Flink 02 | 英雄莫问出处 Flink丰富多彩的数据源

Flink中,Source是数据流的 "起点" ,负责从外部数据源读取数据。Flink提供了多种内置的Source接口和类,以适应不同的使用场景,同时还支持自定义数据源。

Flink 数据源非常灵活,可以是文件,分布式系统,可以是消息队列、可以是数据库,并且支持用户自定义。英雄莫问出处,从理论上讲,Flink可以处理几乎"一切数据"。

本文主要内容

  • 内置数据源

  • 自定义数据源

  • 几种数据源接口介绍

  • 自定义数据源Demo

1. 基本数据源

Collection Source

  • 使用方式:通过fromCollection或fromElements方法

  • 应用场景:通常用于测试或演示简单的Flink程序,一般适用于一些静态离线演示的场景。

java 复制代码
List<Person> people = new ArrayList<Person>();

people.add(new Person("Fred", 35));
people.add(new Person("Wilma", 35));
people.add(new Person("Pebbles", 2));

DataStream<Person> flintstones = env.fromCollection(people);

Socket-based

  • 使用方式:env.socketTextStream("localhost", 9999)

  • 应用场景:通常用于测试或演示简单的Flink程序,这种方式测试数据比fromCollection 更加灵活,方便,但不适用大量数据演示。

java 复制代码
DataStream<String> lines = env.socketTextStream("localhost", 9999);

File-based

  • Flink数据源可以是本地文件或者分布式文件系统(如HDFS)。
本地文件
java 复制代码
DataStream<String> textStream = env.readTextFile("file:///path/to/file.txt");
HDFS

Flink 能够与HDFS 无缝集成,实现对海量数据的实时处理。

java 复制代码
DataStream<String> hdfsStream = env.readTextFile("hdfs://namenode:port/path/to/file");

2. 自定义数据源

除了基本数据源外Flink 内置了许多数据源连接器:如Kafka Source、Elasticsearch Source等等,以满足不同的业务场景,比如Kafka 数据源

java 复制代码
 KafkaSource<String> source = KafkaSource.<String>builder()
                .setBootstrapServers("localhost:9092")
                .setTopics("input-topic")
                .setGroupId("my-group")
                .setStartingOffsets(OffsetsInitializer.earliest())
                .setValueOnlyDeserializer(new SimpleStringSchema())
                .build();

env.fromSource(source, WatermarkStrategy.noWatermarks(), "Kafka Source");

自定义数据源接口介绍

SourceFunction接口

这是一个基础的数据源接口,用于定义非并行数据源或并行度为 1 的数据源

  • run(SourceContextctx) throws Exception:在这个方法中实现数据的生成逻辑,并通过 ctx.collect 发送数据。

  • cancel():用于停止数据源的生成操作。当作业取消或出现异常时会调用此方法。

ParallelSourceFunction接口

它继承自 SourceFunction 接口,增加了对并行性的支持。

RichParallelSourceFunction

这是一个更丰富的带有生命周期管理方法 的并行数据源类。除了 run 和 cancel 方法外,还提供了 open 和 close 方法。

  • open(Configuration parameters):在每个并行数据源实例启动时调用,可以用于初始化资源,如建立数据库连接等。

  • close():在数据源实例关闭时调用,用于清理资源。

Flink还提供了数据源接口,我们实现该接口就可以实现自定义数据源,不同的接口有不同的功能,分类如下:

java 复制代码
import org.apache.flink.configuration.Configuration;
import org.apache.flink.streaming.api.functions.source.RichParallelSourceFunction;

import java.sql.Connection;
import java.sql.DriverManager;
import java.sql.ResultSet;
import java.sql.Statement;

public class JDBCRichParallelSourceFunction extends RichParallelSourceFunction<Integer> {

  private Connection connection;


  @Override
  public void open(Configuration parameters) throws Exception {
      // 建立数据库连接
      connection = DriverManager.getConnection("jdbc:mysql://localhost:3306/mydb", "username", "password");
 
  }

  @Override
  public void run(SourceContext<Integer> ctx) throws Exception {
      Statement  statement = connection.createStatement();
      ResultSet resultSet = statement.executeQuery("SELECT * FROM my_table");
      while (resultSet.next()) {

          String value = resultSet.getString("my_column");
          // 发送数据
          ctx.collect(value);
      }
      statement.close();
  }

  @Override
  public void cancel() {
      // 停止数据读取
  }

  @Override
  public void close() throws Exception {
    
      if (connection!= null) {
          connection.close();
      }
  }
}

3. 总结

本文介绍了Flink 数据源使用,以及自定义数据库的使用方式,学了本文相信读者可以根据业务场景选择合适的数据源。

相关推荐
武子康2 分钟前
大数据-230 离线数仓 - ODS层的构建 Hive处理 UDF 与 SerDe 处理 与 当前总结
java·大数据·数据仓库·hive·hadoop·sql·hdfs
武子康4 分钟前
大数据-231 离线数仓 - DWS 层、ADS 层的创建 Hive 执行脚本
java·大数据·数据仓库·hive·hadoop·mysql
时差95319 分钟前
Flink Standalone集群模式安装部署
大数据·分布式·flink·部署
锵锵锵锵~蒋21 分钟前
实时数据开发 | 怎么通俗理解Flink容错机制,提到的checkpoint、barrier、Savepoint、sink都是什么
大数据·数据仓库·flink·实时数据开发
二进制_博客22 分钟前
Flink学习连载文章4-flink中的各种转换操作
大数据·学习·flink
大数据编程之光25 分钟前
Flink入门介绍
大数据·flink
长风清留扬33 分钟前
一篇文章了解何为 “大数据治理“ 理论与实践
大数据·数据库·面试·数据治理
Mephisto.java34 分钟前
【大数据学习 | Spark】Spark的改变分区的算子
大数据·elasticsearch·oracle·spark·kafka·memcache
小马爱打代码1 小时前
Elasticsearch简介与实操
大数据·elasticsearch·搜索引擎
zhixingheyi_tian6 小时前
Spark 之 Aggregate
大数据·分布式·spark