Flink入门之DataStream API及kafka消费者

DataStream API

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
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
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

xml 复制代码

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

java 复制代码

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

xml 复制代码

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

java 复制代码

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

消费方式：拉取
消费者对象：KafkaConsumenr
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
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
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
shell 创建生产者对象：kafka-console-producer.sh --bootstrap-server hadoop102:9092 --topic first

java 复制代码

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);
        }
    }
}