众所周知,flink作为流计算引擎,处理源源不断的数据是其本意,但是在处理数据的过程中,往往可能需要一些参数的传递,那么有哪些方法进行参数的传递?在什么时候使用?这里尝试进行简单的总结。
在main函数中定义变量
1 // Class in Flink to store parameters2 Configuration configuration = new Configuration();3 configuration.setString("genre", "Action");4 5 lines.filter(new FilterGenreWithParameters())6 // Pass parameters to a function7 .withParameters(configuration)8 .print();
使用参数的function需要继承自一个rich的function,这样才可以在open方法中获取相应的参数。
1 class FilterGenreWithParameters extends RichFilterFunction<Tuple3<Long, String, String>> { 2 3 String genre; 4 5 @Override 6 public void open(Configuration parameters) throws Exception { 7 // Read the parameter 8 genre = parameters.getString("genre", ""); 9 }10 11 @Override12 public boolean filter(Tuple3<Long, String, String> movie) throws Exception {13 String[] genres = movie.f2.split("\\|");14 15 return Stream.of(genres).anyMatch(g -> g.equals(genre));16 }17 }
使用configuration虽然传递了参数,但显然不够动态,每次参数改变,都涉及到程序的变更,既然main函数能够接受参数,flink自然也提供了相应的承接的机制,即ParameterTool。
如果使用ParameterTool,则在参数传递上如下
1 public static void main(String... args) { 2 // Read command line arguments 3 ParameterTool parameterTool = ParameterTool.fromArgs(args); 4 5 final ExecutionEnvironment env = ExecutionEnvironment.getExecutionEnvironment(); 6 env.getConfig().setGlobalJobParameters(parameterTool); 7 ... 8 9 // This function will be able to read these global parameters10 lines.filter(new FilterGenreWithGlobalEnv())11 .print();12 }
如上面代码,使用parameterTool来承接main函数的参数,通过env来设置全局变量来进行分发,那么在继承了rich函数的逻辑中就可以使用这个全局参数。
1 class FilterGenreWithGlobalEnv extends RichFilterFunction<Tuple3<Long, String, String>> { 2 3 @Override 4 public boolean filter(Tuple3<Long, String, String> movie) throws Exception { 5 String[] genres = movie.f2.split("\\|"); 6 // Get global parameters 7 ParameterTool parameterTool = (ParameterTool) getRuntimeContext().getExecutionConfig().getGlobalJobParameters(); 8 // Read parameter 9 String genre = parameterTool.get("genre");10 11 return Stream.of(genres).anyMatch(g -> g.equals(genre));12 }13 }
在上面使用configuration和parametertool进行参数传递会很方便,但是也仅仅适用于少量参数的传递,如果有比较大量的数据传递,flink则提供了另外的方式来进行,其中之一即是broadcast,这个也是在其他计算引擎中广泛使用的方法之一。
1 DataSet<Integer> toBroadcast = env.fromElements(1, 2, 3); 2 // Get a dataset with words to ignore 3 DataSet<String> wordsToIgnore = ... 4 5 data.map(new RichFlatMapFunction<String, String>() { 6 7 // A collection to store words. This will be stored in memory 8 // of a task manager 9 Collection<String> wordsToIgnore;10 11 @Override12 public void open(Configuration parameters) throws Exception {13 // Read a collection of words to ignore14 wordsToIgnore = getRuntimeContext().getBroadcastVariable("wordsToIgnore");15 }16 17 18 @Override19 public String map(String line, Collector<String> out) throws Exception {20 String[] words = line.split("\\W+");21 for (String word : words)22 // Use the collection of words to ignore23 if (wordsToIgnore.contains(word))24 out.collect(new Tuple2<>(word, 1));25 }26 // Pass a dataset via a broadcast variable27 }).withBroadcastSet(wordsToIgnore, "wordsToIgnore");
在第3行定义了需要进行广播的数据集,在第27行指定了将此数据集进行广播的目的地。
广播的变量会保存在tm的内存中,这个也必然会使用tm有限的内存空间,也因此不能广播太大量的数据。
那么,对于数据量更大的广播需要,要如何进行?flink也提供了缓存文件的机制,如下。
首先还是需要在定义dag图的时候指定缓存文件:
1 ExecutionEnvironment env = ExecutionEnvironment.getExecutionEnvironment();2 3 // Register a file from HDFS4 env.registerCachedFile("hdfs:///path/to/file", "machineLearningModel")5 6 ...7 8 env.execute()
flink本身支持指定本地的缓存文件,但一般而言,建议指定分布式存储比如hdfs上的文件,并为其指定一个名称。
使用起来也很简单,在rich函数的open方法中进行获取。
1 class MyClassifier extends RichMapFunction<String, Integer> { 2 3 @Override 4 public void open(Configuration config) { 5 File machineLearningModel = getRuntimeContext().getDistributedCache().getFile("machineLearningModel"); 6 ... 7 } 8 9 @Override10 public Integer map(String value) throws Exception {11 ...12 }13 }
上面的代码忽略了对文件内容的处理。
在上面的几个方法中,应该说参数本身都是static的,不会变化,那么如果参数本身随着时间也会发生变化,怎么办?
嗯,那就用connectStream,其实也是流的聚合了。
使用ConnectedStream的前提当然是需要有一个动态的流,比如在主数据之外,还有一些规则数据,这些规则数据会通过Restful服务来发布,假如我们的主数据来自于kafka,
那么,就可以如下:
1 DataStreamSource<String> input = (DataStreamSource) KafkaStreamFactory2 .getKafka08Stream(env, srcCluster, srcTopic, srcGroup);3 4 DataStream<Tuple2<String, String>> appkeyMeta = env.addSource(new AppKeySourceFunction(), "appkey")5 6 ConnectedStreams<String, Tuple2<String, String>> connectedStreams = input.connect(appkeyMeta.broadcast());7 8 DataStream<String> cleanData = connectedStreams.flatMap(new DataCleanFlatMapFunction())
其实可以看到,上面的代码中做了四件事,首先在第1行定义了获取主数据的流,在第4行定义了获取规则数据的流,在AppKeySourceFunction中实现了读取Restful的逻辑,
在第6行实现了将规则数据广播到主数据中去,最后在第8行实现了从connectedStream中得到经过处理的数据。其中的关键即在于DataCleanFlatMapFunction。
1 public class DataCleanFlatMapFunction extends RichCoFlatMapFunction<String, Tuple2<String, String>, String>{2 3 public void flatMap1(String s, Collector<String> collector){...}4 5 public void flatMap2(Tuple2<String, String> s, Collector<String> collector) {...}6 7 8 }
这是一段缩减的代码,关键在于第一行,首先这个函数需要实现RichCoFlatMapFunction这个抽象类,其次在类实现中,flatMap2会承接规则函数,flatMap1会承接主函数。
当然,参数可以从client发送到task,有时候也需要从task发回到client,一般这里就会使用accumulator。
这里先看一个简单的例子,实现单词的计数以及处理文本的记录数:
1 DataSet<String> lines = ... 2 3 // Word count algorithm 4 lines.flatMap(new FlatMapFunction<String, Tuple2<String, Integer>>() { 5 @Override 6 public void flatMap(String line, Collector<Tuple2<String, Integer>> out) throws Exception { 7 String[] words = line.split("\\W+"); 8 for (String word : words) { 9 out.collect(new Tuple2<>(word, 1));10 }11 }12 })13 .groupBy(0)14 .sum(1)15 .print();16 17 // Count a number of lines in the text to process18 int linesCount = lines.count()19 System.out.println(linesCount);
上面的代码中,第14行实现了单词的计算,第18行实现了处理记录的行数,但很可惜,这里会产生两个job,仅仅第18行一句代码,就会产生一个job,无疑是不高效的。
flink提供了accumulator来实现数据的回传,亦即从tm传回到JM。
flink本身提供了一些内置的accumulator:
首先需要定义一个accumulator,然后在某个自定义函数中来注册它,这样在客户端就可以获取相应的的值。
1 lines.flatMap(new RichFlatMapFunction<String, Tuple2<String, Integer>>() { 2 3 // Create an accumulator 4 private IntCounter linesNum = new IntCounter(); 5 6 @Override 7 public void open(Configuration parameters) throws Exception { 8 // Register accumulator 9 getRuntimeContext().addAccumulator("linesNum", linesNum);10 }11 12 @Override13 public void flatMap(String line, Collector<Tuple2<String, Integer>> out) throws Exception {14 String[] words = line.split("\\W+");15 for (String word : words) {16 out.collect(new Tuple2<>(word, 1));17 }18 19 // Increment after each line is processed20 linesNum.add(1);21 }22 })23 .groupBy(0)24 .sum(1)25 .print();26 27 // Get accumulator result28 int linesNum = env.getLastJobExecutionResult().getAccumulatorResult("linesNum");29 System.out.println(linesNum);
当然,如果内置的accumulator不能满足需求,可以自定义accumulator,只需要继承两个接口之一即可,Accumulator或者SimpleAccumulato。
上面介绍了几种参数传递的方式,在日常的使用中,可能不仅仅是使用其中一种,或许是某些的组合,比如通过parametertool来传递hdfs的路径,再通过filecache来读取缓存。
联系客服