【Flink-1.17-教程】-【四】Flink DataStream API（2）转换算子（Transformation）【基本转换算子、聚合算子】
- [1）基本转换算子（map / filter / flatMap）](#1）基本转换算子（map / filter / flatMap）)
- 2）聚合算子（Aggregation）
-
- 2.1.按键分区（keyBy）
- [2.2.简单聚合（sum / min / max / minBy / maxBy）](#2.2.简单聚合（sum / min / max / minBy / maxBy）)
- 2.3.归约聚合（reduce）
数据源读入数据之后，我们就可以使用各种转换算子，将一个或多个 DataStream 转换为新的 DataStream。
1）基本转换算子（map / filter / flatMap）
1.1.映射（map）
map 是大家非常熟悉的大数据操作算子，主要用于将数据流中的数据进行转换，形成新的数据流。简单来说，就是一个"一 一映射"，消费一个元素就产出一个元素。
我们只需要基于 DataStream 调用 map() 方法就可以进行转换处理。方法需要传入的参数是接口 MapFunction 的实现；返回值类型还是 DataStream，不过泛型（流中的元素类型）可能改变。
下面的代码用不同的方式，实现了提取 WaterSensor 中的 id 字段的功能。
java
public class MapDemo {
public static void main(String[] args) throws Exception {
StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
env.setParallelism(1);
DataStreamSource<WaterSensor> sensorDS = env.fromElements(
new WaterSensor("s1", 1L, 1),
new WaterSensor("s2", 2L, 2),
new WaterSensor("s3", 3L, 3)
);
// TODO map算子： 一进一出
// TODO 方式一： 匿名实现类
// SingleOutputStreamOperator<String> map = sensorDS.map(new MapFunction<WaterSensor, String>() {
// @Override
// public String map(WaterSensor value) throws Exception {
// return value.getId();
// }
// });
// TODO 方式二： lambda表达式
// SingleOutputStreamOperator<String> map = sensorDS.map(sensor -> sensor.getId());
// TODO 方式三： 定义一个类来实现MapFunction
// SingleOutputStreamOperator<String> map = sensorDS.map(new MyMapFunction());
SingleOutputStreamOperator<String> map = sensorDS.map(new MapFunctionImpl());
map.print();
env.execute();
}
public static class MyMapFunction implements MapFunction<WaterSensor,String>{
@Override
public String map(WaterSensor value) throws Exception {
return value.getId();
}
}
}MapFunctionImpl :
java
public class MapFunctionImpl implements MapFunction<WaterSensor,String> {
@Override
public String map(WaterSensor value) throws Exception {
return value.getId();
}
}上面代码中，MapFunction 实现类的泛型类型，与输入数据类型和输出数据的类型有关。在实现 MapFunction 接口的时候，需要指定两个泛型，分别是输入事件和输出事件的类型，还需要重写一个 map() 方法，定义从一个输入事件转换为另一个输出事件的具体逻辑。
1.2.过滤（filter）
filter 转换操作，顾名思义是对数据流执行一个过滤，通过一个布尔条件表达式设置过滤条件，对于每一个流内元素进行判断，若为 true 则元素正常输出，若为 false 则元素被过滤掉。
进行 filter 转换之后的新数据流的数据类型与原数据流是相同的。filter 转换需要传入的参数需要实现 FilterFunction 接口，而 FilterFunction 内要实现 filter() 方法，就相当于一个返回布尔类型的条件表达式。
案例需求：下面的代码会将数据流中传感器 id 为 sensor_1 的数据过滤出来。
java
public class FilterDemo {
public static void main(String[] args) throws Exception {
StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
env.setParallelism(1);
DataStreamSource<WaterSensor> sensorDS = env.fromElements(
new WaterSensor("s1", 1L, 1),
new WaterSensor("s1", 11L, 11),
new WaterSensor("s2", 2L, 2),
new WaterSensor("s3", 3L, 3)
);
// TODO filter： true保留，false过滤掉
// SingleOutputStreamOperator<WaterSensor> filter = sensorDS.filter(new FilterFunction<WaterSensor>() {
// @Override
// public boolean filter(WaterSensor value) throws Exception {
// return "s1".equals(value.getId());
// }
// });
SingleOutputStreamOperator<WaterSensor> filter = sensorDS.filter(new FilterFunctionImpl("s1"));
filter.print();
env.execute();
}
}FilterFunctionImpl：
java
public class FilterFunctionImpl implements FilterFunction<WaterSensor> {
public String id;
public FilterFunctionImpl(String id) {
this.id = id;
}
@Override
public boolean filter(WaterSensor value) throws Exception {
return this.id.equals(value.getId());
}
}1.3.扁平映射（flatMap）
flatMap 操作又称为扁平映射，主要是将数据流中的整体（一般是集合类型）拆分成一个一个的个体使用。消费一个元素，可以产生 0 到多个元素。flatMap 可以认为是"扁平化"（flatten ）和"映射"（map）两步操作的结合，也就是先按照某种规则对数据进行打散拆分，再对拆分后的元素做转换处理。
同 map 一样，flatMap 也可以使用 Lambda 表达式或者 FlatMapFunction 接口实现类的方式来进行传参，返回值类型取决于所传参数的具体逻辑，可以与原数据流相同，也可以不同。
案例需求：如果输入的数据是 sensor_1，只打印 vc；如果输入的数据是 sensor_2，既打印 ts 又打印 vc。
实现代码如下：
java
public class FlatmapDemo {
public static void main(String[] args) throws Exception {
StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
env.setParallelism(1);
DataStreamSource<WaterSensor> sensorDS = env.fromElements(
new WaterSensor("s1", 1L, 1),
new WaterSensor("s1", 11L, 11),
new WaterSensor("s2", 2L, 2),
new WaterSensor("s3", 3L, 3)
);
/**
* TODO flatmap： 一进多出（包含0出）
* 对于s1的数据，一进一出
* 对于s2的数据，一进2出
* 对于s3的数据，一进0出（类似于过滤的效果）
*
* map怎么控制一进一出：
* =》 使用 return
*
* flatmap怎么控制的一进多出
* =》 通过 Collector来输出， 调用几次就输出几条
*
*
*/
SingleOutputStreamOperator<String> flatmap = sensorDS.flatMap(new FlatMapFunction<WaterSensor, String>() {
@Override
public void flatMap(WaterSensor value, Collector<String> out) throws Exception {
if ("s1".equals(value.getId())) {
// 如果是 s1，输出 vc
out.collect(value.getVc().toString());
} else if ("s2".equals(value.getId())) {
// 如果是 s2，分别输出ts和vc
out.collect(value.getTs().toString());
out.collect(value.getVc().toString());
}
}
});
flatmap.print();
env.execute();
}
}要点：
1、flatmap：一进多出（包含0出）一进一出、一进2出、一进0出（类似于过滤的效果）。
2、map 怎么控制一进一出：使用 return。
3、flatmap 怎么控制的一进多出：通过 Collector 来输出，调用几次就输出几条。
2）聚合算子（Aggregation）
计算的结果不仅依赖当前数据，还跟之前的数据有关，相当于要把所有数据聚在一起进行汇总合并------这就是所谓的"聚合"（Aggregation ），类似于 MapReduce 中的 reduce 操作。
2.1.按键分区（keyBy）
对于 Flink 而言，DataStream 是没有直接进行聚合的 API 的。因为我们对海量数据做聚合肯定要进行分区并行处理，这样才能提高效率。所以在 Flink 中，要做聚合，需要先进行分区；这个操作就是通过 keyBy 来完成的。
keyBy 是聚合前必须要用到的一个算子。keyBy 通过指定键（key ），可以将一条流从逻辑上划分成不同的分区（partitions）。这里所说的分区，其实就是并行处理的子任务。
基于不同的 key，流中的数据将被分配到不同的分区中去；这样一来，所有具有相同的 key 的数据，都将被发往同一个分区。
在内部，是通过计算 key 的哈希值（hash code），对分区数进行取模运算来实现的。所以这里 key 如果是 POJO 的话，必须要重写 hashCode() 方法。
keyBy() 方法需要传入一个参数，这个参数指定了一个或一组 key 。有很多不同的方法来指定 key ：比如对于 Tuple 数据类型，可以指定字段的位置或者多个位置的组合；对于 POJO 类型，可以指定字段的名称（String ）；另外，还可以传入 Lambda 表达式或者实现一个键选择器（KeySelector），用于说明从数据中提取 key 的逻辑。
我们可以以 id 作为 key 做一个分区操作，代码实现如下：
java
public class KeybyDemo {
public static void main(String[] args) throws Exception {
StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
env.setParallelism(2);
DataStreamSource<WaterSensor> sensorDS = env.fromElements(
new WaterSensor("s1", 1L, 1),
new WaterSensor("s1", 11L, 11),
new WaterSensor("s2", 2L, 2),
new WaterSensor("s3", 3L, 3)
);
// 按照 id 分组
/**
* TODO keyby： 按照id分组
* 要点：
* 1、返回的是 一个 KeyedStream，键控流
* 2、keyby不是 转换算子， 只是对数据进行重分区, 不能设置并行度
* 3、分组 与 分区 的关系：
* 1） keyby是对数据分组，保证 相同key的数据 在同一个分区（子任务）
* 2） 分区： 一个子任务可以理解为一个分区，一个分区（子任务）中可以存在多个分组（key）
*/
KeyedStream<WaterSensor, String> sensorKS = sensorDS
.keyBy(new KeySelector<WaterSensor, String>() {
@Override
public String getKey(WaterSensor value) throws Exception {
return value.getId();
}
});
sensorKS.print();
env.execute();
}
}需要注意的是，keyBy 得到的结果将不再是 DataStream ，而是会将 DataStream 转换为 KeyedStream 。KeyedStream 可以认为是"分区流"或者"键控流"，它是对 DataStream 按照 key 的一个逻辑分区，所以泛型有两个类型：除去当前流中的元素类型外，还需要指定 key 的类型。
KeyedStream 也继承自 DataStream ，所以基于它的操作也都归属于 DataStream API 。但它跟之前的转换操作得到的 SingleOutputStreamOperator 不同，只是一个流的分区操作，并不是一个转换算子。KeyedStream 是一个非常重要的数据结构，只有基于它才可以做后续的聚合操作（比如 sum ，reduce）。
要点：
1、返回的是一个 KeyedStream，键控流，而不是 SingleOutputStreamOperator。
2、keyby 不是转换算子，只是对数据进行重分区，不能设置并行度。
3、分组与分区的关系：
（1）keyby 是对数据分组，保证相同 key 的数据在同一个分区（子任务）。
（2）分区： 一个子任务可以理解为一个分区，一个分区（子任务）中可以存在多个分组。
2.2.简单聚合（sum / min / max / minBy / maxBy）
有了按键分区的数据流 KeyedStream，我们就可以基于它进行聚合操作了。Flink 为我们内置实现了一些最基本、最简单的聚合 API，主要有以下几种：
-
sum()：在输入流上，对指定的字段做叠加求和的操作。
-
min()：在输入流上，对指定的字段求最小值。
-
max()：在输入流上，对指定的字段求最大值。
-
minBy()：与 min() 类似，在输入流上针对指定字段求最小值。不同的是，min() 只计算指定字段的最小值，其他字段会保留最初第一个数据的值；而 minBy() 则会返回包含字段最小值的整条数据。
-
maxBy()：与 max() 类似，在输入流上针对指定字段求最大值。 两者区别与 min() / minBy() 完全一致。
简单聚合算子使用非常方便，语义也非常明确。这些聚合方法调用时，也需要传入参数；但并不像基本转换算子那样需要实现自定义函数，只要说明聚合指定的字段就可以了。指定字段的方式有两种：指定位置，和指定名称。
对于元组类型的数据，可以使用这两种方式来指定字段。需要注意的是，元组中字段的名称，是以 f0、f1、f2、...来命名的。
如果数据流的类型是 POJO 类，那么就只能通过字段名称来指定，不能通过位置来指定
了。
java
public class SimpleAggregateDemo {
public static void main(String[] args) throws Exception {
StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
env.setParallelism(1);
DataStreamSource<WaterSensor> sensorDS = env.fromElements(
new WaterSensor("s1", 1L, 1),
new WaterSensor("s1", 11L, 11),
new WaterSensor("s2", 2L, 2),
new WaterSensor("s3", 3L, 3)
);
KeyedStream<WaterSensor, String> sensorKS = sensorDS
.keyBy(new KeySelector<WaterSensor, String>() {
@Override
public String getKey(WaterSensor value) throws Exception {
return value.getId();
}
});
/**
* TODO 简单聚合算子
* 1、 keyby之后才能调用
* 2、 分组内的聚合：对同一个key的数据进行聚合
*/
// 传位置索引的，适用于 Tuple类型，POJO不行
// SingleOutputStreamOperator<WaterSensor> result = sensorKS.sum(2);
// SingleOutputStreamOperator<WaterSensor> result = sensorKS.sum("vc");
/**
* max\maxby的区别： 同min
* max：只会取比较字段的最大值，非比较字段保留第一次的值
* maxby：取比较字段的最大值，同时非比较字段 取 最大值这条数据的值
*/
// SingleOutputStreamOperator<WaterSensor> result = sensorKS.max("vc");
// SingleOutputStreamOperator<WaterSensor> result = sensorKS.min("vc");
SingleOutputStreamOperator<WaterSensor> result = sensorKS.maxBy("vc");
// SingleOutputStreamOperator<WaterSensor> result = sensorKS.minby("vc");
result.print();
env.execute();
}
}简单聚合算子返回的，同样是一个 SingleOutputStreamOperator ，也就是从 KeyedStream 又转换成了常规的 DataStream 。所以可以这样理解：keyBy 和聚合是成对出现的，先分区、后聚合，得到的依然是一个 DataStream 。而且经过简单聚合之后的数据流，元素的数据类型
保持不变。
一个聚合算子，会为每一个 key 保存一个聚合的值，在 Flink 中我们把它叫作"状态"（state ）。所以每当有一个新的数据输入，算子就会更新保存的聚合结果，并发送一个带有更新后聚合值的事件到下游算子。对于无界流来说，这些状态是永远不会被清除的，所以我们使用聚合算子，应该只用在含有有限个 key 的数据流上。
要点：
1、keyby之后才能调用。
2、分组内的聚合：对同一个 key 的数据进行聚合。
3、传位置索引的，适用于 Tuple 类型，POJO 不行。
4、max / maxby的区别：同 min 一致。
（1）max：只会取比较字段的最大值，非比较字段保留第一次的值。
（2）maxby：取比较字段的最大值，同时非比较字段取最大值这条数据的值。
2.3.归约聚合（reduce）
reduce 可以对已有的数据进行归约处理，把每一个新输入的数据和当前已经归约出来的值，再做一个聚合计算。
reduce 操作也会将 KeyedStream 转换为 DataStream。它不会改变流的元素数据类型，所以输出类型和输入类型是一样的。
调用 KeyedStream 的 reduce 方法时，需要传入一个参数，实现 ReduceFunction 接口。接口在源码中的定义如下：
java
public interface ReduceFunction<T> extends Function, Serializable {
T reduce(T value1, T value2) throws Exception;
}ReduceFunction 接口里需要实现 **reduce()**方法，这个方法接收两个输入事件，经过转换处理之后输出一个相同类型的事件。在流处理的底层实现过程中，实际上是将中间"合并的结果"作为任务的一个状态保存起来的；之后每来一个新的数据，就和之前的聚合状态进一步做归约。
我们可以单独定义一个函数类实现 ReduceFunction 接口，也可以直接传入一个匿名类。当然，同样也可以通过传入 Lambda 表达式实现类似的功能。
为了方便后续使用，定义一个 WaterSensorMapFunction：
java
public class WaterSensorMapFunction implements MapFunction<String,WaterSensor> {
@Override
public WaterSensor map(String value) throws Exception {
String[] datas = value.split(",");
return new WaterSensor(datas[0], Long.valueOf(datas[1]), Integer.valueOf(datas[2]));
}
}reduce 示例：
java
public class ReduceDemo {
public static void main(String[] args) throws Exception {
StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
env.setParallelism(1);
DataStreamSource<WaterSensor> sensorDS = env.fromElements(
new WaterSensor("s1", 1L, 1),
new WaterSensor("s1", 11L, 11),
new WaterSensor("s1", 21L, 21),
new WaterSensor("s2", 2L, 2),
new WaterSensor("s3", 3L, 3)
);
KeyedStream<WaterSensor, String> sensorKS = sensorDS
.keyBy(new KeySelector<WaterSensor, String>() {
@Override
public String getKey(WaterSensor value) throws Exception {
return value.getId();
}
});
/**
* TODO reduce:
* 1、keyby之后调用
* 2、输入类型 = 输出类型，类型不能变
* 3、每个key的第一条数据来的时候，不会执行reduce方法，存起来，直接输出
* 4、reduce方法中的两个参数
* value1： 之前的计算结果，存状态
* value2： 现在来的数据
*/
SingleOutputStreamOperator<WaterSensor> reduce = sensorKS.reduce(new ReduceFunction<WaterSensor>() {
@Override
public WaterSensor reduce(WaterSensor value1, WaterSensor value2) throws Exception {
System.out.println("value1=" + value1);
System.out.println("value2=" + value2);
return new WaterSensor(value1.id, value2.ts, value1.vc + value2.vc);
}
});
reduce.print();
env.execute();
}
}案例：使用 reduce 实现 max 和 maxBy 的功能。
java
public class ReduceDemo {
public static void main(String[] args) throws Exception {
StreamExecutionEnvironment env =
StreamExecutionEnvironment.getExecutionEnvironment();
env
.socketTextStream("hadoop102", 7777)
.map(new WaterSensorMapFunction())
.keyBy(WaterSensor::getId)
.reduce(new ReduceFunction<WaterSensor>() {
@Override
public WaterSensor reduce(WaterSensor value1, WaterSensor
value2) throws Exception {
System.out.println("Demo7_Reduce.reduce");
int maxVc = Math.max(value1.getVc(), value2.getVc());
//实现 max(vc)的效果 取最大值，其他字段以当前组的第一个为主
//value1.setVc(maxVc);
//实现 maxBy(vc)的效果 取当前最大值的所有字段
if (value1.getVc() > value2.getVc()) {
value1.setVc(maxVc);
return value1;
} else {
value2.setVc(maxVc);
return value2;
}
}
})
.print();
env.execute();
}
}reduce 同简单聚合算子一样，也要针对每一个 key 保存状态。因为状态不会清空，所以我们需要将 reduce 算子作用在一个有限 key 的流上。
要点：
1、keyby 之后调用。
2、输入类型 = 输出类型，类型不能变。
3、每个 key 的第一条数据来的时候，不会执行 reduce 方法，存起来，直接输出。
4、reduce 方法中的两个参数：
- value1：每组第一条进来的数据，或者，之前的计算结果，存状态。
- value2：除了第一条以外，每条新进来的数据。