Flink系列（三）Data Source 介紹

前言

Data Sources 是什麼呢？就字面意思其實就可以知道：資料來源。

Flink 做為一款流式計算架構，它可用來做批處理，即處理靜态的資料集、曆史的資料集；也可以用來做流處理，即實時的處理些實時資料流，實時的産生資料流結果，隻要資料源源不斷的過來，Flink 就能夠一直計算下去，這個 Data Sources 就是資料的來源地。

Flink 中你可以使用

StreamExecutionEnvironment.addSource(sourceFunction)

來為你的程式添加資料來源。

Flink 已經提供了若幹實作好了的 source functions，當然你也可以通過實作 SourceFunction 來自定義非并行的 source 或者實作 ParallelSourceFunction 接口或者擴充 RichParallelSourceFunction 來自定義并行的 source。

StreamExecutionEnvironment

中可以使用以下幾個已實作的 stream sources:

總的來說可以分為下面幾大類：

• 基于集合

  1、fromCollection(Collection) - 從 Java 的 Java.util.Collection 建立資料流。集合中的所有元素類型必須相同。

  2、fromCollection(Iterator, Class) - 從一個疊代器中建立資料流。Class 指定了該疊代器傳回元素的類型。

  3、fromElements(T …) - 從給定的對象序列中建立資料流。所有對象類型必須相同。

  4、fromParallelCollection(SplittableIterator, Class) - 從一個疊代器中建立并行資料流。Class 指定了該疊代器傳回元素的類型。

  5、generateSequence(from, to) - 建立一個生成指定區間範圍内的數字序列的并行資料流。

eg3:
StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
DataStream<Event> input = env.fromElements(
    new Event(1, "barfoo", 1.0),
    new Event(2, "start", 2.0),
    new Event(3, "foobar", 3.0),
    ...
);           

• 基于檔案

  1、readTextFile(path) - 讀取文本檔案，即符合 TextInputFormat 規範的檔案，并将其作為字元串傳回。

  2、readFile(fileInputFormat, path) - 根據指定的檔案輸入格式讀取檔案（一次）。

  3、readFile(fileInputFormat, path, watchType, interval, pathFilter, typeInfo) - 這是上面兩個方法内部調用的方法。它根據給定的 fileInputFormat 和讀取路徑讀取檔案。根據提供的 watchType，這個 source 可以定期（每隔 interval 毫秒）監測給定路徑的新資料（FileProcessingMode.PROCESS_CONTINUOUSLY），或者處理一次路徑對應檔案的資料并退出（FileProcessingMode.PROCESS_ONCE）。你可以通過 pathFilter 進一步排除掉需要處理的檔案。

實作:

在具體實作上，Flink 把檔案讀取過程分為兩個子任務，即目錄監控和資料讀取。每個子任務都由單獨的實體實作。目錄監控由單個非并行（并行度為1）的任務執行，而資料讀取由并行運作的多個任務執行。後者的并行性等于作業的并行性。單個目錄監控任務的作用是掃描目錄（根據 watchType 定期掃描或僅掃描一次），查找要處理的檔案并把檔案分割成切分片（splits），然後将這些切分片配置設定給下遊 reader。reader 負責讀取資料。每個切分片隻能由一個 reader 讀取，但一個 reader 可以逐個讀取多個切分片。

重要注意：

如果 watchType 設定為 FileProcessingMode.PROCESS_CONTINUOUSLY，則當檔案被修改時，其内容将被重新處理。這會打破“exactly-once”語義，因為在檔案末尾附加資料将導緻其所有内容被重新處理。

如果 watchType 設定為 FileProcessingMode.PROCESS_ONCE，則 source 僅掃描路徑一次然後退出，而不等待 reader 完成檔案内容的讀取。當然 reader 會繼續閱讀，直到讀取所有的檔案内容。關閉 source 後就不會再有檢查點。這可能導緻節點故障後的恢複速度較慢，因為該作業将從最後一個檢查點恢複讀取。

eg1:
final StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
DataStream<String> text = env.readTextFile("file:///path/to/file");
eg3:
final StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
DataStream<MyEvent> stream = env.readFile(
        myFormat, myFilePath, FileProcessingMode.PROCESS_CONTINUOUSLY, 100,
        FilePathFilter.createDefaultFilter(), typeInfo);           

• 基于 Socket：

  socketTextStream(String hostname, int port) - 從 socket 讀取。元素可以用分隔符切分.

StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
DataStream<Tuple2<String, Integer>> dataStream = env
        .socketTextStream("localhost", 9999) // 監聽 localhost 的 9999 端口過來的資料
        .flatMap(new Splitter())
        .keyBy(0)
        .timeWindow(Time.seconds(5))
        .sum(1);           

• 自定義：

  addSource - 添加一個新的 source function。例如，你可以 addSource(new FlinkKafkaConsumer011<>(…)) 以從 Apache Kafka 讀取資料.

說下上面幾種的特點吧：

1、基于集合：有界資料集，更偏向于本地測試用

2、基于檔案：适合監聽檔案修改并讀取其内容

3、基于 Socket：監聽主機的 host port，從 Socket 中擷取資料

4、自定義 addSource：大多數的場景資料都是無界的，會源源不斷的過來。比如去消費 Kafka 某個 topic 上的資料，這時候就需要用到這個 addSource，可能因為用的比較多的原因吧，Flink 直接提供了 FlinkKafkaConsumer011 等類可供你直接使用。你可以去看看 FlinkKafkaConsumerBase 這個基礎類，它是 Flink Kafka 消費的最根本的類。

StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();

DataStream<KafkaEvent> input = env
        .addSource(
            new FlinkKafkaConsumer011<>(
                parameterTool.getRequired("input-topic"), //從參數中擷取傳進來的 topic 
                new KafkaEventSchema(),
                parameterTool.getProperties())
            .assignTimestampsAndWatermarks(new CustomWatermarkExtractor()));           

Flink 目前支援如下圖裡面常見的 Source：

如果你想自己自定義自己的 Source 呢？

那麼你就需要去了解一下 SourceFunction 接口了，它是所有 stream source 的根接口，它繼承自一個标記接口（空接口）Function。