目次
概要
Apache Flink は、堅牢でステートフルなストリーミング アプリケーションを構築するための DataStream API を提供します。状態と時間をきめ細かく制御できるため、高度なイベント駆動型システムの実装が可能になります。
ユーザーが実装する Flink プログラムは、ストリームと変換という 2 つの基本的な構成要素で構成されます。
ストリームは中間結果データであり、変換は 1 つ以上の入力ストリームを計算して処理し、1 つ以上の結果ストリームを出力する操作です。
Flink プログラムが実行されると、ストリーミング データフローにマッピングされます。ストリーミング データフローは、一連のストリーム オペレーターと変換オペレーターで構成されます。DAG グラフに似ています。開始時に 1 つ以上のソース オペレーターから始まり、1 つ以上のシンク オペレーターで終了します。
FlinkKafkaConsumerはソース オペレーター、Map 、KeyBy 、TimeWindow 、Applyは変換オペレーター、RollingSinkはシンク オペレーターです。
パイプライン データフロー
Flinkでは、プログラムは並列分散方式で実行されます。ストリームは複数のストリームパーティション (ストリーム パーティション)に分割でき、オペレータは複数のオペレータ サブタスクに分割できます。
Flink には、上流と下流のオペレーターの近さに基づいて最適化する内部最適化機能があります。
コンパクト性の低いオペレーターは最適化できず、代わりに、各オペレーター サブタスクが別のスレッドで独立して実行されます。Operatorの並列度はOperator Subtasksの数に等しく、 Streamの並列度 (パーティションの総数) はそれを生成したOperatorの並列度に等しくなります。
コンパクト性の高いオペレーターを最適化できます。最適化後、複数のオペレーター サブタスクをつなぎ合わせて、実際には実行チェーンであるオペレーター チェーンを形成できます。各実行チェーンは、タスク マネージャー上の独立したスレッドで実行されます。
図の上部は、2 つの非常にコンパクトな演算子 Source と Map を演算子チェーンに最適化したものを示しています。実際、演算子チェーンは大規模な演算子の概念です。図中の Operator Chain は Operator を表し、keyBy は Operator を表し、Sink は Operator を表します。これらは Stream で接続されており、各 Operator は実行時にタスクに対応します。図の上部、3つのタスクです。
図の下の部分は上の部分の並列バージョンです。各タスクは複数のサブタスクに並列化されています。ここでは並列度 2 のみが示されており、Sink オペレーターの並列度は 1 です。
コード例WorldCount.py
この章では、PyFlink と DataStream API を使用して単純なストリーミング アプリケーションを構築する方法を学習します。
単純な Python DataStream ジョブを作成します。
プログラムは csv ファイルを読み取り、単語の出現頻度を計算し、結果を結果ファイルに書き込みます。
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)スクリプト WorldCount.py を実行します。
python word_count.py