＜Zhuuu_ZZ＞实时流之Apache Flink

本文链接：https://blog.youkuaiyun.com/Zhuuu_ZZ/article/details/111877663

本文深入探讨Apache Flink的实时流处理，涵盖Environment、Source、Transform、Sink、Window、时间语义与Watermark等多个核心概念。通过实例解析Flink如何从Kafka、文件等读取数据，使用map、KeyBy、Filter等转换操作，以及Window的滚动、滑动、会话窗口的使用。此外，还介绍了Watermark机制和ProcessFunction API，以及Flink在面试中的常见问题和解决方案。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

一 Environment

Flink Job在提交执行计算时，需要首先建立和Flink框架之间的联系，也就指的是当前的flink运行环境，只有获取了环境信息，才能将task调度到不同的taskManager执行。而这个环境对象的获取方式相对比较简单。

// 批处理环境
val env1 = ExecutionEnvironment.getExecutionEnvironment
// 流式数据处理环境
val env2 = StreamExecutionEnvironment.getExecutionEnvironment

每次编写程序时，友情建议先导入一个用于隐式转换的类，后面的addSource，addSink等等都需要用到。

import org.apache.flink.streaming.api.scala._

二 Source

Flink框架可以从不同的来源获取数据，将数据提交给框架进行处理, 我们将获取数据的来源称之为数据源.

1、从集合中读取数据fromCollection

一般情况下，可以将数据临时存储到内存中，形成特殊的数据结构后，作为数据源使用。这里的数据结构采用集合类型是比较普遍的

package cn.kgc.kb09.source
import org.apache.flink.streaming.api.scala.StreamExecutionEnvironment
import org.apache.flink.streaming.api.scala._
object SourceTest {
   
   
  //env source transform sink
  def main(args: Array[String]): Unit = {
   
   
    //创建环境
    val env: StreamExecutionEnvironment = StreamExecutionEnvironment.getExecutionEnvironment
    //设置并行度,单机有几个线程参与或者集群有几台机器参与并行执行
    env.setParallelism(1)
    //创建流
    val stream1: DataStream[String] = env.fromCollection(List(
      "hello java",
      "hello flink"
    ))
    stream1.print("demo")
   env.execute("demo")
  }
}

2、从文件中读取数据readTextFile

通常情况下，我们会从存储介质中获取数据，比较常见的就是将日志文件作为数据源

package cn.kgc.kb09.source
import org.apache.flink.api.common.functions.{
   
   MapFunction, RichMapFunction}
import org.apache.flink.configuration.Configuration
import org.apache.flink.streaming.api.scala.{
   
   DataStream, StreamExecutionEnvironment}
import org.apache.flink.streaming.api.scala._
object SourceFile {
   
   
  def main(args: Array[String]): Unit = {
   
   
    val env: StreamExecutionEnvironment = StreamExecutionEnvironment.getExecutionEnvironment
//     env.setParallelism(1)
    val fileDS: DataStream[String] = env.readTextFile("input/data.log")
    //匿名函数实现map
    val waterStream1: DataStream[WaterSensor] = fileDS.map(x => WaterSensor(x.split(",")(0), x.split(",")(1).toLong, x.split(",")(2).toDouble))
    waterStream1.print("匿名函数")
      //上下等价，可以自定义map类，继承MapFunction接口
    val waterStream2: DataStream[WaterSensor] = fileDS.map(new MyMapFunction)
    waterStream2.print("自定义类")
    env.execute("sensor")
  }
}
//自定义map类
class MyMapFunction extends MapFunction[String,WaterSensor]{
   
   
  override def map(t: String): WaterSensor = {
   
   
    val strings: Array[String] = t.split(",")
    WaterSensor(strings(0),strings(1).toLong,strings(2).toDouble)
  }
}
//自定义Rich类---可以携带上下文
class MyRichMapFunction extends RichMapFunction[String,WaterSensor]{
   
   
  override def open(parameters: Configuration): Unit = super.open(parameters)
  override def close(): Unit = super.close()
  override def map(in: String): WaterSensor = {
   
   
    null
}
}

3、从Kafka读取数据

Kafka作为消息传输队列，是一个分布式的，高吞吐量，易于扩展地基于主题发布/订阅的消息系统。在现今企业级开发中，Kafka 和 Flink成为构建一个实时的数据处理系统的首选
引入kafka连接器的依赖

   <dependency>
      <groupId>org.apache.flink</groupId>
      <artifactId>flink-connector-kafka_2.11</artifactId>
      <version>1.7.2</version>
    </dependency>

代码实现参考

package cn.kgc.kb09.source
import java.util.Properties
import org.apache.flink.streaming.api.scala._ //这个包建议每次手动导一下
import org.apache.flink.api.common.serialization.SimpleStringSchema
import org.apache.flink.streaming.api.scala.{
   
   DataStream, StreamExecutionEnvironment}
import org.apache.flink.streaming.connectors.kafka.FlinkKafkaConsumer
import org.apache.kafka.clients.consumer.ConsumerConfig
object SourceKafka {
   
   
  def main(args: Array[String]): Unit = {
   
   
    val env: StreamExecutionEnvironment = StreamExecutionEnvironment.getExecutionEnvironment
//    env.setParallelism(1)
    val prop = new Properties()
//    prop.setProperty("bootstrap.servers","192.168.198.201:9092")
    //上下等价
    prop.setProperty(ConsumerConfig.BOOTSTRAP_SERVERS_CONFIG,"192.168.198.201:9092")
    prop.setProperty(ConsumerConfig.GROUP_ID_CONFIG,"flink-kafka-demo")
    prop.setProperty(ConsumerConfig.KEY_DESERIALIZER_CLASS_CONFIG,"org.apache.kafka,common.serialization.StringDeserializer")
    prop.setProperty(ConsumerConfig.VALUE_DESERIALIZER_CLASS_CONFIG,"org.apache.kafka,common.serialization.StringDeserializer")
    prop.setProperty(ConsumerConfig.AUTO_OFFSET_RESET_CONFIG,"latest")
    val kafkaDStream: DataStream[String] = env.addSource(
      new FlinkKafkaConsumer[String]("FlinkKafka", new SimpleStringSchema(), prop)
    )
    kafkaDStream.print()
    env.execute("kafkademo")
  }
}

4、自定义数据源

大多数情况下，前面的数据源已经能够满足需要，但是难免会存在特殊情况的场合，所以flink也提供了能自定义数据源的方式

package cn.kgc.kb09.source
import org.apache.flink.streaming.api.functions.source.SourceFunction
import org.apache.flink.streaming.api.scala._
import scala.util.Random
case  class  WaterSensor(id:String,ts:Long,vc:Double)
//自定义Flink Source
class MySensorSource extends SourceFunction[WaterSensor] {
   
   
  var flag=true
  //上下文其实就是作用域，
  //举个例子，公司company下面有A，B两个部门，A部门的员工worker1能够被该部门的部长使唤，也能被compangy的老板使唤，
  //但就是不能被B部门的任何人使唤。
  //也就是说局部变量不能被另一个方法体访问。
  override def run(sourceContext: SourceFunction.SourceContext[WaterSensor]): Unit = {
   
   
    while (flag){
   
   
      sourceContext.collect(  //创造一个对象流
        WaterSensor(
          "sensor_"+new Random().nextInt(3),
          System.currentTimeMillis(),
          new Random().nextInt(5)+40
        )
      )
      Thread.sleep(1000)
    }
  }
  override def cancel(): Unit ={
   
   
    flag=false
  }
}


object SourceMy{
   
   
  def main(args: Array[String]): Unit = {
   
   
    val env: StreamExecutionEnvironment = StreamExecutionEnvironment.getExecutionEnvironment
    val mydefDStream: DataStream[WaterSensor] = env.addSource(new MySensorSource)
    mydefDStream.print()
    env.execute("mydefsource")
  }
}

三 Transform

在Spark中，算子分为转换算子和行动算子，转换算子的作用可以通过算子方法的调用将一个RDD转换另外一个RDD，Flink中也存在同样的操作，可以将一个数据流转换为其他的数据流。
转换过程中，数据流的类型也会发生变化，那么到底Flink支持什么样的数据类型呢，其实我们常用的数据类型，Flink都是支持的。比如：Long, String, Integer, Int, 元组，样例类，List, Map等。

1、map

映射：将数据流中的数据进行转换, 形成新的数据流，消费一个元素并产出一个元素
参数：Scala匿名函数或MapFunction
返回：DataStream

package cn.kgc.kb09.transform
import org.apache.flink.streaming.api.scala._
import org.apache.flink.streaming.api.scala.{
   
   DataStream, StreamExecutionEnvironment}

case class WaterSensor(id: String, ts: Long, vc: Double)
object Transform_Map {
   
   
  def main(args: Array[String]): Unit = {
   
   
    val env: StreamExecutionEnvironment = StreamExecutionEnvironment.getExecutionEnvironment
    val sensorDS: DataStream[WaterSensor] = env.fromCollection(
      List(
        WaterSensor("sensor_0", 1609142261216l, 44.0),
        WaterSensor("sensor_1", 1609142261289l, 43.0),
        WaterSensor("sensor_2", 1609142261223l, 45.0)
      )
    )
    //map是进来一个元素出去也是一个元素
    //而flatMap是进来一个元素出去大概率是多个元素
    val mapDStream: DataStream[(String, String, String)] = sensorDS.map(x=>(x.id+"_bak",x.ts+"_bak",x.vc+"_bak"))
    mapDStream.print()
    env.execute("kafkademo")
  }
}

MapFunction

Flink为每一个算子的参数都至少提供了Scala匿名函数和函数类两种的方式，其中如果使用函数类作为参数的话，需要让自定义函数继承指定的父类或实现特定的接口。例如：MapFunction

import org.apache.flink.api.common.functions.MapFunction
import org.apache.flink.streaming.api.scala._

object Transform_MapFunction {
   
   

  def main(args: Array[String]): Unit = {
   
   
    //1.创建执行的环境
    val env: StreamExecutionEnvironment = StreamExecutionEnvironment.getExecutionEnvironment
    //2.从指定路径获取数据
    val sensorDS: DataStream[String] = env.readTextFile("input/sensor-data.log")

     sensorDS.map(new MyMapFunction)

    //3.打印
  //  MapDS.print()

    //4.执行
    env.execute("map")

  }

  /**
   * 自定义继承 MapFunction
   * MapFunction[T,O]
   * 自定义输入和输出
   *
   */
  class MyMapFunction extends MapFunction[String,WaterSensor]{
   
   
    override def map(t: String): WaterSensor = {
   
   

      val datas: Array[String] = t.split(",")

      WaterSensor(datas(0),datas(1).toLong,datas(2).toDouble)
    }
  }

  /**
   * 定义样例类：水位传感器：用于接收空高数据
   *
   * @param id 传感器编号
   * @param ts 时间戳
   * @param vc 空高
   */
  case class WaterSensor(id: String, ts: Long, vc: Double)

}

RichMapFunction

所有Flink函数类都有其Rich版本。它与常规函数的不同在于，可以获取运行环境的上下文，并拥有一些生命周期方法，所以可以实现更复杂的功能。也有意味着提供了更多的，更丰富的功能。例如：RichMapFunction

import org.apache.flink.api.common.functions.{
   
   MapFunction, RichMapFunction}
import org.apache.flink.configuration.Configuration
import org.apache.flink.streaming.api.scala._

object Transform_RichMapFunction {
   
   

  def main(args: Array[String]): Unit = {
   
   
    //1.创建执行的环境
    val env: StreamExecutionEnvironment = StreamExecutionEnvironment.getExecutionEnvironment
    //2.从指定路径获取数据
    val sensorDS: DataStream[String] = env.readTextFile("input/sensor-data.log")

    val myMapDS: DataStream[WaterSensor] = sensorDS.map(new MyRichMapFunction)

    //3.打印
    myMapDS.print()

    //4.执行
    env.execute("map")

  }

  /**
   * 自定义继承 RichMapFunction
   * RichMapFunction[T,O]
   * 自定义输入和输出
   *
   */
  class MyRichMapFunction extends RichMapFunction[String,WaterSensor]{
   
   

    override def map(value: String): WaterSensor = {
   
   
      val datas: Array[String] = value.split(",")
      //      WaterSensor(datas(0), datas(1).toLong, datas(2).toDouble)
      WaterSensor(getRuntimeContext.getTaskName, datas(1).toLong, datas(2).toDouble)
    }

    // 富函数提供了生命周期方法
    override def open(parameters: Configuration): Unit = {
   
   }

    override def close(): Unit = {
   
   }


  }

  /**
   * 定义样例类：水位传感器：用于接收空高数据
   *
   * @param id 传感器编号
   * @param ts 时间戳
   * @param vc 空高
   */
  case class WaterSensor(id: String, ts: Long, vc: Double)

}

Rich Function有一个生命周期的概念。典型的生命周期方法有：
- open()方法是rich function的初始化方法，当一个算子例如map或者filter被调用之前open()会被调用
- close()方法是生命周期中的最后一个调用的方法，做一些清理工作
- getRuntimeContext()方法提供了函数的RuntimeContext的一些信息，例如函数执行的并行度，任务的名字，以及state状态

2、KeyBy

在Spark中有一个GroupBy的算子，用于根据指定的规则将数据进行分组，在flink中也有类似的功能，那就是keyBy，根据指定的key对数据进行分流
分流：根据指定的Key将元素发送到不同的分区，相同的Key会被分到一个分区（这里分区指的就是下游算子多个并行节点的其中一个）。keyBy()是通过哈希来分区的。
参数：Scala匿名函数或POJO属性或元组索引，不能使用数组
返回：KeyedStream

package cn.kgc.kb09.transform
import cn.kgc.kb09.source.WaterSensor
import org.apache.flink.api.java.functions.KeySelector
import org.apache.flink.api.java.tuple.Tuple
import org.apache.flink.streaming.api.scala.{
   
   DataStream, StreamExecutionEnvironment}
import org.apache.flink.streaming.api.scala._
object Transfrom_KeyBy {
   
   
  def main(args: Array[String]): Unit = {
   
   
    val env: StreamExecutionEnvironment = StreamExecutionEnvironment.getExecutionEnvironment
    val sensorDS: DataStream[WaterSensor] = env.fromCollection(
      List(
        WaterSensor("sensor_1", 1609142261216l