Apache Flink 简单介绍和入门

What Apache Flink

Apache Flink 是一个分布式大数据处理引擎，可对有限数据流和无限数据流进行有状态计算。可部署在各种集群环境，对各种大小的数据规模进行快速计算。

分布式大数据处理引擎

• 是一个分布式的、高可用的用于大数据处理的计算引擎

有限流和无限流

• 有限流：有始有终的数据流。即传统意义上的批数据，进行批处理
• 无限流：有始无终的数据流。即现实生活中的流数据，进行流处理

有状态计算

• 良好的状态机制，进行较好的容错处理和任务恢复。同时实现 Exactly-Once 语义。

各种集群环境

• 可部署standalone、Flink on yarn、Flink on Mesos、Flink on k8s等等

Flink Application

Streams

数据在真实世界中是不停产生不停发出的，所以数据处理也应该还原真实，做到真正的流处理。而批处理则是流处理的特殊情况

• 即上面说的有限流和无限流，贴官网图说明。
  

State

在流计算场景中，其实所有流计算本质上都是增量计算（Incremental Processing）。
例如，计算前几个小时或者一直以来的某个指标（PV、UV等），计算完一条数据之后需要保存其计算结果即状态，以便和下一条计算结果合并。
另外，保留计算状态，进行 CheckPoint 可以很好地实现流计算的容错和任务恢复，也可以实现Exactly Once处理语义

Time

三类时间：

• Event Time：事件真实产生的时间
• Processing Time：事件被 Flink 程序处理的时间
• Ingestion Time：事件进入到 Flink 程序的时间

API

API分三层，越接近SQL层，越抽象，灵活性越低，但更简单易用。

• SQL/Table层：直接使用SQL进行数据处理
• DataStream/DataSet API：最核心的API，对流数据进行处理，可在其上实现自定义的WaterMark、Windows、State等操作
• ProcessFunction：也叫RunTime层，最底层的API，带状态的事件驱动。
  

Flink Architecture

Data Pipeline Applications

即 real-time Stream ETL：流式ETL拆分。
通常，ETL都是通过定时任务调度SQL文件或者MR任务来执行的。在实时ETL场景中，将批量ETL逻辑写到流处理中，分散计算压力和提高计算结果的实时性。
多用于实时数仓、实时搜索引擎等

Data Analytics Applications

即数据分析，包括流式数据分析和批量数据分析。例如实时报表、实时大屏。

Event-driven Applications

即事件驱动应用，在一个有状态的计算过程中，通常情况下都是将状态保存在第三方系统（如Hbase Redis等）中。
而在Flink中，状态是保存在内部程序中，减少了状态存取的不必要的I/O开销，更大吞吐量和更低延时。

第一个 Flink 程序

开发环境要求

主要是Java环境和Maven环境。Java要求JDK1.8，Maven要求3.0以上，开发工具推荐使用 ItelliJ IDEA，社区说法：Eclipse在Java和Scala混合编程下有问题，故不推荐。

代码示例：

package source.streamDataSource;


import org.apache.flink.api.common.functions.FlatMapFunction;
import org.apache.flink.api.java.tuple.Tuple2;
import org.apache.flink.streaming.api.TimeCharacteristic;
import org.apache.flink.streaming.api.datastream.DataStream;
import org.apache.flink.streaming.api.datastream.DataStreamSource;
import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;
import org.apache.flink.streaming.api.windowing.time.Time;
import org.apache.flink.util.Collector;


public class SocketWindowWordCount {



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

        if(args.length!=2){
            System.err.println("Usage:
SocketWindowWordCount hostname port");
        }

        // 获取程序参数
        String hostname = args[0];
        int port = Integer.parseInt(args[1]);

        // 入口类，用于设置环境和参数等
        StreamExecutionEnvironment see = StreamExecutionEnvironment.getExecutionEnvironment();
        
        // 设置 Time 类型
        see.setStreamTimeCharacteristic(TimeCharacteristic.ProcessingTime);

        // 从指定 IP 端口 读取流数据，返回一个 DataStreamSource
        DataStreamSource<String> text = see.socketTextStream(hostname, port, "
", 5);

        // 在 DataStreamSource 上做操作即 transformation 
        DataStream<Tuple2<String, Integer>> windowCount = text
                // flatMap , FlatMap接口的实现：将获取到的数据分割，并每个元素组合成 (word, count)形式
                .flatMap(new FlatMapFunction<String, Tuple2<String, Integer>>() {
            @Override
            public void flatMap(String value, Collector<Tuple2<String, Integer>> collector) throws Exception {
                for (String word : value.split("\s")) {
                    collector.collect(Tuple2.of(word, 1));
                }
            }
        })
                // 按位置指定key，进行聚合操作
                .keyBy(0)
                // 指定窗口大小
                .timeWindow(Time.seconds(5))
                // 在每个key上做sum
                // reduce 和 sum 的实现
//                .reduce(new ReduceFunction<Tuple2<String, Integer>>() {
//                    @Override
//                    public Tuple2<String, Integer> reduce(Tuple2<String, Integer> stringIntegerTuple2, Tuple2<String, Integer> t1) throws Exception {
//                        return Tuple2.of(stringIntegerTuple2.f0, stringIntegerTuple2.f1+t1.f1);
//                    }
//                });
                .sum(1);

        // 一个线程执行
        windowCount.print().setParallelism(1);
        see.execute("Socket Window WordCount");

        // 其他 transformation 操作示例
//        windowCount
//                .map(new MapFunction<Tuple2<String,Integer>, String>() {
//                    @Override
//                    public String map(Tuple2<String, Integer> stringIntegerTuple2) throws Exception {
//                        return stringIntegerTuple2.f0;
//                    }
//                })
//                .print();
//
//        text.filter(new FilterFunction<String>() {
//            @Override
//            public boolean filter(String s) throws Exception {
//                return s.contains("h");
//            }
//        })
//                .print();
//
//        SplitStream<String> split = text.split(new OutputSelector<String>() {
//            @Override
//            public Iterable<String> select(String value) {
//                ArrayList<String> strings = new ArrayList<>();
//                if (value.contains("h"))
//                    strings.add("hadoop");
//                else
//                    strings.add("noHadoop");
//                return strings;
//
//            }
//        });
//
//        split.select("hadoop").print();
//        split.select("noHadoop").map(new MapFunction<String, String>() {
//            @Override
//            public String map(String s) throws Exception {
//
//                return s.toUpperCase();
//            }
//        }).print();

    }
}