Tabla de contenido
Flujo de datos de canalización
Ejemplo de códigoWorldCount.py
Ejecute el script WorldCount.py
Descripción general
Apache Flink proporciona la API DataStream para crear aplicaciones de transmisión sólidas y con estado. Proporciona un control detallado sobre el estado y el tiempo, lo que permite la implementación de sistemas avanzados basados en eventos.
El programa Flink implementado por el usuario se compone de dos bloques de construcción básicos: Stream y Transformation.
La secuencia es un dato de resultado intermedio y la transformación es una operación que calcula y procesa una o más secuencias de entrada y genera una o más secuencias de resultados.
Cuando se ejecuta un programa de Flink, se asignará a Streaming Dataflow. Un flujo de datos de transmisión se compone de un conjunto de operadores de transmisión y transformación. Es similar a un gráfico DAG. Comienza con uno o más operadores de origen y termina con uno o más operadores de sumidero cuando se inicia.
FlinkKafkaConsumer es un operador de origen , Map , KeyBy , TimeWindow y Apply son operadores de transformación , y RollingSink es un operador de sumidero .
Flujo de datos de canalización
En Flink , los programas se ejecutan de forma paralela y distribuida. Una secuencia se puede dividir en múltiples particiones de secuencia ( Stream Partitions ) y un operador se puede dividir en múltiples subtareas de operador .
Flink tiene una función de optimización interna que optimiza en función de la cercanía de los operadores ascendentes y descendentes.
Los operadores con poca compacidad no se pueden optimizar, sino que cada subtarea del operador se ejecuta de forma independiente en un subproceso diferente. El grado de paralelismo de un Operador es igual al número de Subtareas del Operador , y el grado de paralelismo (número total de particiones) de un Stream es igual al grado de paralelismo del Operador que lo generó.
Los operadores con alta compacidad se pueden optimizar. Después de la optimización, se pueden unir múltiples subtareas de operadores para formar una cadena de operadores, que en realidad es una cadena de ejecución. Cada cadena de ejecución se ejecutará en un subproceso independiente en el Administrador de tareas.
La parte superior de la figura muestra la optimización de dos operadores altamente compactos, Fuente y Mapa, en una Cadena de Operadores. De hecho, una Cadena de Operadores es el concepto de un Operador grande. La Cadena de Operadores en la figura representa un Operador, keyBy representa un Operador y Sink representa un Operador, están conectados a través de un Stream y cada Operador corresponde a una Tarea en tiempo de ejecución, es decir, hay 3 Operadores correspondientes al parte superior de la figura Son 3 Tareas.
La parte inferior de la figura es una versión paralela de la parte superior. Cada tarea está paralelizada en múltiples subtareas. Aquí solo se muestran 2 grados de paralelismo y el operador Sink tiene 1 grado de paralelismo.
Ejemplo de códigoWorldCount.py
En este capítulo, aprenderá cómo crear una aplicación de transmisión simple utilizando PyFlink y la API DataStream.
Escriba un trabajo simple de Python DataStream.
El programa lee un archivo csv, calcula la frecuencia de las palabras y escribe los resultados en un archivo de resultados.
import argparse
import logging
import sys
from pyflink.common import WatermarkStrategy, Encoder, Types
from pyflink.datastream import StreamExecutionEnvironment, RuntimeExecutionMode
from pyflink.datastream.connectors import (FileSource, StreamFormat, FileSink, OutputFileConfig,RollingPolicy)
word_count_data = ["To be, or not to be,--that is the question:--",
"Whether 'tis nobler in the mind to suffer",
"The slings and arrows of outrageous fortune",
"Or to take arms against a sea of troubles,",
"And by opposing end them?--To die,--to sleep,--",
"No more; and by a sleep to say we end",
"The heartache, and the thousand natural shocks",
"That flesh is heir to,--'tis a consummation",
"Devoutly to be wish'd. To die,--to sleep;--",
"To sleep! perchance to dream:--ay, there's the rub;",
"For in that sleep of death what dreams may come,",
"When we have shuffled off this mortal coil,",
"Must give us pause: there's the respect",
"That makes calamity of so long life;",
"For who would bear the whips and scorns of time,",
"The oppressor's wrong, the proud man's contumely,",
"The pangs of despis'd love, the law's delay,",
"The insolence of office, and the spurns",
"That patient merit of the unworthy takes,",
"When he himself might his quietus make",
"With a bare bodkin? who would these fardels bear,",
"To grunt and sweat under a weary life,",
"But that the dread of something after death,--",
"The undiscover'd country, from whose bourn",
"No traveller returns,--puzzles the will,",
"And makes us rather bear those ills we have",
"Than fly to others that we know not of?",
"Thus conscience does make cowards of us all;",
"And thus the native hue of resolution",
"Is sicklied o'er with the pale cast of thought;",
"And enterprises of great pith and moment,",
"With this regard, their currents turn awry,",
"And lose the name of action.--Soft you now!",
"The fair Ophelia!--Nymph, in thy orisons",
"Be all my sins remember'd."]
def word_count(input_path, output_path):
env = StreamExecutionEnvironment.get_execution_environment()
env.set_runtime_mode(RuntimeExecutionMode.BATCH)
# write all the data to one file
env.set_parallelism(1)
# define the source
if input_path is not None:
ds = env.from_source(
source=FileSource.for_record_stream_format(StreamFormat.text_line_format(),
input_path)
.process_static_file_set().build(),
watermark_strategy=WatermarkStrategy.for_monotonous_timestamps(),
source_name="file_source"
)
else:
print("Executing word_count example with default input data set.")
print("Use --input to specify file input.")
ds = env.from_collection(word_count_data)
def split(line):
yield from line.split()
# compute word count
ds = ds.flat_map(split) \
.map(lambda i: (i, 1), output_type=Types.TUPLE([Types.STRING(), Types.INT()])) \
.key_by(lambda i: i[0]) \
.reduce(lambda i, j: (i[0], i[1] + j[1]))
# define the sink
if output_path is not None:
ds.sink_to(
sink=FileSink.for_row_format(
base_path=output_path,
encoder=Encoder.simple_string_encoder())
.with_output_file_config(
OutputFileConfig.builder()
.with_part_prefix("prefix")
.with_part_suffix(".ext")
.build())
.with_rolling_policy(RollingPolicy.default_rolling_policy())
.build()
)
else:
print("Printing result to stdout. Use --output to specify output path.")
ds.print()
# submit for execution
env.execute()
if __name__ == '__main__':
logging.basicConfig(stream=sys.stdout, level=logging.INFO, format="%(message)s")
parser = argparse.ArgumentParser()
parser.add_argument(
'--input',
dest='input',
required=False,
help='Input file to process.')
parser.add_argument(
'--output',
dest='output',
required=False,
help='Output file to write results to.')
argv = sys.argv[1:]
known_args, _ = parser.parse_known_args(argv)
word_count(known_args.input, known_args.output)Ejecute el script WorldCount.py
python word_count.py