使用Apache Flink开始批处理

如果您最近一直在关注软件开发新闻，那么您可能听说过名为Apache Flink的新项目。我已经在这里和这里写了一些内容，但如果您不熟悉它，Apache Flink是新一代大数据处理工具，可以处理有限的数据集（这也称为批处理）或潜在的无限的数据流（流处理）。在新功能方面，许多人认为Apache Flink是一款游戏规则改变者，甚至可以在未来取代Apache Spark。

在本文中，我将向您介绍如何使用Apache Flink实现简单的批处理算法。我们将从设置开发环境开始，然后我们将看到如何加载数据，处理数据集以及将数据写回外部系统。

 

为什么批处理？

您可能听说过流处理是“现在新的热点”，Apache Flink是一个流处理工具。这可能会提出一个问题，为什么我们需要学习如何实现批处理应用程序。

虽然确实如此，但流处理变得越来越普遍; 许多任务仍然需要批量处理。另外，如果您刚开始使用Apache Flink，我认为最好从批处理开始，因为它更简单，并且在某种程度上类似于使用数据库。一旦您完成了批量处理，您就可以了解Apache Flink真正发挥作用的流处理！

如何遵循示例

如果您想自己实现一些Apache Flink应用程序，首先需要创建一个Flink项目。在本文中，我们将用Java编写应用程序，但您也可以在Scala，Python或R中编写Flink应用程序。

要创建Flink Java项目，请执行以下命令：

 mvn archetype:generate                              \
      -DarchetypeGroupId=org.apache.flink            \
      -DarchetypeArtifactId=flink-quickstart-java    \
      -DarchetypeVersion=1.3.2

输入组ID，工件ID和项目版本后，此命令将创建以下项目结构：

.
├── pom.xml
└── src
    └── main
        ├── java
        │   └── flinkProject
        │       ├── BatchJob.java
        │       ├── SocketTextStreamWordCount.java
        │       ├── StreamingJob.java
        │       └── WordCount.java
        └── resources
            └── log4j.properties

这里最重要的是pom.xml指定所有必需依赖项的大量内容。自动创建的Java类是您可以查看的一些简单Flink应用程序的示例，但我们并不需要它们用于我们的目的。

要开始开发您的第一个Flink应用程序，请使用如下main方法创建一个类：

public class FilterMovies {

    public static void main(String[] args) throws Exception {
        // Create Flink execution environment
        final ExecutionEnvironment env = ExecutionEnvironment.getExecutionEnvironment();
        
        // We will write our code here
        
        // Start Flink application
        env.execute();
    }
}

这种main方法没什么特别之处。我们所要做的就是添加一些样板代码。

首先，我们需要创建一个Flink执行环境，如果在本地计算机或Flink集群中运行它，它的行为会有所不同：

• 在本地计算机上，它将创建一个包含多个本地节点的完整Flink集群。这是测试应用程序在实际环境中如何工作的好方法
• 在Flink集群上，它不会创建任何内容，而是使用现有的集群资源

或者，您可以创建一个这样的集合环境：

 ExecutionEnvironment env = ExecutionEnvironment.createCollectionsEnvironment();

这将创建一个Flink执行环境，而不是在本地群集上运行Flink应用程序将在单个Java进程中使用内存中集合模拟所有操作。您的应用程序将运行得更快，但此环境与具有多个节点的本地群集有一些细微差别。

我们从哪里开始？

在我们可以做任何事情之前，我们需要将数据读入Apache Flink。我们可以从众多系统中读取数据，包括：本地文件系统，S3，HDFS，HBase，Cassandra等。无论我们从何处读取数据集，Apache Flink都允许我们使用DataSet类以统一的方式处理数据：

DataSet<Integer> numbers = ...

数据集中的所有项应具有相同的类型。single generics参数指定存储在数据集中的数据类型。

要从文件中读取数据，我们可以使用readTextFile逐行读取文件中的行并返回类型的数据集的方法String：

DataSet<String> lines = env.readTextFile("path/to/file.txt");

如果指定这样的文件路径，Flink将尝试读取本地文件。如果要从HDFS读取文件，则需要指定hdfs://协议：

env.readCsvFile("hdfs:///path/to/file.txt")

Flink还支持CSV文件，但在这种情况下，它不会返回字符串数据集。它将尝试解析每一行并返回Tuple实例的数据集：

DataSet<Tuple2<Long, String>> lines = env.readCsvFile("data.csv")
                .types(Long.class, String.class);

Tuple2是存储不可改变的一对两个场中的一类，但也有其他类似Tuple0，Tuple1，Tuple3，高达Tuple25该存储从零到25的字段。稍后我们将看到如何使用这些类。

该types方法指定CSV文件中的列类型和数量，因此Flink可以读取它们进行解析。

我们还可以创建非常适合小型实验和单元测试的小型数据集：

/ Create from a list
DataSet<String> letters = env.fromCollection(Arrays.asList("a", "b", "c"));
// Create from an array
DataSet<Integer> numbers = env.fromElements(1, 2, 3, 4, 5);

您可能会问的问题是我们可以在DataSet中存储哪些数据？并非每种Java类型都可以在数据集中使用，并且您可以使用四种不同类型的类型：

• 内置Java类型和POJO类
• Flink Tuples和Scala案例类
• 值 - 这些是Java原始类型的特殊可变包装器，您可以使用它来提高性能（我将在下一篇文章中写到这一点）
• Hadoop可写接口的实现

使用Apache Flink处理数据

现在到数据处理部分！如何实现处理数据的算法？为此，您可以使用许多类似于Java 8流操作的操作，例如：

• map - 使用用户定义的函数转换数据集中的项目。每个输入元素都转换为一个输出元素
• filter - 根据用户定义的函数过滤数据集中的项目
• flatMap - 类似于map运算符，但允许返回零个，一个或多个元素
• groupBy - 按键分组元素。类似于GROUP BYSQL中的运算符
• project - 选择元组数据集中的指定字段，类似于SELECTSQL中的运算符
• reduce - 使用用户定义的函数将数据集中的元素组合成单个值

请记住，Java流与这些操作之间的最大区别在于，Java 8可以处理内存中的数据并可以访问本地数据，而Flink可以处理分布式环境中群集上的数据。

我们来看一个使用这些操作的简单示例。以下示例非常简单。它创建一个数字数据集，对每个数字进行平方并过滤掉所有奇数。

// Create a dataset of numbers
DataSet<Integer> numbers = env.fromElements(1, 2, 3, 4, 5, 6, 7);

// Square every number
DataSet<Integer> result = numbers.map(new MapFunction<Integer, Integer>() {
    @Override
    public Integer map(Integer integer) throws Exception {
        return integer * integer;
    }
})
// Leave only even numbers
.filter(new FilterFunction<Integer>() {
    @Override
    public boolean filter(Integer integer) throws Exception {
        return integer % 2 == 0;
    }
});

如果你对Java 8有任何经验，你可能想知道我为什么不在这里使用lambdas。我们可以在这里使用lambdas，但它可能会导致一些并发症，正如我在这里写的那样。

保存数据

在我们完成数据处理之后，保存我们辛勤工作的结果是有意义的。Flink可以将数据存储到许多第三方系统，如HDFS，S3，Cassandra等。

例如，要将数据写入文件，我们需要使用类中的writeAsText方法DataSet：

DataSet<Integer> ds = ...

ds.writeAsText("path/to/file");

出于调试/测试目的，Flink可以将数据写入标准输出或标准输出：

DataSet<Integer> ds = ...

// Output dataset to the standard output
ds.print();

// Output dataset to the standard err
ds.printToErr()

更复杂的例子

要实现一些有意义的算法，我们首先需要下载Grouplens电影数据集。它包含多个CSV文件，其中包含有关电影和电影评级的信息。我们将使用movies.csv此数据集中的文件，其中包含所有电影的列表，如下所示：

movieId,title,genres
1,Toy Story (1995),Adventure|Animation|Children|Comedy|Fantasy
2,Jumanji (1995),Adventure|Children|Fantasy
3,Grumpier Old Men (1995),Comedy|Romance
4,Waiting to Exhale (1995),Comedy|Drama|Romance
5,Father of the Bride Part II (1995),Comedy
6,Heat (1995),Action|Crime|Thriller
7,Sabrina (1995),Comedy|Romance
8,Tom and Huck (1995),Adventure|Children
9,Sudden Death (1995),Action
10,GoldenEye (1995),Action|Adventure|Thriller

它有三列：

• movieId - 此数据集中电影的唯一电影ID
• 标题 - 电影的标题
• 流派 - 每部电影的“|”分类列表

我们现在可以在Apache Flink中加载此CSV文件并执行一些有意义的处理。在这里，我们将从本地文件系统加载文件，而在现实环境中，您将读取更大的数据集，它可能驻留在分布式系统中，例如S3或HDFS。

在这个演示中，让我们找到所有“动作”类型的电影。这是一个执行此操作的代码段：

// Load dataset of movies
DataSet<Tuple3<Long, String, String>> lines = env.readCsvFile("movies.csv")
            .ignoreFirstLine()
            .parseQuotedStrings('"')
            .ignoreInvalidLines()
            .types(Long.class, String.class, String.class);


DataSet<Movie> movies = lines.map(new MapFunction<Tuple3<Long,String,String>, Movie>() {
    @Override
    public Movie map(Tuple3<Long, String, String> csvLine) throws Exception {
        String movieName = csvLine.f1;
        String[] genres = csvLine.f2.split("\\|");
        return new Movie(movieName, new HashSet<>(Arrays.asList(genres)));
    }
});
DataSet<Movie> filteredMovies = movies.filter(new FilterFunction<Movie>() {
    @Override
    public boolean filter(Movie movie) throws Exception {
        return movie.getGenres().contains("Action");
    }
});

filteredMovies.writeAsText("output.txt");

让我们分解吧。首先，我们使用以下readCsvFile方法读取CSV文件：

DataSet<Tuple3<Long, String, String>> lines = env.readCsvFile("movies.csv")
    // ignore CSV header
    .ignoreFirstLine()
    // Set strings quotes character
    .parseQuotedStrings('"')
    // Ignore invalid lines in the CSV file
    .ignoreInvalidLines()
    // Specify types of columns in the CSV file
    .types(Long.class, String.class, String.class);

使用辅助方法，我们指定如何解析CSV文件中的字符串以及我们需要跳过第一行。在最后一行中，我们指定CSV文件中每列的类型，Flink将为我们解析数据。

现在，当我们在Flink集群中加载数据集时，我们可以进行一些数据处理。首先，我们使用以下map方法解析每部电影的流派列表：

DataSet<Movie> movies = lines.map(new MapFunction<Tuple3<Long,String,String>, Movie>() {
    @Override
    public Movie map(Tuple3<Long, String, String> csvLine) throws Exception {
        String movieName = csvLine.f1;
         String[] genres = csvLine.f2.split("\\|");
         return new Movie(movieName, new HashSet<>(Arrays.asList(genres)));
    }
});

要转换我们需要实现的每部电影MapFunction，它将接收每个CSV记录作为Tuple3实例，并将其转换为MoviePOJO类：

class Movie {
    private String name;
    private Set<String> genres;

    public Movie(String name, Set<String> genres) {
        this.name = name;
        this.genres = genres;
    }

    public String getName() {
        return name;
    }

    public Set<String> getGenres() {
        return genres;
    }
}

如果您回想起CSV文件的结构，则第二列包含电影的名称，第三列包含类型列表。因此，我们分别使用字段f1和列来访问这些列f2。

现在，当我们有一个电影数据集时，我们可以实现算法的核心部分并过滤所有动作电影：

DataSet<Movie> filteredMovies = movies.filter(new FilterFunction<Movie>() {
    @Override
    public boolean filter(Movie movie) throws Exception {
        return movie.getGenres().contains("Action");
    }
});

这将仅返回在集合类型中包含“Action”的电影。

现在最后一步非常简单; 我们将结果数据存储到一个文件中：

filteredMovies.writeAsText("output.txt");

这只是将结果数据存储到本地文本文件中，但与readTextFile方法一样，我们可以通过指定协议来将此文件写入HDFS或S3 hdfs://。

更多信息

这是一篇介绍性文章，Apache Flink还有很多内容。我会在不久的将来写更多关于Flink的文章，敬请期待！您可以在这里阅读我的其他文章，或者您可以查看我的Pluralsight课程，其中更详细地介绍了Apache Flink：了解Apache Flink。这是本课程的简短预览。

原文博客链接：https://brewing.codes/2017/10/01/start-flink-batch/