Flink 数据源拆解分析 (WikipediaEditsSource)
欢迎访问我的 GitHub
这里分类和汇总了欣宸的全部原创(含配套源码):https://github.com/zq2599/blog_demos
Wikipedia Edit Stream 是 Flink 官网上的经典 demo,功能是实时处理来自维基百科的消息,消息的内容是当前每个用户对维基内容的操作,地址是:https://ci.apache.org/projects/flink/flink-docs-release-1.2/quickstart/run_example_quickstart.html
在 demo 中,WikipediaEditsSource 类作为数据源负责向 Flink 提供实时消息,今天咱们一起来分析其源码,了解 Flink 是怎么获取到来自 Wiki 的实时数据的,这对我们今后做自定义数据源也有很好的参考作用;
官方解释
以下是官网对消息来源的说明,维基百科提供了一个 IRC 协议的通道,从这个通道可以获取对维基百科所做的编辑行为的日志:
IRC 是应用层协议,更多细节请看:https://en.wikipedia.org/wiki/Internet_Relay_Chat
继承关系
先看 WikipediaEditsSource 类的继承关系,做个初步了解,如下图:
如上图所示,RichFunction 接口负责资源开启关闭以及环境上下文,而 SourceFunction 接口则是和数据生产行为的开始和停止有关,这些接口最终都在 WikipediaEditSource 实现;
构造方法
通过构造方法来了解有哪些参数被确定了:
通过上述代码可以见到,数据的来源是 irc.wikimedia.org 这个网址;
主业务代码
主要的业务逻辑是 WikipediaEditsSource 的 run 方法,该方法在任务启动的时候会被 StreamSource.run 方法调用:
上面的代码,我们挑几处重要的展开看一看;
和维基百科消息服务器建立连接后做的事情
为了弄明白 Flink 是如何与维基百科的数据源建立连接的,先把**ircStream.connect()**这段代码展开,对应的是 IRCConnection 类的 connect 方法:
上述代码表明,Flink 与维基百科的数据源服务器之间建立的是普通的 Socket 连接,至于 IRC 协议,都是在这个 Socket 连接的通道里的一些读写操作;
上面的 prepare 方法比较关键,展开看看:
可以看出,prepare 方法做了两个重要的事情:启动一个子线程、发送 IRC 协议的注册信息,接下来看启动的子线程做了什么;
打开 IRCConnection 的 run 方法:
run 方法中的内容很简单,就是让这个子线程负责读取远端发送的字符串,每读到一行就调用 get 方法去处理;
get 方法的内容很多,做的事情是根据 IRC 协议解析这个字符串再做不同的处理,这里我们只要关注下面这段,就是收到一条业务消息后如何处理:
如上所示,每收到一条远端发来的消息,都会调用 listener 的 onPrivmsg 方法,这里的注册的 linstener 是 WikipediaIrcChannelListener 对象;
打开 WikipediaIrcChannelListener 的 onPrivmsg 方法,看看收到消息后做了什么:
上面的代码已经分析把主要逻辑展现出来了,从 Socket 读到的数据被解析成 Flink 实时计算时用到的 WikipediaEditEvent 对象后,被放入阻塞队列中,这也就是负责读取的子线程的主要工作了;
如何消费队列中的数据
前面的分析中我们得知:收到的数据被放入了阻塞队列中,现在回到 WikipediaEditsSource 的 run 方法再看看,这里面就有从阻塞队列取出数据的操作:
如上所示,一个 while 循环不停的从阻塞队列中获取数据,取到了就调用 SourceContext 的 collect,把一条数据生产到在 Flink 环境中,给后面的流程使用;
小结
至此,WikipediaEditsSource 源码的分析就完成了,在此小结一下:
和 irc.wikimedia.org 这个网站建立 Socket 连接;
连接建立后,读写相关的内容都是基于 IRC 协议的,这是个应用层的协议,有自己的格式、关键字、命令字等约定,本次分析中我们没有花太多时间在这个协议上,有兴趣的读者在这里了解更多:https://en.wikipedia.org/wiki/Internet_Relay_Chat
启动一个子线程读取 Socket 信息,收到数据后,构造成 WikipediaEditEvent 对象,放入阻塞队列中;
原先的那个线程在一个 while 循环中从阻塞队列中取数据,如果取到了数据就调用 ctx.collect 方法,这样数据就生产到了 Flink 环境,其他 operator 就可以使用了;
以上就是拆解 WikipediaEditsSource 的过程,现在我们对 Flink 数据源有了更进一步的了解,后续在开发自定义数据源的时候也有了参考实现;
欢迎关注 InfoQ:程序员欣宸
版权声明: 本文为 InfoQ 作者【程序员欣宸】的原创文章。
原文链接:【http://xie.infoq.cn/article/4e1912f2b0ecc3ec94dcc0d9f】。文章转载请联系作者。
评论