1. Introduction
L'API Flink fournit le connecteur FileSink pour nous aider à écrire des données sur le système de fichiers
Notes de version : java1.8, flink1.17
Lien du site officiel : site officiel
2. Types de format - Spécifiez le format de fichier
FileSink
Prend en charge les formats codés en ligne et en bloc pour l'écriture dans le système de fichiers
Encodage en ligne : format texte
Encodage en masse : Parquet, Avro, SequenceFile, Compress, Orc
Row-encoded sink: FileSink.forRowFormat(basePath, rowEncoder)
Bulk-encoded sink: FileSink.forBulkFormat(basePath, bulkWriterFactory)
3. Stratégie de partition de fichier d'allocation de compartiment (sous-répertoire)
La logique du compartiment définit la manière dont les données sont distribuées dans les sous-répertoires du répertoire de sortie de base. (Comme les partitions dans Hive)
Flink dispose de deux stratégies d'allocation intégrées :
DateTimeBucketAssigner
: Allocateur temporel par défautBasePathBucketAssigner
: alloue tous les fichiers à stocker sur le chemin de base (un seul compartiment global)
Exemple de code :
// TODO 按照时间进行分桶,每分钟生成一个子目录,目录名称为 yyyy-MM-dd HH-mm
.withBucketAssigner(new DateTimeBucketAssigner<>("yyyy-MM-dd HH-mm", ZoneId.systemDefault()))
// TODO 当个全局桶,不生成子目录
.withBucketAssigner(new BasePathBucketAssigner())
4. Roulement de fichiers divisés par stratégie
La politique continue définit « quand générer de nouveaux fichiers », qui peut être configuré en spécifiant l'heure de création et la taille du fichier.
// TODO 文件滚动策略: 文件创建后1分钟 或 大小超过1m 时生成新的文件
.withRollingPolicy(
DefaultRollingPolicy.builder()
.withRolloverInterval(Duration.ofMinutes(1)) // 指定文件持续时间
.withMaxPartSize(new MemorySize(1024 * 1024)) // 指定文件大小
.build()
)
5. Nommage des fichiers et cycle de vie
Les fichiers pièce peuvent être dans l'un des trois états suivants :
- En cours : Le fichier pièce en cours d'écriture est à l'état En cours
- En attente : fermez le fichier d'état en cours en raison de la stratégie de roulement spécifiée et attendez la soumission.
- Terminé
STREAMING
: Un point de contrôle réussi en mode streaming ( ) ouBATCH
la fin de la saisie en mode batch (), et le statut En attente du fichier est converti en statut Terminé.
Remarque : La fonction de point de contrôle doit être activée STREAMING
pour pouvoir être utilisée en mode FileSink
. Les fichiers au statut Terminé ne sont générés que lorsque Checkpoint réussit. Si la fonction Checkpoint n'est pas activée, le fichier restera toujours dans in-progress
l'état ou pending
et le système en aval ne pourra pas lire les données du fichier en toute sécurité.
Stratégie de dénomination des fichiers :
- En cours / En attente:prefix-
part-<uid>-<partFileIndex>.ext.inprogress.uid
- Terminé:préfixe-
part-<uid>-<partFileIndex>.ext
préfixe : préfixe du nom de fichier (la valeur par défaut est vide)
ext :文件名称后缀(默认为空)
uid :uid
est une valeur d'ID aléatoire attribuée à la sous-tâche
└── 2019-08-25--12
├── prefix-4005733d-a830-4323-8291-8866de98b582-0.ext
├── prefix-4005733d-a830-4323-8291-8866de98b582-1.ext.inprogress.bd053eb0-5ecf-4c85-8433-9eff486ac334
├── prefix-81fc4980-a6af-41c8-9937-9939408a734b-0.ext
└── prefix-81fc4980-a6af-41c8-9937-9939408a734b-1.ext.inprogress.bc279efe-b16f-47d8-b828-00ef6e2fbd11
Exemple de code :
// TODO 指定输出文件的名称配置 前缀、后缀
.withOutputFileConfig(
OutputFileConfig.builder()
.withPartPrefix("flink") // 指定前缀
.withPartSuffix("txt") // 指定后缀
.build()
)
6. Ceci est un exemple complet
package com.baidu.datastream.sink;
import org.apache.flink.api.common.serialization.SimpleStringEncoder;
import org.apache.flink.configuration.MemorySize;
import org.apache.flink.connector.file.sink.FileSink;
import org.apache.flink.core.fs.Path;
import org.apache.flink.streaming.api.CheckpointingMode;
import org.apache.flink.streaming.api.datastream.DataStreamSource;
import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;
import org.apache.flink.streaming.api.functions.sink.filesystem.OutputFileConfig;
import org.apache.flink.streaming.api.functions.sink.filesystem.bucketassigners.DateTimeBucketAssigner;
import org.apache.flink.streaming.api.functions.sink.filesystem.rollingpolicies.DefaultRollingPolicy;
import java.time.Duration;
import java.time.ZoneId;
// TODO flink 数据输出到文件系统
public class SinkFiles {
public static void main(String[] args) throws Exception {
// 1.获取执行环境
StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
env.setParallelism(2);
// STREAMING 模式时,必须开启checkpoint,否则文件一直都是 .inprogress
env.enableCheckpointing(2000, CheckpointingMode.EXACTLY_ONCE);
// 2.指定数据源
DataStreamSource<String> streamSource = env.socketTextStream("localhost", 9999);
// 3.初始化 FileSink 实例
FileSink<String> fileSink = FileSink
// TODO 指定输出方式 行式输出、文件路径、编码
.<String>forRowFormat(new Path("data/output"), new SimpleStringEncoder<String>("UTF-8"))
// TODO 指定输出文件的名称配置 前缀、后缀
.withOutputFileConfig(
OutputFileConfig.builder()
.withPartPrefix("flink") // 指定前缀
.withPartSuffix(".txt") // 指定后缀
.build()
)
// TODO 按照时间进行目录分桶:每分钟生成一个目录,目录格式为 yyyy-MM-dd HH-mm
.withBucketAssigner(new DateTimeBucketAssigner<>("yyyy-MM-dd HH-mm", ZoneId.systemDefault()))
// TODO 文件滚动策略: 1分钟 或 1m 生成新的文件
.withRollingPolicy(
DefaultRollingPolicy.builder()
.withRolloverInterval(Duration.ofMinutes(1))
.withMaxPartSize(new MemorySize(1024 * 1024))
.build()
)
.build();
streamSource.sinkTo(fileSink);
// 3.触发程序执行
env.execute();
}
}