72、Flink 的 DataGen 连接器详解

猫猫爱吃小鱼粮2024-07-18 18:57

DataGen 连接器

1.概述

DataGen 连接器提供了一个 Source 实现，允许为 Flink 生成输入数据，DataGen 连接器是内置的，不需要其他依赖项。

2.使用

DataGeneratorSource 并行生成 N 个数据点，以下代码将生成 ["Number:0"、"Number:2"、...、"Numeric:999"] 记录的序列。

GeneratorFunction<Long, String> generatorFunction = index -> "Number: " + index;
long numberOfRecords = 1000;

DataGeneratorSource<String> source =
        new DataGeneratorSource<>(generatorFunction, numberOfRecords, Types.STRING);

DataStreamSource<String> stream =
        env.fromSource(source,
        WatermarkStrategy.noWatermarks(),
        "Generator Source");

元素的顺序取决于并行度，每个子序列将按顺序生成；如果并行度为一，则将按照从"Number:0"到"Number:999"的顺序生成一个序列。

3.生成速率

DataGeneratorSource 内置了对速率的限制，以下代码将以不超过每秒100个事件的总源速率（跨所有源子任务）生成一个数据流。

GeneratorFunction<Long, Long> generatorFunction = index -> index;
double recordsPerSecond = 100;

DataGeneratorSource<String> source =
        new DataGeneratorSource<>(
             generatorFunction,
             Long.MAX_VALUE,
             RateLimiterStrategy.perSecond(recordsPerSecond),
             Types.STRING);

其他速率限制策略，如限制每个检查点发出的记录数，可以在 RateLimiterStrategy 中找到。

4.有界性

DataGeneratorSource 是有界的，可以将记录的数量设置为 Long.MAX_VALUE 来模拟无界流。

5.注意

在 GeneratorFunction 的输出相对于其输入具有确定性的条件下，DataGeneratorSource 可以用于实现至少一次和端到端精确一次处理保证的 Flink 作业。

可以根据生成的事件和自定义 WatermarkStrategy 在源位置生成确定性水印。