Flink基本的API(续)

Java基础

浏览数:70

2019-8-20

上一篇介绍了编写 Flink 程序的基本步骤,以及一些常见 API,如:map、filter、keyBy 等,重点介绍了 keyBy 方法。本篇将继续介绍 Flink 中常用的 API,主要内容为

  • 指定 transform 函数
  • Flink 支持的数据类型
  • 累加器

指定 transform 函数

许多 transform 操作需要用户自定义函数来实现,Flink 支持多种自定义 transform 函数,接下来一一介绍。

实现接口

/**
 * 实现 MapFunction 接口
 * 其中泛型的第一 String 代表输入类型,第二个 Integer 代表输出类型
 */
class MyMapFunction implements MapFunction<String, Integer> {
    @Override
    public Integer map(String value) { return Integer.parseInt(value); }
}

//使用 transform 函数
data.map(new MyMapFunction());

匿名类

data.map(new MapFunction<String, Integer> () {
  public Integer map(String value) { return Integer.parseInt(value); }
});

匿名类是 Java 语言定义的语法,与 “实现接口” 的方式一样,只不过不需要显示定义子类。这种方式比 “实现接口” 更常见一些。

Java 8 Lambda 表达式

data.map(s -> Integer.parseInt(s));
//或者
data.map(Integer::parseInt);

Java 8 支持 Lambda 表达式,用法与 Scala 语法很像, 写起来简洁,并且容易维护,推荐使用这种方式。

rich function

顾名思义,比普通的 transform 函数要更丰富,额外提供了 4 个方法:open、close、getRuntimeContext 和 setRuntimeContext。它们可以用来创建/初始化本地状态、访问广播变量、访问累加器和计数器等。感觉有点像 Hadoop 中的 Mapper 或者 Reducer 类。实现上,可以使用自定义类继承 RichMapFunction 类的方式

/**
 * 与实现 MapFunction 接口类似,这里是继承了 RichMapFunction 类
 * 同时可以实现父类更多的方法
 */
class MyRichMapFunction extends RichMapFunction<String, Integer> {
    @Override
    public void open(Configuration parameters) throws Exception { super.open(parameters); }

    @Override
    public RuntimeContext getRuntimeContext() { return super.getRuntimeContext(); }

    @Override
    public void setRuntimeContext(RuntimeContext t) { super.setRuntimeContext(t); }

    @Override
    public Integer map(String value) throws Exception { return Integer.parseInt(value); }

    @Override
    public void close() throws Exception { super.close(); }
}
data.map(new MyRichMapFunction());

也可以使用匿名类的方式

data.map (new RichMapFunction<String, Integer>() {
    @Override
    public void open(Configuration parameters) throws Exception { super.open(parameters); }
    @Override
    public RuntimeContext getRuntimeContext() { return super.getRuntimeContext(); }
    @Override
    public void setRuntimeContext(RuntimeContext t) { super.setRuntimeContext(t); }
    @Override
    public Integer map(String value) { return Integer.parseInt(value); }
    @Override
    public void close() throws Exception { super.close(); }
});

如果在 rich function 中需要写较多的业务,那么用匿名类的方式并不简洁,并且可读性差。

Flink支持的数据类型

目前 Flink 支持 6 种数据类型

  • Java Tuple 和 Scala Case Class
  • Java POJO
  • 原子类型
  • 普通类
  • Values
  • Hadoop Writable 类型
  • 特殊类

Java Tuple 和 Scala Case Class

Tuple (元组)是一个混合类型,包含固定数量的属性,并且每个属性类型可以不同。例如:二元组有 2 个属性,类名为 Tuple2;三元组有 3 个属性,类名为 Tuple3,以此类推。Java 支持的元组为 Tuple1 – Tuple25。访问属性可以通过属性名直接访问,如:tuple.f4 代表 tuple 的第 5 个属性。或者使用 tuple.getField(int position) 方法,参数 position 从 0 开始。

/**
 * Tuple2 二元组作为 DataStream 的输入类型
 */
DataStream<Tuple2<String, Integer>> wordCounts = env.fromElements(
        new Tuple2<String, Integer>("hello", 1),
        new Tuple2<String, Integer>("world", 2));
wordCounts.map(new MapFunction<Tuple2<String, Integer>, Integer>() {
    @Override
    public Integer map(Tuple2<String, Integer> value) throws Exception {
        return value.f1;
    }
});

Java POJO

POJO(Plain Ordinary Java Object) 叫做简单的 Java 对象。满足以下条件的 Java 或 Scala 类会被 Flink 看做 POJO 类型

  • 类必须是 public
  • 必须有一个 public 修饰的无参构造方法(默认构造器)
  • 所有属性必须是 public 修饰或者通过 getter 和 setter 方法可以访问到
  • 属性类型必须也是 Flink 支持的,Flink 使用 avro 对其序列化

POJO 类型更易使用,且 Flink 更高效地处理 POJO 类型的数据。

public class WordWithCount {

    public String word;
    public int count;

    public WordWithCount() {}

    public WordWithCount(String word, int count) {
        this.word = word;
        this.count = count;
    }
}

DataStream<WordWithCount> wordCounts = env.fromElements(
    new WordWithCount("hello", 1),
    new WordWithCount("world", 2));

原子类型

Flink 支持 Java 和 Scala 中所有的原子类型,例如: Integer、String 和 Double 等。

普通类 

不是 POJO 类型的类都会被 Flink 看做是普通的类类型。Flink 将它们视为黑盒且不会访问它们的内容,普通类类型使用 Kryo 进行序列化与反序列化。这里是第二次提到序列化与反序列化,简单解释下这个概念。因为在分布式计算的系统中,不可避免要在不同机器之间传输数据,因此为了高效传输数据且在不同语言之间互相转化,需要通过某种协议(protobuf、kryo、avro、json)将对象转化成另外一种形式(序列化),其他机器接到序列化的数据后再转化成之前的对象(反序列化)就可以正常使用了。

Values

不同于一般的序列化框架,Values 类型通过实现 org.apache.flinktypes.Value 接口里的 write 和 read 方法,实现自己的序列化和反序列化逻辑。当一般的序列化框架不够高效的时候,可以使用 Values 类型。例如:对于一个用数组存储的稀疏向量。由于数组大多数元素为 0 ,可以仅对非 0 元素进行特殊编码,而一般的序列化框架会对所有元素进行序列化操作。

Flink 已经预定义了几种 Value 类型与基本数据类型相对应。如:ByteValue, ShortValue, IntValue, LongValue, FloatValue, DoubleValue, StringValue, CharValue, BooleanValue。这些 Value 类型可以看做是基本数据类型的变体,他们的值是可变的,允许程序重复利用对象,减轻 GC 的压力。例如:Java 基本数据类型 String 是不可变的,但是 Flink 的 StringValue 类型是可变的。

Flink 定义的 Value 类型与 Hadoop Writable 类型相似,本质都是通过改进基本数据类型的缺点,提供系统整体性能。

Hadoop Writable

Hadoop Writable 类型也是手动实现了比较高效的序列化与反序列化的逻辑。Value 类型实现了 org.apache.finktypes.Value 接口,而 Hadoop Writable 类型实现了 org.apache.hadoop.Writable 接口,该接口定义了 write 和 readFields 方法用来手动实现序列化与反序列化逻辑。

特殊类型

特殊类型包括 Scala 中的 Either, Option, and Try 类型,以及 Java API 中的 Either 类型。

累加器 

累加器可以通过 add 操作,对程序中的某些状态或者操作进行计数,job 结束后会返回计数的结果。累加器可以用来调试或者记录信息。

可以自定义累加器,需要实现 Accumulator 接口,当然 Flink 提供了两种内置的累加器

  • IntCounter, LongCounter 和 DoubleCounter
  • Histogram:统计分布

使用累加器的步骤如下:

在 transform 函数中定义累加器对象

private IntCounter numLines = new IntCounter();

注册累加器对象,可以在 rich function 的 open 方法进行

getRuntimeContext().addAccumulator("num-lines", this.numLines);

在任何需要统计的地方使用累加器

this.numLines.add(1);

获取累加器结果

myJobExecutionResult.getAccumulatorResult("num-lines")

Job 结束后,累加器的最终值存储在 JobExecutionResult 对象中,可以通过 execute 方法返回值来获取 JobExecutionResult 对象。但是对于批处理无法使用调用这个方法(官网没有提到),可以通过 env.getLastJobExecutionResult 方法获取。下面是使用累加器的完整示例

public static void main(String[] args) throws Exception {
        // set up the batch execution environment
        final ExecutionEnvironment env = ExecutionEnvironment.getExecutionEnvironment();

        DataSet<String> data =  env.readTextFile("你的输入路径");
        //使用 rich function transform 函数
        DataSet<Integer> dataSet = data.map(new MyRichMapFunction());

        // 执行程序
        dataSet.collect();
        // 获得 job 的结果
        JobExecutionResult jobExecutionResult = env.getLastJobExecutionResult();
        int res = jobExecutionResult.getAccumulatorResult("num-lines");
        // 输出累加器的值
        System.out.println(res);
}

// 自定义 rich function
/**
 * 与实现 MapFunction 接口类似,这里是继承了 RichMapFunction 类
 * 同时可以实现父类更多的方法
 */
class MyRichMapFunction extends RichMapFunction<String, Integer> {
    /**
     * 定义累加器
     */
    private IntCounter numLines = new IntCounter();

    @Override
    public void open(Configuration parameters) throws Exception {
        // 注册累加器
        getRuntimeContext().addAccumulator("num-lines", this.numLines);
    }

    @Override
    public Integer map(String value) throws Exception {
        // 累加器自增,记录处理的行数
        this.numLines.add(1);
        return Integer.parseInt(value);
    }
}

总结

Flink 基本 API 的使用介绍完了,本篇主要介绍了自定义的 transform 函数、Flink 支持的数据类型和累加器。后续会详细介绍 Flink 的原理、机制以及编程模型。

欢迎关注公众号「渡码」

 

作者:渡码