Flink DataStream API- 概念、模式、作业流程和程序
前几篇介绍了 Flink 的入门、架构原理、安装等,相信你对 Flink 已经了解入门。接下来开始介绍 Flink DataStream API 内容,先介绍 DataStream API 基本概念和使用,然后介绍核心概念,最后再介绍经典案例和代码实现。本篇内容:Flink DataStream API 的概念、模式、作业流程和程序。
1、基本概念
用于处理数据流的 API 称之为 DataStream API,而 DataStream 类用于表示 Flink 程序中的数据集合。你可以将它视为包含重复项的不可变数据集合。这些数据可以是有限的,也可以是无限的,用于处理这些数据的 API 是相同的。
DataStream 数据集都是分布式数据集,分布式数据集是指:一个数据集存储在不同的服务器节点上,每个节点存储数据集的一部分,例如下图:
在编程时,可以把 DataStream 看作一个数据操作的基本单位,而不必关心数据的分布式特性,Flink 会自动将其中的数据分发到集群的各个节点。
2、执行模式
Flink 的执行模式分为 3 种:
STREAMING:典型的 DataStream 执行模式(默认)
BATCH:在 DataStream API 上以批处理方式执行
AUTOMATIC:让系统根据数据源的有界性来决定
3、作业流程和程序结构
3.1、Flink 作业流程
前面我们介绍过 Flink JobManager 是 Flink 集群的主节点,它包含 3 个不同的组件:Flink Resource Manager、Dispatcher、运行每个 Flink Job 的 JobMaster。JobManager 和 TaskManager 被启动后,TaskManager 会将自己注册给 JobManager 中的 ResourceManager(资源注册)。
Flink 作业流程如下:
用户编写应用程序代码,并通过 Flink 客户端提交作业。,调用 Flink API 构建逻辑数据流图,然后转为作业图 JobGraph,并附加到 StreamExecutionEnvironment 中。代码和相关配置文件被编译打包,被提交到 JobManager 的 Dispatcher,形成一个应用作业。
Dispatcher(JobManager 的一个组件)接收到这个作业,启动 JobManager,JobManager 负责本次作业的各项协调工作。
接下来 JobManager 向 ResourceManager 申请本次作业所需的资源。
JobManager 将用户作业中的作业图 JobGraph 转化为并行化的物理执行图,对作业并行处理并将其子任务分发部署到多个 TaskManager 上执行。每个作业的并行子任务将在 Task Slot 中执行。至此 Flink 作业就开始执行了
TaskManager 在执行计算任务的过程中可能会与其他 TaskManager 交换数据,会使用相应的数据交换策略。同时,TaskManager 也会将一些任务状态信息反馈给 JobManager,这些信息包括任务启动、运行或终止的状态、快照的元数据等。
Flink 作业流程图见下图:
3.2、Flink 程序结构
前面我们介绍过,Flink 的程序是有固定模板的,具体如下:
获取执行环境
加载/创建初始数据
对初始数据进行转换
指定计算结果的输出位置
触发程序执行
所有 Flink 程序都是**延迟(惰性)**执行的:执行程序的 main()方法时,不会直接进行数据加载和转换,而是将每个操作添加到数据流图,当在执行环境中调用 execute()显式触发执行时才会执行这些操作。程序是在本地执行还是在群集上执行取决于执行环境的类型。惰性计算允许构建复杂的程序,Flink 将其作为一个整体规划的单元执行。
Flink 的程序模板见下面的示例。示例采用流计算,读取 socket 数据源,对输入的数据进行统计,最后输出到控制台。执行 main 方法前,现在本地开启 netcat,nc -lk 9999,然后输入任意字符,即可看到统计结果。
感谢你的阅读,码字不易,欢迎点赞、关注、收藏 !!!
评论