【Flink-scala】DataSet编程模型介绍及数据源
DataStream 学习
1.DataStream编程模型总结
文章目录
- DataStream 学习
- 介绍
- 一、DataSet编程模型
- 二、数据源
- 1.文件类数据源
- 2.集合类数据源
- 3.通用类数据源
- 4第三方文件系统
介绍
Flink把批处理看成是一个流处理的特例,因此可以在底层统一的流处理引擎上,同时提供了STREAM API和SET API,经典的有限数据流处理方式有:
由于批处理的对象是有界数据集,因此批处理不需要时间和窗口机制
一、DataSet编程模型
link批处理程序的基本运行流程包括以下4个步骤:
- 创建执行环境;
- 创建数据源;
- 指定对数据进行的转换操作;
- 指定数据计算的输出结果方式。
上面第1步中创建批处理执行环境的方式如下:
val env = ExecutionEnvironment.getExecutionEnvironment
此外,还需要在pom.xml文件中引入flink-scala_2.12依赖库,具体如下:
<dependency>
<groupId>org.apache.flink</groupId>
<artifactId>flink-scala_2.12</artifactId>
<version>1.11.2</version>
</dependency>
编程模型如图:
数据的处理过程:
读取数据源-进行转换操作-获取结果数据。
批处理数据的基本流程:
二、数据源
1.文件类数据源
Flink提供了从文件中读取数据生成DataSet的多种方法,具体如下:
readTextFile(path):逐行读取文件并将文件内容转换成DataSet类型数据集;
readTextFileWithValue(path):读取文本文件内容,并将文件内容转换成DataSet[StringValue]类型数据集。
该方法与readTextFile(String)不同的是,其泛型是StringValue,是一种可变的String类型,通过StringValue存储文本数据可以有效降低String对象创建数量,减小垃圾回收的压力;
readCsvFile(path):解析以逗号(或其他字符)分隔字段的文件,返回元组或POJO对象;
readSequenceFile(Key, Value, path):读取SequenceFile,以Tuple2<Key, Value>类型返回。
以readTextFile(path)为例,可以使用如下语句读取文本文件内容:
val dataSet : DataSet[String] = env.readTextFile("file:///home/hadoop/word.txt")
假设有一个CSV格式文件sales.csv,内容如下:
transactionId,customerId,itemId,amountPaid
111,1,1,100.0
112,2,2,505.0
113,1,3,510.0
114,2,4,600.0
115,3,2,500.0
则可以使用如下程序读取该CSV文件:
import org.apache.flink.api.scala.ExecutionEnvironment
import org.apache.flink.api.scala._
object ReadCSVFile{
def main(args: Array[String]): Unit = {
val bEnv = ExecutionEnvironment.getExecutionEnvironment
val filePath="file:///home/hadoop/sales.csv"
val csv = bEnv.readCsvFile[SalesLog](filePath,ignoreFirstLine = true)//这里
csv.print()
}
case class SalesLog(transactionId:String,customerId:String,itemId:String,amountPaid:Double)//这里定义的类型
}
结果如下:
SalesLog(111,1,1,100.0)
SalesLog(112,2,2,505.0)
SalesLog(113,1,3,510.0)
SalesLog(114,2,4,600.0)
SalesLog(115,3,2,500.0)
2.集合类数据源
Flink提供了fromCollection()、fromElements()和generateSequence()
等方法,来构建集合类数据源,具体如下:
fromCollection()
:从集合中创建DataSet数据集,集合中的元素数据类型相同;
fromElements()
:从给定数据元素序列中创建DataSet数据集,且所有的数据对象类型必须一致;
generateSequence()
:指定一个范围区间,然后在区间内部生成数字序列数据集,由于是并行处理的,所以最终的顺序不能保证一致。
val myArray = Array("hello world","hadoop spark flink")
val collectionSet = env.fromCollection(myArray)//从集合中获取
val dataSet = env.fromElements("hadoop","spark","flink")//一个个元素获取
val numSet = env.generateSequence(1,10)//生成的数据 1 2 3 4 ... 10 包含10
3.通用类数据源
以Flink内置的JDBCInputFormat类为实例,介绍通用类数据源的用法。
假设已经在Linux系统中安装了MySQL数据库,在Linux终端中执行如下命令启动MySQL:
输入数据库登录密码以后,就可以启动MySQL了,然后,执行如下命令创建数据库,并添加数据:
$ create database flink
$ use flink
$ create table student(sno char(8),cno char(2),grade int);
$ insert into student values('95001','1',96);
$ insert into student values('95002','1',94);
新建代码文件InputFromMySQL.scala,内容如下:
i
mport org.apache.flink.api.common.typeinfo.BasicTypeInfo
import org.apache.flink.api.java.io.jdbc.JDBCInputFormat
import org.apache.flink.api.java.typeutils.RowTypeInfo
import org.apache.flink.api.scala.{DataSet, ExecutionEnvironment}
import org.apache.flink.api.scala._
object InputFromMySQL{
def main(args: Array[String]): Unit = {
//创建执行环境
val env = ExecutionEnvironment.getExecutionEnvironment
//使用JDBC输入格式从关系数据库读取数据
val inputMySQL = env.createInput(JDBCInputFormat.buildJDBCInputFormat()
//数据库连接驱动名称
.setDrivername("com.mysql.jdbc.Driver")
//数据库连接驱动名称
.setDBUrl("jdbc:mysql://localhost:3306/flink")
//数据库连接用户名
.setUsername("root")
//数据库连接密码
.setPassword("123456")
//数据库连接查询SQL
.setQuery("select sno,cno,grade from student")
//字段类型、顺序和个数必须与SQL保持一致
.setRowTypeInfo(new RowTypeInfo(
BasicTypeInfo.STRING_TYPE_INFO,
BasicTypeInfo.STRING_TYPE_INFO,
BasicTypeInfo.INT_TYPE_INFO))
.finish()
)
inputMySQL.print()
}
}
新建pom.xml文件,在里面添加与访问MySQL相关的依赖包,内容如下:
<project>
<groupId>cn.edu.xmu.dblab</groupId>
<artifactId>simple-project</artifactId>
<modelVersion>4.0.0</modelVersion>
<name>Simple Project</name>
<packaging>jar</packaging>
<version>1.0</version>
<repositories>
<repository>
<id>alimaven</id>
<name>aliyun maven</name>
<url>http://maven.aliyun.com/nexus/content/groups/public/</url>
</repository>
</repositories>
<dependencies>
<dependency>
<groupId>org.apache.flink</groupId>
<artifactId>flink-scala_2.12</artifactId>
<version>1.11.2</version>
</dependency>
<dependency>
<groupId>org.apache.flink</groupId>
<artifactId>flink-streaming-scala_2.12</artifactId>
<version>1.11.2</version>
</dependency>
<dependency>
<groupId>org.apache.flink</groupId>
<artifactId>flink-clients_2.12</artifactId>
<version>1.11.2</version>
</dependency>
<dependency>
<groupId>mysql</groupId>
<artifactId>mysql-connector-java</artifactId>
<version>5.1.40</version>
</dependency>
<dependency>
<groupId>org.apache.flink</groupId>
<artifactId>flink-connector-jdbc_2.12</artifactId>
<version>1.11.2</version>
</dependency>
</dependencies>
<build>
<plugins>
<plugin>
<groupId>net.alchim31.maven</groupId>
<artifactId>scala-maven-plugin</artifactId>
<version>3.4.6</version>
<executions>
<execution>
<goals>
<goal>compile</goal>
</goals>
</execution>
</executions>
</plugin>
<plugin>
<groupId>org.apache.maven.plugins</groupId>
<artifactId>maven-assembly-plugin</artifactId>
<version>3.0.0</version>
<configuration>
<descriptorRefs>
<descriptorRef>jar-with-dependencies</descriptorRef>
</descriptorRefs>
</configuration>
<executions>
<execution>
<id>make-assembly</id>
<phase>package</phase>
<goals>
<goal>single</goal>
</goals>
</execution>
</executions>
</plugin>
</plugins>
</build>
</project>
使用Maven工具对程序进行编译打包,然后,提交到Flink中运行(请确认Flink已经启动)。运行结束以后,可以在屏幕上看到如下的输出结果:
95001,1,96
95002,1,94
4第三方文件系统
Flink通过FileSystem类来抽象自己的文件系统,这个抽象提供了各类文件系统实现的通用操作和最低保证。
每种数据源(比如HDFS、S3、Alluxio、XtreemFS、FTP等)可以继承和实现FileSystem类,将数据从各个系统读取到Flink中。
DataSet API中内置了HDFS数据源,这里给出一个读取HDFS文件系统的一个实例,代码如下:
import org.apache.flink.api.scala.ExecutionEnvironment
object ReadHDFS{
def main(args: Array[String]): Unit = {
//获取执行环境
val env = ExecutionEnvironment.getExecutionEnvironment
//创建数据源
val inputHDFS = env.readTextFile("hdfs://localhost:9000/word.txt")
//打印输出
inputHDFS.print()
}
}
获取数据源就1行代码 ,但是在pom中需要添加依赖。
在pom.xml文件中,需要添加与访问HDFS相关的依赖包,内容如下:
<project>
<groupId>cn.edu.xmu.dblab</groupId>
<artifactId>simple-project</artifactId>
<modelVersion>4.0.0</modelVersion>
<name>Simple Project</name>
<packaging>jar</packaging>
<version>1.0</version>
<repositories>
<repository>
<id>alimaven</id>
<name>aliyun maven</name>
<url>http://maven.aliyun.com/nexus/content/groups/public/</url>
</repository>
</repositories>
<dependencies>
<dependency>
<groupId>org.apache.flink</groupId>
<artifactId>flink-scala_2.12</artifactId>
<version>1.11.2</version>
</dependency>
<dependency>
<groupId>org.apache.flink</groupId>
<artifactId>flink-streaming-scala_2.12</artifactId>
<version>1.11.2</version>
</dependency>
<dependency>
<groupId>org.apache.flink</groupId>
<artifactId>flink-clients_2.12</artifactId>
<version>1.11.2</version>
</dependency>
<dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-common</artifactId>
<version>3.1.3</version>
</dependency>
<dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-client</artifactId>
<version>3.1.3</version>
</dependency>
</dependencies>
<build>
<plugins>
<plugin>
<groupId>net.alchim31.maven</groupId>
<artifactId>scala-maven-plugin</artifactId>
<version>3.4.6</version>
<executions>
<execution>
<goals>
<goal>compile</goal>
</goals>
</execution>
</executions>
</plugin>
<plugin>
<groupId>org.apache.maven.plugins</groupId>
<artifactId>maven-assembly-plugin</artifactId>
<version>3.0.0</version>
<configuration>
<descriptorRefs>
<descriptorRef>jar-with-dependencies</descriptorRef>
</descriptorRefs>
</configuration>
<executions>
<execution>
<id>make-assembly</id>
<phase>package</phase>
<goals>
<goal>single</goal>
</goals>
</execution>
</executions>
</plugin>
</plugins>
</build>
</project>
使用Maven工具对程序进行编译打包。
为了让Flink能够顺利访问HDFS,需要修改环境变量
如果环境变量已经完成了修改,这里就不需要重复操作;如果还没有则修改,添加hadoop环境变量
修改如下。
$ vim ~/.bashrc
export HADOOP_HOME=/usr/local/hadoop
export HADOOP_CONF_DIR=${HADOOP_HOME}/etc/hadoop
export HADOOP_CLASSPATH=$(/usr/local/hadoop/bin/hadoop classpath)
$ source ~/.bashrc
使用flink run命令把ReadHDFS程序提交到Flink中运行(请确认Flink和Hadoop已经启动),如果运行成功,就可以在屏幕上看到"hdfs://localhost:9000/word.txt"文件里面的内容了。