参考：https://ci.apache.org/projects/flink/flink-docs-release-1.8/dev/api_concepts.html

DataSet and DataStream

Flink具有特殊类DataSet和DataStream来表示程序中的数据。你可以将它们视为可以包含重复项的不可变数据集合。

Anatomy of a Flink Program Flink程序的剖析

Flink程序看起来像是转换数据集合的常规程序。每个程序包含相同的基本部分：

获得执行环境， Obtain an execution environment,
加载/创建初始数据， Load/create the initial data,
指定此数据的转换， Specify transformations on this data,
指定放置计算结果的位置，Specify where to put the results of your computations,
触发程序执行 Trigger the program execution

StreamExecutionEnvironment是所有Flink程序的基础。你可以在StreamExecutionEnvironment上使用这些静态方法获取一个：

getExecutionEnvironment()
createLocalEnvironment()
createRemoteEnvironment(String host, int port, String... jarFiles)

通常，你只需要使用getExecutionEnvironment()，因为这将根据上下文执行正确的操作：如果你在IDE中执行程序或作为常规Java程序，它将创建一个本地环境，将执行你的程序你的本地机器。如果你从程序中创建了一个JAR文件，并通过命令行调用它，则Flink集群管理器将执行你的main方法，getExecutionEnvironment()将返回一个执行环境，用于在集群上执行你的程序。

对于指定数据源，执行环境有几种方法可以使用各种方法从文件中读取：你可以逐行读取它们，CSV文件或使用完全自定义数据输入格式。要将文本文件作为一系列行读取，你可以使用：

final StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();

DataStream<String> text = env.readTextFile("file:///path/to/file");

这将为你提供一个DataStream，然后你可以在其上应用转换来创建新的派生DataStream。

你可以通过使用转换函数调用DataStream上的方法来应用转换。例如，map转换如下所示：

DataStream<String> input = ...;

DataStream<Integer> parsed = input.map(new MapFunction<String, Integer>() {
    @Override
    public Integer map(String value) {
        return Integer.parseInt(value);
    }
});

这将通过将原始集合中的每个String转换为Integer来创建新的DataStream。

一旦有了包含最终结果的DataStream，就可以通过创建接收器(sink)将其写入外部系统。这些只是创建接收器的一些示例方法：

writeAsText(String path)

print()

一旦指定了完整的程序，就需要通过调用StreamExecutionEnvironment上的execute()来触发程序执行。根据ExecutionEnvironment的类型，将在本地计算机上触发执行或提交程序以在群集上执行。

execute()方法返回一个JobExecutionResult，它包含执行时间和累加器结果。

Lazy Evaluation 惰性求值

所有Flink程序都是惰性执行：当执行程序的main方法时，数据加载和转换不会直接发生。而是创建每个操作并将其添加到程序的计划中。当执行环境上的execute()调用显式触发执行时，实际执行操作。程序是在本地执行还是在集群上执行取决于执行环境的类型。

惰性求值使你可以构建Flink作为一个整体计划单元执行的复杂程序。

Specifying Keys 指定键

一些转换（join，coGroup，keyBy，groupBy）要求在元素集合上定义键。其他转换（Reduce，GroupReduce，Aggregate，Windows）允许数据在应用之前在键上分组。

DataSet分组：

DataSet<...> input = // [...]
DataSet<...> reduced = input
  .groupBy(/*define key here*/)
  .reduceGroup(/*do something*/);

DataStream设置键：

DataStream<...> input = // [...]
DataStream<...> windowed = input
  .keyBy(/*define key here*/)
  .window(/*window specification*/);

Flink的数据模型不基于键值对。因此，你无需将数据集类型物理打包到键和值中。键是“虚拟的”：它们被定义为实际数据上的函数，以指导分组运算符。

Define keys for Tuples 定义元组的键

最简单的情况是在元组的一个或多个字段上对元组进行分组：

DataStream<Tuple3<Integer,String,Long>> input = // [...]
KeyedStream<Tuple3<Integer,String,Long>,Tuple> keyed = input.keyBy(0)

元组在第一个字段（整数类型）上分组。

DataStream<Tuple3<Integer,String,Long>> input = // [...]
KeyedStream<Tuple3<Integer,String,Long>,Tuple> keyed = input.keyBy(0,1)

在这里，我们将元组分组在由第一个和第二个字段组成的复合键上。

注意嵌套元组：如果你有一个带有嵌套元组的DataStream，例如：

DataStream<Tuple3<Tuple2<Integer, Float>,String,Long>> ds;

指定keyBy(0)将使系统使用完整的Tuple2作为键（以Integer和Float为键）。 如果要“导航”到嵌套的Tuple2中，则必须使用下面解释的字段表达式键。

Define keys using Field Expressions 使用字段表达式定义键

你可以使用基于字符串的字段表达式来引用嵌套字段，并定义用于grouping, sorting, joining或coGrouping的键。

字段表达式可以非常轻松地选择（嵌套）复合类型中的字段，例如Tuple和POJO类型。

在下面的示例中，我们有一个WC POJO，其中包含两个字段“word”和“count”。要按字段分组，我们只需将其名称传递给keyBy()函数。

// some ordinary POJO (Plain old Java Object)
public class WC {
  public String word;
  public int count;
}
DataStream<WC> words = // [...]
DataStream<WC> wordCounts = words.keyBy("word").window(/*window specification*/);

字段表达式语法：

按字段名称选择POJO字段。例如，“user”指的是POJO类型的“user”字段。
按字段名称或0偏移字段索引选择元组字段。例如，“f0”和“5”分别表示Java元组类型的第一和第六字段。
你可以在POJO和Tuples中选择嵌套字段。例如，“user.zip”指的是POJO的“zip”字段，其存储在POJO类型的“user”字段中。支持任意嵌套和混合POJO和元组，例如“f1.user.zip”或“user.f3.1.zip”。
你可以使用“*”通配符表达式选择完整类型。这也适用于非Tuple或POJO类型的类型。

字段表达式样例：

public static class WC {
  public ComplexNestedClass complex; //nested POJO
  private int count;
  // getter / setter for private field (count)
  public int getCount() {
    return count;
  }
  public void setCount(int c) {
    this.count = c;
  }
}
public static class ComplexNestedClass {
  public Integer someNumber;
  public float someFloat;
  public Tuple3<Long, Long, String> word;
  public IntWritable hadoopCitizen;
}

这些是上面示例代码的有效字段表达式：

“count”：WC类中的count字段。
“complex”：递归选择POJO类型ComplexNestedClass的字段复合体的所有字段。
“complex.word.f2”：选择嵌套Tuple3的最后一个字段。
“complex.hadoopCitizen”：选择Hadoop IntWritable类型。

Define keys using Key Selector Functions 使用键选择器函数定义键

定义键的另一种方法是“键选择器”函数。键选择器函数将单个元素作为输入并返回元素的键。键可以是任何类型，并且可以从确定性计算中输出。

以下示例显示了一个键选择器函数，它只返回一个对象的字段：

// some ordinary POJO
public class WC {public String word; public int count;}
DataStream<WC> words = // [...]
KeyedStream<WC> keyed = words
  .keyBy(new KeySelector<WC, String>() {
     public String getKey(WC wc) { return wc.word; }
   });

Specifying Transformation Functions 指定转换函数

大多数转换都需要用户定义的函数。本节列出了如何指定它们的不同方法。

Implementing an interface 实现接口

最基本的方法是实现一个提供的接口：

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

Anonymous classes 匿名类

你可以将函数作为匿名类传递：

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

Java 8 Lambdas

Flink还支持Java API中的Java 8 Lambdas。

data.filter(s -> s.startsWith("http://"));

data.reduce((i1,i2) -> i1 + i2);

Rich functions 丰富的函数

所有需要用户定义函数的转换都可以将rich函数作为参数。例如，替换

class MyMapFunction implements MapFunction<String, Integer> {
  public Integer map(String value) { return Integer.parseInt(value); }
};

你可以写

class MyMapFunction extends RichMapFunction<String, Integer> {
  public Integer map(String value) { return Integer.parseInt(value); }
};

并像往常一样将函数传递给map转换：

data.map(new MyMapFunction());

丰富的函数也可以定义为匿名类：

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

除了用户定义的函数（map，reduce等）之外，Rich函数还提供了四种方法：open，close，getRuntimeContext和setRuntimeContext。这些用于参数化函数，创建和完成本地状态，访问广播变量以及访问运行时信息（如累加器和计数器）以及迭代信息。

Supported Data Types 支持的数据类型

Flink对DataSet或DataStream中可以包含的元素类型设置了一些限制。原因是系统分析类型以确定有效的执行策略。

有六种不同类别的数据类型：

元组（Java Tuples and Scala Case Classes）
Java普通对象（Java POJOs）
基本类型（Primitive Types）
常规类（Regular Classes）
值类型（Values）
Hadoop可写接口的实现（Hadoop Writables）
特殊类型（Special Types）

Tuples and Case Classes 元组

元组是包含固定数量的具有各种类型的字段的复合类型。 Java API提供从Tuple1到Tuple25的类。元组的每个字段都可以是包含更多元组的任意Flink类型，从而产生嵌套元组。可以使用字段名称tuple.f4直接访问元组的字段，也可以使用通用getter方法tuple.getField（int position）。字段索引从0开始。请注意，这与Scala元组形成对比，但它与Java的一般索引更为一致。

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;
    }
});

wordCounts.keyBy(0); // also valid .keyBy("f0")

POJO Java普通对象

如果满足以下要求，则Flink将Java和Scala类视为特殊的POJO数据类型：

类必须是公共的。
它必须有一个没有参数的公共构造函数（默认构造函数）。
所有字段都是公共的，或者必须通过getter和setter函数访问。对于名为foo的字段，getter和setter方法必须命名为getFoo()和setFoo()。
Flink必须支持字段的类型。目前，Flink使用Avro序列化任意对象（例如Date）。

Flink分析POJO类型的结构，即它了解POJO的字段。因此，POJO类型比一般类型更容易使用。此外，Flink可以比一般类型更有效地处理POJO。

以下示例显示了一个包含两个公共字段的简单POJO。

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));

wordCounts.keyBy("word"); // key by field expression "word"

Primitive Types 基本类型

Flink支持所有Java和Scala基本类型，如Integer，String和Double。

General Class Types 常规类类型

Flink支持大多数Java和Scala类（API和自定义）。限制适用于包含无法序列化的字段的类，如文件指针，I/O流或其他本机资源。遵循Java Beans约定的类通常可以很好地工作。

所有未标识为POJO类型的类（请参阅上面的POJO要求）都由Flink作为常规类类型处理。 Flink将这些数据类型视为黑盒子，并且无法访问其内容（即，用于高效排序）。使用序列化框架Kryo对常规类型进行序列化和反序列化。

Values 值类型

值类型需手动描述其序列化和反序列化。它们不是通过通用序列化框架，而是通过使用读取和写入方法实现org.apache.flinktypes.Value接口来为这些操作提供自定义代码。当通用序列化效率非常低时，使用值类型是合理的。一个示例是将元素的稀疏向量实现为数组的数据类型。知道数组大部分为零，可以对非零元素使用特殊编码，而通用序列化只需编写所有数组元素。

org.apache.flinktypes.CopyableValue接口以类似的方式支持手动内部克隆逻辑。

Flink带有与基本数据类型对应的预定义值类型。（ByteValue，ShortValue，IntValue，LongValue，FloatValue，DoubleValue，StringValue，CharValue，BooleanValue）。这些值类型充当基本数据类型的可变变体：它们的值可以被更改，允许程序员重用对象并降低垃圾收集器压力。

Hadoop Writables Hadoop可写接口的实现

你可以使用实现org.apache.hadoop.Writable接口的类型。 write()和readFields()方法中定义的序列化逻辑将用于序列化。

Special Types 特殊类型

你可以使用特殊类型，包括Scala的Either，Option和Try。 Java API有自己的自定义Either实现。与Scala的Either类似，它代表两种可能类型的值，左或右。两者都可用于错误处理或需要输出两种不同类型记录的运算符。

Type Erasure & Type Inference 类型擦除和类型推断

注意：本节仅适用于Java。

Java编译器在编译后抛弃了大部分泛型类型信息。这在Java中称为类型擦除。这意味着在运行时，对象的实例不再知道其泛型类型。例如，DataStream <String>和DataStream <Long>的实例在JVM看来是一样的。

Flink在准备执行程序时（当调用程序的main方法时）需要类型信息。 Flink Java API尝试重建以各种方式丢弃的类型信息，并将其显式存储在数据集和运算符中。你可以通过DataStream.getType()检索类型。该方法返回TypeInformation的一个实例，这是Flink表示类型的内部方式。

类型推断有其局限性，在某些情况下需要程序员的“合作”。这方面的示例是从集合创建数据集的方法，例如ExecutionEnvironment.fromCollection()，你可以在其中传递描述类型的参数。但是像MapFunction<I,O>这样的通用函数也可能需要额外的类型信息。

ResultTypeQueryable接口可以通过输入格式和函数实现，以明确告知API其返回类型。调用函数的输入类型通常可以通过先前操作的结果类型来推断。

Accumulators & Counters 累加器和计数器

累加器是具有增加操作(add operation)和最终累积结果(final accumulated result)的简单构造，可在作业结束后使用。

最直接的累加器是一个计数器(counter)：你可以使用Accumulator.add(V value)方法递增它。在工作结束时，Flink将汇总（合并）所有部分结果并将结果发送给客户。在调试过程中，或者如果你想快速了解有关数据的更多信息，累加器非常有用。

Flink目前有以下内置累加器。它们中的每一个都实现了Accumulator接口。

IntCounter，LongCounter和DoubleCounter：请参阅下面的使用计数器的示例。
直方图(Histogram)：离散数量的区间的直方图实现。在内部，它只是一个从Integer到Integer的映射。你可以使用它来计算值的分布，例如字数统计程序的每行字数分布。

How to use accumulators: 如何使用累加器：

首先，你必须在要使用它的用户定义转换函数中创建累加器对象（此处为计数器）。

private IntCounter numLines = new IntCounter();

其次，你必须注册累加器对象，通常在丰富(rich)函数的open()方法中。在这里你还可以定义名称。

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

你现在可以在运算符函数中的任何位置使用累加器，包括open()和close()方法。

this.numLines.add(1);

整个结果将存储在JobExecutionResult对象中，该对象是从执行环境的execute()方法返回的（当前这仅在执行等待作业完成时才有效）。

myJobExecutionResult.getAccumulatorResult("num-lines")

每个作业的所有累加器共享一个命名空间。因此，你可以在作业的不同运算符函数中使用相同的累加器。 Flink将在内部合并所有具有相同名称的累加器。

关于累加器和迭代的说明：目前累加器的结果仅在整个作业结束后才可用。我们还计划在下一次迭代中使前一次迭代的结果可用。你可以使用聚合器来计算每次迭代统计信息，并根据此类统计信息确定迭代的终止。

Custom accumulators: 定制累加器：

要实现自己的累加器，只需编写Accumulator接口的实现即可。如果你认为你的自定义累加器应该合入Flink主干，请随意创建拉取请求(pull request)。

你可以选择实现Accumulator或SimpleAccumulator。

Accumulator<V, R>最灵活：它为要添加的值定义类型V，为最终结果定义结果类型R. 例如。对于直方图，V是数字，R是直方图。 SimpleAccumulator适用于两种类型相同的情况，例如：对于计数器。

Flink 1.8 Basic API Concepts 基本API概念