Flink入门之DataStream API及kafka消费者

DataStream API

1. 主要流程：
   • 获取执行环境
   • 读取数据源
   • 转换操作
   • 输出数据
   • Execute触发执行
2. 获取执行环境
   • 根据实际情况获取StreamExceptionEnvironment.getExecutionEnvironment(conf)
   • 创建本地环境StreamExecutionEnvironment.createLocalEnvironment()
   • 创建远程环境createRemoteEnvironment(“hadoop102”, 37784, “jar/1.jar”)
     • 参数1：主机号
     • 参数2：端口号
     • 参数3：作业jar包的路径
3. 获取数据源
   • 简单数据源
     • 从集合中读取数据env.fromCollection(集合)
     • 从元素列表中获取数据env.fromElements()
     • 从文件中读取数据，env.readTextFIle(路径), 已废弃
     • 从端口读取数据，env.socketTextStream()
   • 文件数据源
   • kafka数据源
   • DataGen数据源
   • 自定义数据源

文件数据源

使用文件数据源前，需要先添加相关依赖

 <dependency>
    <groupId>org.apache.flink</groupId>
    <artifactId>flink-connector-files</artifactId>
    <version>${flink.version}</version>
    <scope>provided</scope>
</dependency>

public class Flink02_FileSource {
    public static void main(String[] args) throw Exception {
        
        //1.创建运行环境
        StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();

        //默认是最大并行度
        env.setParallelism(1);

        //file source
        FileSource.FileSourceBuilder<String> fileSourceBuilder = FileSource
                .<String>forRecordStreamFormat(new TextLineInputFormat("utf-8"), new Path("input/word.txt"));
        FileSource<String> fileSource = fileSourceBuilder.build();

        //source 算子
        DataStreamSource<String> ds = env.fromSource(fileSource, WatermarkStrategy.noWatermarks(), "fileSource");

        ds.print();
       
        env.execute();
       
    }
}

DataGen数据源

主要用于生成模拟数据，也需要导入相关依赖

 <dependency>
      <groupId>org.apache.flink</groupId>
      <artifactId>flink-connector-datagen</artifactId>
      <version>${flink.version}</version>
      <scope>compile</scope>
  </dependency>

public class Flink04_DataGenSource {
    public static void main(String[] args) {


        //1.创建运行环境
        StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();

        //默认是最大并行度
        env.setParallelism(1);

        DataGeneratorSource<String> dataGeneratorSource = new DataGeneratorSource<>(
                new GeneratorFunction<Long, String>() {
                    @Override
                    public String map(Long value) throws Exception {

                        return UUID.randomUUID() + "->" + value;
                    }
                },
                100,
                RateLimiterStrategy.perSecond(1),
                Types.STRING
        );

        DataStreamSource<String> dataGenDs = env.fromSource(dataGeneratorSource, WatermarkStrategy.noWatermarks(), "dataGenDs");
        dataGenDs.print();

        try {
            env.execute();
        } catch (Exception e) {
            throw new RuntimeException(e);
        }
    }
}

Kafka消费者

1. 消费方式：拉取

2. 消费者对象：KafkaConsumenr

3. 消费原则：
   一个主题的一个分区只能被一个消费者组中的一个消费者消费
   一个消费者组中的一个消费者可以消费一个主题中的多个分区

4. 消费者相关的参数：

   • key.deserializer 反序列化
   • value.deserializer
   • bootstrap.servers 集群的位置
   • group.id 消费者组id （为何分组，方便同一组的消费者进行断点续传）
   • auto.commit.interval.ms 自动提交间隔 默认5s
   • enable.auto.commit： 开启自动提交offset偏移量
   • auto.offset.reset： 当offset不存在时，offset重置，默认是最末尾的位置
     • ①新的消费者组，之前没有消费过，没有记录的offset
     • ②当前要消费的offset在kafka中已经不存在，可能是因为时间久了，对应的数据清理掉了
   • 重置策略：
     • earliest: 头，能消费到分区中现有的数据
     • latest: 尾，只能消费到分区中新来的数据
   • isolation.level：事务隔离级别
     • 读未提交
     • 读已提交

5. 消费数据存在的问题

   • 漏消费，导致数据丢失
   • 重复消费，导致数据重复

6. shell 创建生产者对象：kafka-console-producer.sh --bootstrap-server hadoop102:9092 --topic first

public class Flink03_KafkaSource {
    public static void main(String[] args) {

        //1.创建运行环境
        StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();

        //默认是最大并行度
        env.setParallelism(1);

        KafkaSource<String> stringKafkaSource = KafkaSource.<String>builder()
                .setBootstrapServers("hadoop102:9092,hadoop103:9092")
                .setGroupId("flink")
                .setTopics("first")
                //优先使用消费者组记录的Offset进行消费，如果offset不存在，根据策略进行重置
                .setStartingOffsets(OffsetsInitializer.committedOffsets(OffsetResetStrategy.LATEST))
                .setValueOnlyDeserializer(new SimpleStringSchema())
                //如果还有别的配置需要指定，统一使用通用方法
//                .setProperty("isolation.level", "read_committed")
                .build();

        DataStreamSource<String> kafkaDS = env.fromSource(stringKafkaSource, WatermarkStrategy.noWatermarks(), "kafkaDS");
        kafkaDS.print();

        try {
            env.execute();
        } catch (Exception e) {
            throw new RuntimeException(e);
        }
    }
}