使用Flink实现索引数据到Elasticsearch
使用Flink处理数据时，可以基于Flink提供的批式处理（Batch Processing）和流式处理（Streaming Processing）API来实现，分别能够满足不同场景下应用数据的处理。这两种模式下，输入处理都被抽象为Source Operator，包含对应输入数据的处理逻辑；输出处理都被抽象为Sink Operator，包含了对应输出数据的处理逻辑。这里，我们只关注输出的Sink Operator实现。
Flink批式处理模式，运行Flink Batch Job时作用在有界的输入数据集上，所以Job运行的时间是有时限的，一旦Job运行完成，对应的整个数据处理应用就已经结束，比如，输入是一个数据文件，或者一个Hive SQL查询对应的结果集，等等。在批式处理模式下处理数据的输出时，主要需要实现一个自定义的OutputFormat，然后基于该OutputFormat来构建一个Sink，下面看下OutputFormat接口的定义，如下所示：
|
1
2
3
4
5
6
7
|
@Public
public
interface
OutputFormat<IT>
extends
Serializable {
void
configure(Configuration parameters);
void
open(
int
taskNumber,
int
numTasks)
throws
IOException;
void
writeRecord(IT record)
throws
IOException;
void
close()
throws
IOException;
}
|
上面，configure()方法用来配置一个OutputFormat的一些输出参数；open()方法用来实现与外部存储系统建立连接；writeRecord()方法用来实现对Flink Batch Job处理后，将数据记录输出到外部存储系统。开发Batch Job时，通过调用DataSet的output()方法，参数值使用一个OutputFormat的具体实现即可。后面，我们会基于Elasticsearch来实现上面接口中的各个方法。
Flink流式处理模式，运行Flink Streaming Job时一般输入的数据集为流数据集，也就是说输入数据元素会持续不断地进入到Streaming Job的处理过程中，但你仍然可以使用一个HDFS数据文件作为Streaming Job的输入，即使这样，一个Flink Streaming Job启动运行后便会永远运行下去，除非有意外故障或有计划地操作使其终止。在流式处理模式下处理数据的输出时，我们需要是实现一个SinkFunction，它指定了如下将流数据处理后的结果，输出到指定的外部存储系统中，下面看下SinkFunction的接口定义，如下所示：
|
01
02
03
04
05
06
07
08
09
10
11
12
13
14
15
|
@Public
public
interface
SinkFunction<IN>
extends
Function, Serializable {
@Deprecated
default
void
invoke(IN value)
throws
Exception {}
default
void
invoke(IN value, Context context)
throws
Exception {
invoke(value);
}
@Public
interface
Context<T> {
long
currentProcessingTime();
long
currentWatermark();
Long timestamp();
}
}
|
通过上面接口可以看到，需要实现一个invoke()方法，实现该方法来将一个输入的IN value输出到外部存储系统中。一般情况下，对一些主流的外部存储系统，Flink实现了一下内置（社区贡献）的SinkFunction，我们只需要配置一下就可以直接使用。而且，对于Streaming Job来说，实现的SinkFunction比较丰富一些，可以减少自己开发的工作量。开发Streaming Job时，通过调用DataStream的addSink()方法，参数是一个SinkFlink的具体实现。
下面，我们分别基于批式处理模式和批式处理模式，分别使用或实现对应组件将Streaming Job和Batch Job的处理结果输出到Elasticsearch中：
基于Flink DataSteam API实现
在开发基于Flink的应用程序过程中，发现Flink Streaming API对Elasticsearch的支持还是比较好的，比如，如果想要从Kafka消费事件记录，经过处理最终将数据记录索引到Elasticsearch 5.x，可以直接在Maven的POM文件中添加如下依赖即可：
|
1
2
3
4
5
|
<
dependency
>
<
groupId
>org.apache.flink</
groupId
>
<
artifactId
>flink-connector-elasticsearch5_2.11</
artifactId
>
<
version
>1.5.3</
version
>
</
dependency
>
|
我们使用Flink Streaming API来实现将流式数据处理后，写入到Elasticsearch中。其中，输入数据源是Kafka中的某个Topic；输出处理结果到lasticsearch中，我们使用使用Transport API的方式来连接Elasticsearch，需要指定Transport地址和端口。具体实现，对应的Scala代码，如下所示：
|
01
02
03
04
05
06
07
08
09
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
|
def
main(args
:
Array[String])
:
Unit
=
{
// parse input arguments
val
params
=
ParameterTool.fromArgs(args)
if
(params.getNumberOfParameters <
9
) {
val
cmd
=
getClass.getName
println(
"Missing parameters!\n"
+
"Usage: "
+ cmd
+
" --input-topic <topic> "
+
"--es-cluster-name <es cluster name> "
+
"--es-transport-addresses <es address> "
+
"--es-port <es port> "
+
"--es-index <es index> "
+
"--es-type <es type> "
+
"--bootstrap.servers <kafka brokers> "
+
"--zookeeper.connect <zk quorum> "
+
"--group.id <some id> [--prefix <prefix>]"
)
return
}
val
env
=
StreamExecutionEnvironment.getExecutionEnvironment
val
kafkaConsumer
=
new
FlinkKafkaConsumer
010
[String](
params.getRequired(
"input-topic"
),
new
SimpleStringSchema(),
params.getProperties
)
val
dataStream
=
env
.addSource(kafkaConsumer)
.filter(!
_
.isEmpty)
val
esClusterName
=
params.getRequired(
"es-cluster-name"
)
val
esAddresses
=
params.getRequired(
"es-transport-addresses"
)
val
esPort
=
params.getInt(
"es-port"
,
9300
)
val
transportAddresses
=
new
java.util.ArrayList[InetSocketAddress]
val
config
=
new
java.util.HashMap[String, String]
config.put(
"cluster.name"
, esClusterName)
// This instructs the sink to emit after every element, otherwise they would be buffered
config.put(
"bulk.flush.max.actions"
,
"100"
)
esAddresses.split(
","
).foreach(address
=
> {
transportAddresses.add(
new
InetSocketAddress(InetAddress.getByName(address), esPort))
})
val
esIndex
=
params.getRequired(
"es-index"
)
val
esType
=
params.getRequired(
"es-type"
)
val
sink
=
new
ElasticsearchSink(config, transportAddresses,
new
ElasticsearchSinkFunction[String] {
def
createIndexRequest(element
:
String)
:
IndexRequest
=
{
return
Requests.indexRequest()
.index(esIndex)
.`
type
`(esType)
.source(element)
}
override
def
process(t
:
String, runtimeContext
:
RuntimeContext, requestIndexer
:
RequestIndexer)
:
Unit
=
{
requestIndexer.add(createIndexRequest(t))
}
})
dataStream.addSink(sink)
val
jobName
=
getClass.getSimpleName
env.execute(jobName)
}
|
上面有关数据索引到Elasticsearch的处理中， 最核心的就是创建一个ElasticsearchSink，然后通过DataStream的API调用addSink()添加一个Sink，实际是一个SinkFunction的实现，可以参考Flink对应DataStream类的addSink()方法代码，如下所示：
|
1
2
|
def
addSink(sinkFunction
:
SinkFunction[T])
:
DataStreamSink[T]
=
stream.addSink(sinkFunction)
|
基于Flink DataSet API实现
目前，Flink还没有在Batch处理模式下实现对应Elasticsearch对应的Connector，需要自己根据需要实现，所以我们基于Flink已经存在的Streaming处理模式下已经实现的Elasticsearch Connector对应的代码，经过部分修改，可以直接拿来在Batch处理模式下，将数据记录批量索引到Elasticsearch中。
我们基于Flink 1.6.1版本，以及Elasticsearch 6.3.2版本，并且使用Elasticsearch推荐的High Level REST API来实现（为了复用Flink 1.6.1中对应的Streaming处理模式下的Elasticsearch 6 Connector实现代码，我们选择使用该REST Client），需要在Maven的POM文件中添加如下依赖：
|
01
02
03
04
05
06
07
08
09
10
|
<dependency>
<groupId>org.elasticsearch</groupId>
<artifactId>elasticsearch</artifactId>
<version>6.3.2</version>
</dependency>
<dependency>
<groupId>org.elasticsearch.client</groupId>
<artifactId>elasticsearch-rest-high-level-client</artifactId>
<version>6.3.2</version>
</dependency>
|
我们实现的各个类的类图及其关系，如下图所示：
如果熟悉Flink Streaming处理模式下Elasticsearch对应的Connector实现，可以看到上面的很多类都在org.apache.flink.streaming.connectors.elasticsearch包里面存在，其中包括批量向Elasticsearch中索引数据（内部实现了使用BulkProcessor）。上图中引入的ElasticsearchApiCallBridge，目的是能够实现对Elasticsearch不同版本的支持，只需要根据Elasticsearch不同版本中不同Client实现，进行一些适配，上层抽象保持不变。
如果需要在Batch处理模式下批量索引数据到Elasticsearch，可以直接使用ElasticsearchOutputFormat即可实现。但是创建ElasticsearchOutputFormat，需要几个参数：
|
1
2
3
4
5
6
7
8
|
private
ElasticsearchOutputFormat(
Map<String, String> bulkRequestsConfig,
List<HttpHost> httpHosts,
ElasticsearchSinkFunction<T> elasticsearchSinkFunction,
DocWriteRequestFailureHandler failureHandler,
RestClientFactory restClientFactory) {
super
(
new
Elasticsearch6ApiCallBridge(httpHosts, restClientFactory), bulkRequestsConfig, elasticsearchSinkFunction, failureHandler);
}
|
当然，我们可以通过代码中提供的Builder来非常方便的创建一个ElasticsearchOutputFormat。下面，我们看下我们Flink Batch Job实现逻辑。
- 实现ElasticsearchSinkFunction
我们需要实现ElasticsearchSinkFunction接口，实现一个能够索引数据到Elasticsearch中的功能，代码如下所示：
|
01
02
03
04
05
06
07
08
09
10
11
12
13
14
15
16
|
final
ElasticsearchSinkFunction<String> elasticsearchSinkFunction =
new
ElasticsearchSinkFunction<String>() {
@Override
public
void
process(String element, RuntimeContext ctx, RequestIndexer indexer) {
indexer.add(createIndexRequest(element, parameterTool));
}
private
IndexRequest createIndexRequest(String element, ParameterTool parameterTool) {
LOG.info(
"Create index req: "
+ element);
JSONObject o = JSONObject.parseObject(element);
return
Requests.indexRequest()
.index(parameterTool.getRequired(
"es-index"
))
.type(parameterTool.getRequired(
"es-type"
))
.source(o);
}
};
|
上面代码，主要是把一个将要输出的数据记录，通过RequestIndexer来实现索引到Elasticsearch中。
- 读取Elasticsearch配置参数
配置连接Elasticsearch的参数。从程序输入的ParameterTool中读取Elasticsearch相关的配置：
|
01
02
03
04
05
06
07
08
09
10
11
12
13
|
String esHttpHosts = parameterTool.getRequired(
"es-http-hosts"
);
LOG.info(
"Config: esHttpHosts="
+ esHttpHosts);
int
esHttpPort = parameterTool.getInt(
"es-http-port"
,
9200
);
LOG.info(
"Config: esHttpPort="
+ esHttpPort);
final
List<HttpHost> httpHosts = Arrays.asList(esHttpHosts.split(
","
))
.stream()
.map(host ->
new
HttpHost(host, esHttpPort,
"http"
))
.collect(Collectors.toList());
int
bulkFlushMaxSizeMb = parameterTool.getInt(
"bulk-flush-max-size-mb"
,
10
);
int
bulkFlushIntervalMillis = parameterTool.getInt(
"bulk-flush-interval-millis"
,
10
*
1000
);
int
bulkFlushMaxActions = parameterTool.getInt(
"bulk-flush-max-actions"
,
1
);
|
- 创建ElasticsearchOutputFormat
创建一个我们实现的ElasticsearchOutputFormat，代码片段如下所示：
|
1
2
3
4
5
6
7
8
|
final
ElasticsearchOutputFormat outputFormat =
new
Builder<>(httpHosts, elasticsearchSinkFunction)
.setBulkFlushBackoff(
true
)
.setBulkFlushBackoffRetries(
2
)
.setBulkFlushBackoffType(ElasticsearchApiCallBridge.FlushBackoffType.EXPONENTIAL)
.setBulkFlushMaxSizeMb(bulkFlushMaxSizeMb)
.setBulkFlushInterval(bulkFlushIntervalMillis)
.setBulkFlushMaxActions(bulkFlushMaxActions)
.build();
|
上面很多配置项指定了向Elasticsearch中进行批量写入的行为，在ElasticsearchOutputFormat内部会进行设置并创建Elasticsearch6BulkProcessorIndexer，优化索引数据处理的性能。
- 实现Batch Job主控制流程
最后我们就可以构建我们的Flink Batch应用程序了，代码如下所示：
|
1
2
3
4
5
6
7
8
|
ExecutionEnvironment env = ExecutionEnvironment.getExecutionEnvironment();
env.readTextFile(file)
.filter(line -> !line.isEmpty())
.map(line -> line)
.output(outputFormat);
final
String jobName = ImportHDFSDataToES.
class
.getSimpleName();
env.execute(jobName);
|
我们输入的HDFS文件中，是一些已经加工好的JSON格式记录行，这里为了简单，直接将原始JSON字符串索引到Elasticsearch中，而没有进行更多其他的处理操作。
有关Flink批式处理模式下，Elasticsearch对应的OutputFormat实现的完整代码，可以参考这里：
https://github.com/shirdrn/flink-app-jobs/tree/master/src/main/java/org/shirdrn/flink/connector/batch/elasticsearch。
参考链接
- https://ci.apache.org/projects/flink/flink-docs-release-1.5/dev/connectors/elasticsearch.html
- https://ci.apache.org/projects/flink/flink-docs-release-1.6/dev/batch/#data-sinks
本文基于署名-非商业性使用-相同方式共享 4.0许可协议发布，欢迎转载、使用、重新发布，但务必保留文章署名时延军（包含链接：http://shiyanjun.cn），不得用于商业目的，基于本文修改后的作品务必以相同的许可发布。如有任何疑问，请与我联系。