分流场景
我们在生产实践中经常会遇到这样的场景，需把输入源按照需要进行拆分，比如我期望把订单流按照金额大小进行拆分，或者把用户访问日志按照访问者的地理位置进行拆分等。面对这样的需求该如何操作呢？
分流的方法
通常来说针对不同的场景，有以下三种办法进行流的拆分。
Filter 分流
Filter 方法我们在第 04 课时中（Flink 常用的 DataSet 和 DataStream API）讲过，这个算子用来根据用户输入的条件进行过滤，每个元素都会被 filter() 函数处理，如果 filter() 函数返回 true 则保留，否则丢弃。那么用在分流的场景，我们可以做多次 filter，把我们需要的不同数据生成不同的流。
来看下面的例子：
复制代码
public static void main(String[] args) throws Exception { StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment(); //获取数据源 List data = new ArrayList<Tuple3<Integer,Integer,Integer>>(); data.add(new Tuple3<>(0,1,0)); data.add(new Tuple3<>(0,1,1)); data.add(new Tuple3<>(0,2,2)); data.add(new Tuple3<>(0,1,3)); data.add(new Tuple3<>(1,2,5)); data.add(new Tuple3<>(1,2,9)); data.add(new Tuple3<>(1,2,11)); data.add(new Tuple3<>(1,2,13)); DataStreamSource<Tuple3<Integer,Integer,Integer>> items = env.fromCollection(data); SingleOutputStreamOperator<Tuple3<Integer, Integer, Integer>> zeroStream = items.filter((FilterFunction<Tuple3<Integer, Integer, Integer>>) value -> value.f0 == 0); SingleOutputStreamOperator<Tuple3<Integer, Integer, Integer>> oneStream = items.filter((FilterFunction<Tuple3<Integer, Integer, Integer>>) value -> value.f0 == 1); zeroStream.print(); oneStream.printToErr(); //打印结果 String jobName = "user defined streaming source"; env.execute(jobName); }
在上面的例子中我们使用 filter 算子将原始流进行了拆分，输入数据第一个元素为 0 的数据和第一个元素为 1 的数据分别被写入到了 zeroStream 和 oneStream 中，然后把两个流进行了打印。
可以看到 zeroStream 和 oneStream 分别被打印出来。
Filter 的弊端是显而易见的，为了得到我们需要的流数据，需要多次遍历原始流，这样无形中浪费了我们集群的资源。
Split 分流
Split 也是 Flink 提供给我们将流进行切分的方法，需要在 split 算子中定义 OutputSelector，然后重写其中的 select 方法，将不同类型的数据进行标记，最后对返回的 SplitStream 使用 select 方法将对应的数据选择出来。
我们来看下面的例子：
复制代码
public static void main(String[] args) throws Exception { StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment(); //获取数据源 List data = new ArrayList<Tuple3<Integer,Integer,Integer>>(); data.add(new Tuple3<>(0,1,0)); data.add(new Tuple3<>(0,1,1)); data.add(new Tuple3<>(0,2,2)); data.add(new Tuple3<>(0,1,3)); data.add(new Tuple3<>(1,2,5)); data.add(new Tuple3<>(1,2,9)); data.add(new Tuple3<>(1,2,11)); data.add(new Tuple3<>(1,2,13)); DataStreamSource<Tuple3<Integer,Integer,Integer>> items = env.fromCollection(data); SplitStream<Tuple3<Integer, Integer, Integer>> splitStream = items.split(new OutputSelector<Tuple3<Integer, Integer, Integer>>() { @Override public Iterable<String> select(Tuple3<Integer, Integer, Integer> value) { List<String> tags = new ArrayList<>(); if (value.f0 == 0) { tags.add("zeroStream"); } else if (value.f0 == 1) { tags.add("oneStream"); } return tags; } }); splitStream.select("zeroStream").print(); splitStream.select("oneStream").printToErr(); //打印结果 String jobName = "user defined streaming source"; env.execute(jobName); }
同样，我们把来源的数据使用 split 算子进行了切分，并且打印出结果。
但是要注意，使用 split 算子切分过的流，是不能进行二次切分的，假如把上述切分出来的 zeroStream 和 oneStream 流再次调用 split 切分，控制台会抛出以下异常。
复制代码
Exception in thread "main" java.lang.IllegalStateException: Consecutive multiple splits are not supported. Splits are deprecated. Please use side-outputs.
这是什么原因呢？我们在源码中可以看到注释，该方式已经废弃并且建议使用最新的 SideOutPut 进行分流操作。
SideOutPut 分流
SideOutPut 是 Flink 框架为我们提供的最新的也是最为推荐的分流方法，在使用 SideOutPut 时，需要按照以下步骤进行：
- 定义 OutputTag
- 调用特定函数进行数据拆分
- ProcessFunction
- KeyedProcessFunction
- CoProcessFunction
- KeyedCoProcessFunction
- ProcessWindowFunction
- ProcessAllWindowFunction
在这里我们使用 ProcessFunction 来讲解如何使用 SideOutPut：
复制代码
public static void main(String[] args) throws Exception { StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment(); //获取数据源 List data = new ArrayList<Tuple3<Integer,Integer,Integer>>(); data.add(new Tuple3<>(0,1,0)); data.add(new Tuple3<>(0,1,1)); data.add(new Tuple3<>(0,2,2)); data.add(new Tuple3<>(0,1,3)); data.add(new Tuple3<>(1,2,5)); data.add(new Tuple3<>(1,2,9)); data.add(new Tuple3<>(1,2,11)); data.add(new Tuple3<>(1,2,13)); DataStreamSource<Tuple3<Integer,Integer,Integer>> items = env.fromCollection(data); OutputTag<Tuple3<Integer,Integer,Integer>> zeroStream = new OutputTag<Tuple3<Integer,Integer,Integer>>("zeroStream") {}; OutputTag<Tuple3<Integer,Integer,Integer>> oneStream = new OutputTag<Tuple3<Integer,Integer,Integer>>("oneStream") {}; SingleOutputStreamOperator<Tuple3<Integer, Integer, Integer>> processStream= items.process(new ProcessFunction<Tuple3<Integer, Integer, Integer>, Tuple3<Integer, Integer, Integer>>() { @Override public void processElement(Tuple3<Integer, Integer, Integer> value, Context ctx, Collector<Tuple3<Integer, Integer, Integer>> out) throws Exception { if (value.f0 == 0) { ctx.output(zeroStream, value); } else if (value.f0 == 1) { ctx.output(oneStream, value); } } }); DataStream<Tuple3<Integer, Integer, Integer>> zeroSideOutput = processStream.getSideOutput(zeroStream); DataStream<Tuple3<Integer, Integer, Integer>> oneSideOutput = processStream.getSideOutput(oneStream); zeroSideOutput.print(); oneSideOutput.printToErr(); //打印结果 String jobName = "user defined streaming source"; env.execute(jobName); }
可以看到，我们将流进行了拆分，并且成功打印出了结果。这里要注意，Flink 最新提供的 SideOutPut 方式拆分流是可以多次进行拆分的，无需担心会爆出异常。
总结
这一课时我们讲解了 Flink 的一个小的知识点，是我们生产实践中经常遇到的场景，Flink 在最新的版本中也推荐我们使用 SideOutPut 进行流的拆分。
