手记

Apache Flink源码解析 (五)DataStream API

概述

这篇文章是但不仅仅是官方文档的中文翻译,还有里面每一个方法对应的Transformation和运行时对Task的影响。

Prerequisites

  • 关于算子想说的有很多,在这篇文章中,把算子理解为包含了一个函数(Flink实现的或自己实现的,比如MapFunction,FilterFunction)的持续获得输入并且将结果输出出去的任务就好。

  • 图中的Task表示一个节点,或者说是一个TaskManager中一个Slot执行的任务

  • 流程图中红色代表这个方法在生成Transformation和实际运行时对Task产生的影响

DataStream

  • Map

    DataStream<Integer> dataStream = //...dataStream.map(new MapFunction<Integer, Integer>() {    @Override
        public Integer map(Integer value) throws Exception {        return 2 * value;
        }
    });
    • Transformation: 生成一个OneInputTransformation并包含StreamMap算子


      StreamMapTransformation

    • Runtime:


      StreamMapTask

    • 消费一个元素并产出一个元素

    • 参数 MapFunction

    • 返回DataStream

    • 例子:

  • FlatMap

    dataStream.flatMap(new FlatMapFunction<String, String>() {
        @Override
        public void flatMap(String value, Collector<String> out)
            throws Exception {        for(String word: value.split(" ")){
                out.collect(word);
            }
        }
    });
    • Transformation: 生成一个OneInputTransformation并包含StreamFlatMap算子


      StreamFlatMapTransformation

    • Runtime:


      StreamFlatMapTask

    • 消费一个元素并产生零到多个元素

    • 参数 FlatMapFunction

    • 返回 DataStream

    • 例子:

  • Filter

    dataStream.filter(new FilterFunction<Integer>() {    @Override
        public boolean filter(Integer value) throws Exception {        return value != 0;
        }
    });
    • Transformation:生成一个OneInputTransformation并包含StreamFilter算子


      StreamFilterTransformation

    • Runtime:


      StreamFilterTask

    • 根据FliterFunction返回的布尔值来判断是否保留元素,true为保留,false则丢弃

    • 参数 FilterFunction

    • 返回DataStream

    • 例子:

  • KeyBy

    dataStream.keyBy("someKey") // Key by field "someKey"dataStream.keyBy(0) // Key by the first element of a Tuple
    • Transformation: KeyBy会产生一个PartitionTransformation,并且通过KeySelector创建一个KeyGroupStreamPartitioner,目的是将输出的数据分区。此外还会把KeySelector保存到KeyedStream的属性中,在下一个Transformation创建时时将KeySelector注入进去。


      KeyByTransformation

    • Runtime: 生成StreamGraph时会将PartitionTransformation中的Partitioner 注入到StreamEdge当中,此外还会在下一个StreamNode创建过程中注入KeySelector用于提取元素的Key。之后将Partitioner注入StreamRecordWriter中用于将上一个Task的输出元素指定到某一个ResultSubParition中,此外KeySelector也被注入到下一个Task的算子当中。


      KeyBy Runtime

    • 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的节点的其中一个)。keyBy()是通过哈希来分区的。

    • 只能使用KeyedState(Flink做备份和容错的状态)

    • 参数 String,tuple的索引,覆盖了hashCode方法的POJO,不能使数组

    • 返回KeyedStream

    • 例子:

  • WindowAll

    dataStream.windowAll(TumblingEventTimeWindows.of(Time.seconds(5))); // Last 5 seconds of data
    • Transformation:返回AllWindowedStream,不产生Transformation,详情见AllWindowedStream

    • Runtime:详情见AllWindowedStream

    • 将元素按照某种特性聚集在一起(如时间:滑动窗口,翻转窗口,会话窗口,又如出现次数:计数窗口)

    • 参数 WindowAssigner

    • 返回 AllWindowedStream

    • 例子:

  • Union

    dataStream.union(otherStream1, otherStream2, ...);
    • Transformation: 从所有相关的stream中获取Transformation并注入到UnionTransformation的inputs中


      UnionTransformation

    • Runtime:这些Inputs会在下一个Transformation创建时被作为Input来穿件StreamEdge,如果上下游并行度一致则会生成ForwardPartitioner,不一致则是RebalancePartitioner。由于Partitioner是在处理下游Transformation生成的,所以这里没有图。

    • 将两个或多个datastream合并,创造一个新的流包含这些datastream的所有元素

    • 参数DataStream(一个或多个)

    • 返回UnionStream

    • 例子:

  • Join

    dataStream.join(otherStream)
        .where(<key selector>).equalTo(<key selector>)
        .window(TumblingEventTimeWindows.of(Time.seconds(3)))
        .apply (new JoinFunction () {...});
    • Transformation:1. 调用join方法后生成JoinedStream,JoinedStream保存了两个input  2. 调用where方法生成一个内部类Where对象,注入KeySelector1 3. 调用equalTo生成内部类EqualTo对象,注入KeySelector2 4. 调用window升成内部静态类WithWindow,并且注入WindowAssigner(在该对象中还可以注入Trigger和Evictor 5. 最后调用apply方法将(Flat)JoinFunction注入并且用一个(Flat)JoinCoGroupFunction封装起来,而在这一步会将所有注入的对象用在coGroup上。详情见下一个Window CoGroup的解析。

    • Runtime: 与Window CoGroup相同,详情见下一个WIndow CoGroup解析

    • 将两个DataStream按照key和window join在一起

    • 参数:1. KeySelector1 2. KeySelector2 3. DataStream 4. WindowAssigner 5. JoinFunction/FlatJoinFunction

    • 返回DataStream

    • 例子:

  • Window CoGroup

    dataStream.coGroup(otherStream)
        .where(0).equalTo(1)
        .window(TumblingEventTimeWindows.of(Time.seconds(3)))
        .apply (new CoGroupFunction () {...});
    • Transformation:生成一个TaggedUnion类型和unionKeySelector,里面分别包含了两个流的元素类型和两个流的KeySelector。将两个流通过map分别输出为类型是TaggedUnion的两个流(map详情见StreamMap),再Union在一起(详情见Union),再使用合并过后的流和unionKeySelector生成一个KeyedStream(详情见KeyBy),最后使用KeyedStream的window方法并传入WindowAssigner生成WindowedStream,并apply CoGroupFunction来处理(详情见WindowedStream Apply方法)。总体来说,Flink对这个方法做了很多内部的转换,最后生成了两个StreamMapTransformation,一个PartitionTransformation和一个包含了WindowOperator的OneInputTransformation。


      CoGroupTransformation

    • Runtime:参考每个Transformation对应的Runtime情况

    • 根据Key和window将两个DataStream的元素聚集在两个集合中,根据CoGroupFunction来处理这两个集合,并产出结果

    • 参数 1. DataStream 2. KeySelector1 3. KeySelector2 4. WindowAssigner 5. CoGroupFunction

    • 返回DataStream

    • 例子:

  • Connect

    DataStream<Integer> someStream = //...DataStream<String> otherStream = //...ConnectedStreams<Integer, String> connectedStreams = someStream.connect(otherStream);
    • Transformation:在这一步会生成一个包含了两个DataStream的ConnectedStreams对象,不会有Transformation产生。详情见后续ConnectedStreams的API详解。

    • 将两个DataStream连接在一起,使得他们之间可以共享状态

    • 参数 DataStream

    • 返回ConnectedStreams

    • 例子:

  • Split

    SplitStream<Integer> split = someDataStream.split(new OutputSelector<Integer>() {    @Override
        public Iterable<String> select(Integer value) {
            List<String> output = new ArrayList<String>();        if (value % 2 == 0) {
                output.add("even");
            }        else {
                output.add("odd");
            }        return output;
        }
    });
    • Transformation:在这一步会生成一个SplitTransformation,里面包含了OutputSelector。


      SplitTransformation

    • Runtime: 在生成StreamGraph时找到父Transformation,并将OutputSelector注入到父StreamNode中。生成JobGraph的时候在注入到对应的JobNode中,最后在运行时封装到OperatorChain的OutputCollector中并且注入算子。


      SplitRuntime

    • 按照一个规则将一个流的元素产出到两个或多个支流(每个元素可以发送到不止一个支流)

    • 参数 OutputSelector

    • 返回 SplitStream

    • 例子:

  • Iterate

    IterativeStream<Long> iteration = initialStream.iterate();
    DataStream<Long> iterationBody = iteration.map (/*do something*/);
    DataStream<Long> feedback = iterationBody.filter(new FilterFunction<Long>(){    @Override
        public boolean filter(Integer value) throws Exception {        return value > 0;
        }
    });
    iteration.closeWith(feedback);
    DataStream<Long> output = iterationBody.filter(new FilterFunction<Long>(){    @Override
        public boolean filter(Integer value) throws Exception {        return value <= 0;
        }
    });
    • Iterate不展开讲解

    • 通过将一个算子的输出重定向到某个输入Operator上来创个一个循环。非常适合用来持续更新一个模型。

    • 过程 DataStream IterativeStream DataStream

    • 例子:

  • ExtractTimestamps

    stream.assignTimestamps (new TimeStampExtractor() {...});
    • Transformation:assignTimestamps会将TimeStampExtractor注入进刚创建的ExtractTimestampsOperator,再通过ExtractTimestampsOperator生成一个OneInputTransformation


      ExtractTimestampsTransformation

    • Runtime:


      ExtractTimestampsTask

    • 从元素中提取timestamp来用作事件时间(EventTime)。

    • 参数 TimeStampExtractor

    • 返回 DataStream

    • 例子:

  • Project

    DataStream<Tuple3<Integer, Double, String>> in = // [...]DataStream<Tuple2<String, Integer>> out = in.project(2,0);
    • Transformation:生成一个OneInputTransformation并包含StreamProjection算子


      StreamProjectionTransformation

    • Runtime


      StreamProjectionTask

    • 如果元素是Tuple,直接通过index提取出Tuple中的字段组成新的Tuple,并产出结果

    • 参数 Tuple中的index(int, 一个或多个)

    • 返回 DataStream

    • 例子:

  • Custom partitioning

    dataStream.partitionCustom(partitioner, "someKey");dataStream.partitionCustom(partitioner, 0);
    • Transformation:partitionCustom类似于KeyBy,不过partitioner是由自己定制并且输出的不是KeyedStream。首先会通过KeySelector和用户实现的Partitioner生成一个CustomPartitionerWrapper(StreamPartitioner),再讲它注入到PartitionTransformation。


      CustomPartitioningTransformation

    • Runtime:将Partitioner注入StreamRecordWriter中用于将上一个Task的输出元素指定到某一个ResultSubParition中


      CustomPartitioningTask

    • 通过用户定义的流分区器(Partitioner)将每个元素传输到指定的subtask

    • 参数 Partitioner, Tuple索引/POJO属性名/KeySelector

    • 返回 DataStream

    • 例子:

  • Random partitioning

    dataStream.shuffle();
    • Transformation: 将partitioner换成ShufflePartitioner,其余同上

    • Runtime:同上

    • 将元素按照均匀分布打散到下游

    • 返回 DataStream

    • 例子:

  • Rebalancing (Round-robin partitioning)

    dataStream.rebalance();
    • Transformation: 将partitioner换成RebalancePartitioner,其余同上

    • Runtime:同上

    • 通过轮询调度(Round-robin)将元素均匀的分配到下游

    • 返回 DataStream

    • 例子

  • Rescaling

    dataStream.rescale();
    • Transformation: 将partitioner换成RescalePartitioner,其余同上

    • Runtime:同上

    • 通过轮询调度将元素从上游的task一个子集发送到下游task的一个子集

    • 返回 DataStream

    • 原理:第一个task并行度为2,第二个task并行度为6,第三个task并行度为2。从第一个task到第二个task,Src的子集Src1 和 Map的子集Map1,2,3对应起来,Src1会以轮询调度的方式分别向Map1,2,3发送记录。从第二个task到第三个task,Map的子集1,2,3对应Sink的子集1,这三个流的元素只会发送到Sink1。
      假设我们每个TaskManager有三个Slot,并且我们开了SlotSharingGroup,那么通过rescale,所有的数据传输都在一个TaskManager内,不需要通过网络。

    • rescale.png

    • 例子

  • Broadcasting

    dataStream.broadcast();
    • 将元素广播到每个分区

    • 返回DataStream

    • 例子:

KeyedStream

  • Reduce

    keyedStream.reduce(new ReduceFunction<Integer>() {    @Override
        public Integer reduce(Integer value1, Integer value2)
        throws Exception {        return value1 + value2;
        }
    });
    • Transformation:生成一个OneInputTransformation并包含StreamGroupedReduce算子


      KeyedReduceTransformation

    • Runtime:


      KeyedReduceTask

    • 根据ReduceFunction将元素与上一个reduce后的结果合并,产出合并之后的结果。

    • 参数 ReduceFunction

    • 返回 DataStream

    • 例子:

  • Fold

    DataStream<String> result =
      keyedStream.fold("start", new FoldFunction<Integer, String>() {
        @Override
        public String fold(String current, Integer value) {        return current + "-" + value;
        }
      });
    • Transformation:将StreamGroupedReduce换成StreamGroupedFold,其余同Reduce

    • Runtime:将StreamGroupedReduce换成StreamGroupedFold,其余同Reduce

    • 根据FoldFunction和初始值,将元素与上一个fold过后的结果合并,产出合并之后的结果。

    • 参数 FoldFunction

    • 返回 DataStream

    • 例子:

  • Aggregations

    keyedStream.sum(0);keyedStream.sum("key");keyedStream.min(0);keyedStream.min("key");keyedStream.max(0);keyedStream.max("key");keyedStream.minBy(0);keyedStream.minBy("key");keyedStream.maxBy(0);keyedStream.maxBy("key");
    • Transformation:StreamGroupedReduce里注入了Flink内置的Aggregation方法实现,同Reduce

    • Transformation:同Reduce

    • Flink实现的一系列聚合方法,具体作用由方法名就可以得知

    • 返回 DataStream

    • 例子:

  • Window

    dataStream.window(TumblingEventTimeWindows.of(Time.seconds(5))); // Last 5 seconds of data
    • Transformation: 生成一个WindowedStream,不产生Transformation,详情见WindowedStream详解

    • Runtime:详情见WindowedStream

    • 窗口将同一个key的元素按照某种特性聚集在一起(如时间:滑动窗口,翻转窗口,会话窗口,又如出现次数:计数窗口)

    • 返回WindowedStream

    • 参数WindowAssigner

    • 例子:

  • Interval Join

    // this will join the two streams so that// key1 == key2 && leftTs - 2 < rightTs < leftTs + 2keyedStream.intervalJoin(otherKeyedStream)
        .between(Time.milliseconds(-2), Time.milliseconds(2)) // lower and upper bound
        .upperBoundExclusive(true) // optional
        .lowerBoundExclusive(true) // optional
        .process(new IntervalJoinFunction() {...});
    • 给定一个时间间隔,将两个流中的元素按照key来做join

    • 满足条件e1.timestamp + lowerBound <= e2.timestamp <= e1.timestamp + upperBound

    • 参数 1. KeyedStream 2. Time: LowerBound and UpperBound 3. boolean(optional) 4. boolean(optional) 5. IntervalJoinFunction

    • 返回DataStream

    • 例子:

WindowedStream

  • Apply

    windowedStream.apply (new WindowFunction<Tuple2<String,Integer>, Integer, Tuple, Window>() {    public void apply (Tuple tuple,
                Window window,
                Iterable<Tuple2<String, Integer>> values,
                Collector<Integer> out) throws Exception {        int sum = 0;        for (value t: values) {
                sum += t.f1;
            }
            out.collect (new Integer(sum));
        }
    });
    • Transformation:


      WindowApplyTransformation

    • Runtime:


      WindowApply Task

    • 使用WindowFunction对window重的元素做处理(例如聚合操作)并产出结果

    • 参数 WindowFunction

    • 返回 DataStream

    • 例子:

  • Reduce

    windowedStream.reduce (new ReduceFunction<Tuple2<String,Integer>>() {
        public Tuple2<String, Integer> reduce(Tuple2<String, Integer> value1, Tuple2<String, Integer> value2) throws Exception {        return new Tuple2<String,Integer>(value1.f0, value1.f1 + value2.f1);
        }
    });
    • Transformation:基本同上,将ReduceFunction注入到WindowOperator中(具体注入方式要看有没有evictor,这边不作赘述)。

    • Runtime:同上

    • 根据ReduceFunction将窗口中的元素按照key和window合并,并产出结果

    • 参数 ReduceFunction

    • 返回DataStream

    • 例子

  • Aggregations

    windowedStream.sum(0);windowedStream.sum("key");windowedStream.min(0);windowedStream.min("key");windowedStream.max(0);windowedStream.max("key");windowedStream.minBy(0);windowedStream.minBy("key");windowedStream.maxBy(0);windowedStream.maxBy("key");
    • Transformation:WindowOperator里注入了Flink内置的Aggregation方法实现,其余同上

    • Runtime:同上

    • Flink实现的一系列聚合方法,具体作用由方法名就可以得知,需要注意的是他们被分别作用在按key和window分割过后的元素集合上

    • 返回 DataStream

    • 例子:

AllWindowedStream

  • Apply

    // applying an AllWindowFunction on non-keyed window streamallWindowedStream.apply (new AllWindowFunction<Tuple2<String,Integer>, Integer, Window>() {    public void apply (Window window,
                Iterable<Tuple2<String, Integer>> values,
                Collector<Integer> out) throws Exception {        int sum = 0;        for (value t: values) {
                sum += t.f1;
            }
            out.collect (new Integer(sum));
        }
    });
    • Transformation:AllWindowedStream.apply()与WindowedStream.apply()基本是一致的,只是没有KeySelector

    • Runtime:通WindowedStream.apply()

    • 使用WindowFunction对window重的元素做处理(例如聚合操作)并产出结果

    • 与WindowedStream的区别在于是否有key

    • 参数 WindowFunction

    • 返回 DataStream

    • 例子

ConnectedStreams

  • CoMap, CoFlatMap

    connectedStreams.map(new CoMapFunction<Integer, String, Boolean>() {    @Override
        public Boolean map1(Integer value) {        return true;
        }    
        @Override
        public Boolean map2(String value) {        return false;
        }
    });
    connectedStreams.flatMap(new CoFlatMapFunction<Integer, String, String>() {   @Override
       public void flatMap1(Integer value, Collector<String> out) {
           out.collect(value.toString());
       }   @Override
       public void flatMap2(String value, Collector<String> out) {       for (String word: value.split(" ")) {
             out.collect(word);
           }
       }
    });
    • Transformation:ConnectedStream并不会产生Transformation,只会保存两个Input DataStream,从inputs中的DataStream获取父Transformation,并生成一个CoStream(Flat)Map算子。KeySelector依赖于父Transformation注入(如果是PartitionTransformation的话)。


      Co(Flat)MapTransformation

    • Runtime: Task会具体负责调用processElement1方法还是processElement2方法。


      CoStream(Flat)MapTask

    • 同时对两个流进行Map或FlatMap操作

    • 参数 CoMapFunction, CoFlatMapFunction

    • 返回 DataStream

    • 例子:

SplitStream

  • Select

    SplitStream<Integer> split;
    DataStream<Integer> even = split.select("even");
    DataStream<Integer> odd = split.select("odd");
    DataStream<Integer> all = split.select("even","odd");
    • Transformation:生成SelectTransformation,里面包含了OutputSelector


      SelectTransformation

    • Runtime:生成StreamGraph时会将OutputNames注入到新生成的StreamEdge中,然后注入到对应的JobEdge中,最后用它来生成OutputCollector中的outputMap,发送消息时根据相应的selectedName发送到相应的下游Task


      Select Runtime

    • 根据SplitStream中OutputSelector设定的规则获取一个或多个DataStream

    • 参数 OutputNames

    • 返回 DataStream

    • 例子:



作者:铛铛铛clark
链接:https://www.jianshu.com/p/a3f43f861a42


0人推荐
随时随地看视频
慕课网APP