流處理是 Flink 的核心，流處理的數據集用 DataStream 表示。數據流從可以從各種各樣的數據源中創建（消息隊列、Socket 和 文件等），經過 DataStream 的各種 transform 操作，最終輸出文件或者標準輸出。這個過程跟之前文章中介紹的 Flink 程序基本骨架一樣。本篇介紹 DataStream 相關的入門知識。
Flink 101
為了學習 Flink 的朋友能查看到每個例子的源碼，我創建了一個 GitHub 項目：github.com/duma-repo/a… 這里會存放每一篇文章比較重要的示例的源碼，目前支持 Java 和 Scala，仍在不斷完善中。代碼下載后可以在本地運行，也可以打包放在集群上運行。同時，歡迎各位將優質的資源提交到項目中。
簡單示例
import org.apache.flink.api.common.functions.FlatMapFunction;
import org.apache.flink.api.java.tuple.Tuple2;
import org.apache.flink.streaming.api.datastream.DataStream;
import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;
import org.apache.flink.streaming.api.windowing.time.Time;
import org.apache.flink.util.Collector;public class WindowWordCount {public static void main(String[] args) throws Exception {StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();DataStream<Tuple2<String, Integer>> dataStream = env.socketTextStream("localhost", 9999).flatMap(new Splitter()).keyBy(0).timeWindow(Time.seconds(5)).sum(1);dataStream.print();env.execute("Window WordCount");}public static class Splitter implements FlatMapFunction<String, Tuple2<String, Integer>> {@Overridepublic void flatMap(String sentence, Collector<Tuple2<String, Integer>> out) throws Exception {for (String word: sentence.split(" ")) {out.collect(new Tuple2<String, Integer>(word, 1)); //空格分割后，每個單詞轉換成 (word, 1) 二元組輸出}}}}復制代碼這個例子跟之間介紹 WordCount 的例子類似，這里詳細介紹下涉及的 API 和含義
- 數據源：socketTextStream 是從 socket 創建的數據流，可以使用 nc -l 9000 創建 socket 客戶端發送數據
- transform：flatMap 將輸入的數據按照空格分割后，扁平化處理（flat即為扁平的意思）；keyBy 會按照指定的 key 進行分組，這里就是將單詞作為 key；timeWindow 指定時間窗口，這里是 5s 處理一次；sum 是聚合函數，將分組好的單詞個數求和
- 輸出：print 將處理完的數據輸出到標準輸出流中，可以在控制臺看到輸出的結果。調用 execute 方法提交 Job
Data Source
經過以上的介紹，我們知道常見的數據源有 socket、消息隊列和文件等。對于常見的數據源 Flink 已經定義好了讀取函數，接下來一一介紹。
基于文件
- readTextFile(path)：讀文本文件，默認是文件類型是 TextInputFormat，并且返回類型是 String
- readFile(fileInputFormat, path)：讀文件，需要指定輸入文件的格式
- readFile(fileInputFormat, path, watchType, interval, typeInfo)：以上兩個方法內部都會調用這個方法，參數說明：
- fileInputFormat - 輸入文件的類型
- path - 輸入文件路徑
- watchType - 取值為 FileProcessingMode.PROCESS_CONTINUOUSLY 和 FileProcessingMode.PROCESS_ONCE
- FileProcessingMode.PROCESS_CONTINUOUSLY - 當輸入路徑下有文件被修改，整個路徑下內容將會被重新處理
- FileProcessingMode.PROCESS_ONCE - 只掃描一次，便退出。因此這種模式下輸入數據只讀取一次
- interval - 依賴 watchType 參數，對于 FileProcessingMode.PROCESS_CONTINUOUSLY 每隔固定時間（單位：毫秒）檢測路徑下是否有新數據
- typeInfo - 返回數據的類型
需要注意，在底層 Flink 將讀文件的過程分為兩個子任務 —— 文件監控和數據讀取（reader）。監控任務由 1 個 task 實現，而讀取的任務由多個 task 實現，數量與 Job 的并行度相同。監控任務的作用是掃描輸入路徑（周期性或者只掃描一次，取決于 watchType），當數據可以被處理時，會將數據分割成多個分片，將分片分配給下游的 reader 。一個分片只會被一個 reader 讀取，一個 reader 可以讀取多個分片。
基于 Socket
- socketTextStream：從 socket 數據流中讀數據
基于 Collection
- fromCollection(Collection)：從 Java.util.Collection 類型的數據中創建輸入流，collection 中的所有元素類型必須相同
- fromCollection(Iterator, Class)：從 iterator (迭代器）中創建輸入流，Class 參數指定從 iterator 中的數據類型
- fromElements(T ...)：從給定的參數中創建輸入流， 所有參數類型必須相同
- fromParallelCollection(SplittableIterator, Class)：從 iterator 中創建并行的輸入流，Class 指定 iterator 中的數據類型
- generateSequence(from, to)：從 from 至 to 之間的數據序列創建并行的數據流
自定義
- addSource：可以自定義輸入源，通過實現 SourceFunction 接口來自定義非并行的輸入流；也可以實現 ParallelSourceFunction 接口或集成 RichParallelSourceFunction 類來自定義并行輸入流，當然也可以定義好的數據源，如：Kafka，addSource(new FlinkKafkaConsumer08<>(...))
DataStream 的 transform
之前已經介紹了一些 transfrom 函數，如：map、flatMap 和 filter 等。同時還有窗口函數：window、timeWindow 等，聚合函數：sum、reduce 等。更多的 transform 函數以及使用將會單獨寫一篇文章介紹。
Data Sink
Data Sink 便是數據的輸出。同 Data Source 類似， Flink 也內置了一些輸出函數，如下：
- writeAsText(path) / TextOutputFormat：將數據作為 String 類型輸出到指定文件
- writeAsCsv(...) / CsvOutputFormat：將 Tuple 類型輸出到 ',' 分隔的 csv 類型的文件。行和列的分隔符可以通過參數配置，默認的為 '\n' 和 ','
- print() / printToErr()：將數據打印到標準輸出流或者標準錯誤流，可以指定打印的前綴。
- writeUsingOutputFormat() / FileOutputFormat：輸出到 OutputFormat 類型指定的文件，支持對象到字節的轉換。
- writeToSocket：根據 SerializationSchema 將數據輸出到 socket
- addSink：自定義輸出函數，如：自定義將數據輸出到 Kafka
小結
本篇文章主要介紹了 Flink Streaming 編程的基本骨架。詳細介紹了 Streaming 內置的 Data Source 和 DataSink 。下篇將繼續介紹 Flink Streaming 編程涉及的基本概念。
代碼地址： github.com/duma-repo/a…
歡迎關注公眾號「渡碼」
