大数据-118 - Flink DataSet 基本介绍 核心特性 创建、转换、输出等

点一下关注吧！！！非常感谢！！持续更新！！！

目前已经更新到了：

• Hadoop（已更完）
• HDFS（已更完）
• MapReduce（已更完）
• Hive（已更完）
• Flume（已更完）
• Sqoop（已更完）
• Zookeeper（已更完）
• HBase（已更完）
• Redis （已更完）
• Kafka（已更完）
• Spark（已更完）
• Flink（正在更新！）

章节内容

上节我们完成了如下的内容：

• Flink Sink JDBC
• Flink Sink Kafka

注意事项

DataSetAPI 和 DataStream API一样有三个部分组成，各部分的作用对应一致，此处不再赘述。

FlinkDataSet

在 Apache Flink 中，DataSet API 是 Flink 批处理的核心接口，它主要用于处理静态数据集。虽然 Flink 的 DataStream API 被广泛用于流式数据处理，但 DataSet API 适用于大规模批处理场景，如数据清洗、ETL、分析等。虽然近年来 Flink 更多地向流处理方向发展，但批处理仍然是数据处理中的一个重要场景。

DataSource

对DataSet批处理而言，较为频繁的操作是读取HDFS中的文件数据，因为这里主要介绍两个 DataSource 组件：

• 基于集合：fromCollection 主要是为了方便测试
• 基于文件：readTextFile，基于HDFS中的数据进行计算分析

基本概念

Flink 的 DataSet API 是一个功能强大的批处理 API，专为处理静态、离线数据集设计。DataSet 中的数据是有限的，处理时系统会先等待整个数据集加载完毕。DataSet 可以通过多种方式创建，例如从文件、数据库、集合等加载数据，然后通过一系列转换操作（如 map、filter、join 等）进行处理。

核心特性

• 支持丰富的转换操作。
• 提供多种输入输出数据源。
• 支持复杂的数据类型，包括基本类型、元组、POJO、列表等。
• 支持优化计划，例如通过 cost-based optimizer 来优化查询执行计划。

DataSet 创建

在 Flink 中，可以通过多种方式创建 DataSet。以下是常见的数据源：

从本地文件读取

ExecutionEnvironment env = ExecutionEnvironment.getExecutionEnvironment();
DataSet<String> text = env.readTextFile("path/to/file");

从 CSV 文件读取

DataSet<Tuple3<Integer, String, Double>> csvData = env.readCsvFile("path/to/file.csv")
    .types(Integer.class, String.class, Double.class);

从集合中创建

List<Tuple2<String, Integer>> data = Arrays.asList(
    new Tuple2<>("Alice", 1),
    new Tuple2<>("Bob", 2)
);
DataSet<Tuple2<String, Integer>> dataSet = env.fromCollection(data);

从数据库中读取

可以通过自定义的输入格式（如 JDBC 输入格式）从数据库中读取数据，虽然 Flink 本身并没有内置 JDBC 源的批处理 API，但可以通过自定义实现。

DataSet 的转换操作(Transformation)

Flink 的 DataSet API 提供了丰富的转换操作，可以对数据进行各种变换，以下是常用的转换操作：

Map

将 DataSet 中的每一条记录进行映射操作，生成新的 DataSet。

DataSet<Integer> numbers = env.fromElements(1, 2, 3, 4, 5);
DataSet<Integer> squaredNumbers = numbers.map(n -> n * n);

Filter

过滤掉不满足条件的记录。

DataSet<Integer> evenNumbers = numbers.filter(n -> n % 2 == 0);

FlatMap

类似于 map，但允许一条记录生成多条输出记录。

DataSet<String> lines = env.fromElements("hello world", "flink is great");
DataSet<String> words = lines.flatMap((line, collector) -> {
    for (String word : line.split(" ")) {
        collector.collect(word);
    }
});

Reduce

将数据集根据某种聚合逻辑进行合并

DataSet<Integer> sum = numbers.reduce((n1, n2) -> n1 + n2);

GroupBy 和 Reduce

对数据集进行分组，然后在每个组上执行聚合操作

DataSet<Tuple2<String, Integer>> wordCounts = words
    .map(word -> new Tuple2<>(word, 1))
    .groupBy(0)
    .reduce((t1, t2) -> new Tuple2<>(t1.f0, t1.f1 + t2.f1));

Join

类似于 SQL 中的连接操作，连接两个 DataSet。

DataSet<Tuple2<Integer, String>> persons = env.fromElements(
    new Tuple2<>(1, "Alice"),
    new Tuple2<>(2, "Bob")
);
DataSet<Tuple2<Integer, String>> cities = env.fromElements(
    new Tuple2<>(1, "Berlin"),
    new Tuple2<>(2, "Paris")
);
DataSet<Tuple2<String, String>> personWithCities = persons.join(cities)
    .where(0)
    .equalTo(0)
    .with((p, c) -> new Tuple2<>(p.f1, c.f1));

DataSet 输出

DataSet API 提供多种方式将数据写出到外部系统：

写入文件

wordCounts.writeAsCsv("output/wordcounts.csv", "\n", ",");

写入数据库

虽然 DataSet API 没有直接提供 JDBC Sink，可以通过自定义 Sink 实现写入数据库功能。

打印控制台

wordCounts.print();

批处理的优化

DataSet API 提供了优化机制，通过成本模型和执行计划的分析来优化任务执行。在 Flink 内部，编译器会根据任务定义的转换操作生成一个优化的执行计划，这个过程类似于 SQL 查询优化器的工作原理。

• DataSet 的分区：Flink 可以根据数据集的分区进行优化。例如，通过 partitionByHash 或 partitionByRange 来手动控制数据的分布方式。
• DataSet 的缓存：可以通过 rebalance()、hashPartition() 等方法来均衡数据负载，以提高并行度和计算效率。

DataSet API 的容错机制

Flink 的 DataSet API 提供了容错机制，支持在发生故障时重新执行失败的任务。虽然 DataSet API 没有像 DataStream 那样依赖于 Checkpoint 机制，但其批处理特性允许任务从头开始重新执行，确保数据处理的正确性。

DataSet 与 DataStream 的对比

DataSet API 与 DataStream API 之间有一些重要的区别：

DataSet API 的未来

需要注意的是，Flink 的官方路线图中已经不再优先开发 DataSet API 的新特性，未来的主要开发将集中在 DataStream API，甚至批处理功能都将通过 DataStream API 来实现。

因此，如果可能，建议新项目尽量使用 DataStream API 来替代 DataSet API。

特别是 Flink 的 Table API 和 SQL API 也适用于批处理和流处理，这些高层 API 提供了更简洁的语法和更强的优化能力。