnection; import org.apache.flink.configuration.Configuration; import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment; import org.apache.flink.streaming.api.functions.sink.RichSinkFunction; import org.apache.hadoop.hbase.TableName; import org.apache.hadoop.hbase.client.Connection; import org.apache.hadoop.hbase.client.Put; import org.apache.hadoop.hbase.client.Table; import java.nio.charset.StandardCharsets; /** * @author 刘xx * @version 1.0 * @date 2023-11-18 15:59 */ public class SinkCustomHBase { public static void main(String[] args) throws Exception { StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment(); env.setParallelism(1); env.fromElements("tom","bob").addSink(new RichSinkFunction<String>() { public Connection con; @Override public void open(Configuration parameters) throws Exception { super.open(parameters); con = HBaseConnection.getConnection("hadoop102:2181"); } @Override public void invoke(String value, Context context) throws Exception { super.invoke(value, context); Table table = con.getTable(TableName.valueOf("nosql","student")); Put put = new Put("1001".getBytes(StandardCharsets.UTF_8)); put.addColumn("info".getBytes(StandardCharsets.UTF_8) ,"name".getBytes(StandardCharsets.UTF_8), value.getBytes(StandardCharsets.UTF_8)); table.put(put); table.close(); } @Override public void close() throws Exception { super.close(); HBaseConnection.close(); } }); env.execute(); } }
这里用到一个简单的连接 HBase 的工具类：
package com.lyh.utils; import org.apache.hadoop.conf.Configuration; import org.apache.hadoop.hbase.client.Connection; import org.apache.hadoop.hbase.client.ConnectionFactory; import java.io.IOException; /** * @author 刘xx * @version 1.0 * @date 2023-11-18 16:04 */ public class HBaseConnection { private static Connection connection; public static Connection getConnection(String hosts) throws IOException { Configuration conf = new Configuration(); conf.set("hbase.zookeeper.quorum", hosts); conf.setInt("hbase.rpc.timeout", 10000); // 设置最大超时 10 s connection = ConnectionFactory.createConnection(conf); return connection; } public static void close() throws IOException { if (connection!=null) connection.close(); } }
