Flink on Zeppelin (3) - Streaming 篇

发布于: 9 小时前
Flink on Zeppelin (3) - Streaming篇

 继之前入门篇Batch篇之后,今天这篇Flink on Zeppelin主要讲述如何在Zeppelin中使用Flink的Streaming功能,我们会以2个主要的场景来讲:

  • Streaming ETL

  • Streaming Data Analytics

准备工作

      本文我们会用Kafka作为我们的数据源,使用Flink Sql处理Kafka中的某个topic数据,然后写入到另外一个Kafka Topic。为了使用Flink的Kafka connector,你需要在Flink Interpreter中配置flink.execution.packages。

  • flink.execution.packages org.apache.flink:flink-connector-kafka_2.11:1.10.0,org.apache.flink:flink-connector-kafka-base_2.11:1.10.0,org.apache.flink:flink-json:1.10.0

本文使用的kafka数据源是json格式,所以需要添加org.apache.flink:flink-json

       另外本文的例子会使用这个docker compose来创建Kafka Cluster,https://github.com/xushiyan/kafka-connect-datagen/

docker-compose up -d
curl -X POST http://localhost:8083/connectors \-H 'Content-Type:application/json' \-H 'Accept:application/json' \-d @connect.source.datagen.json

具体请参考这个官方链接 https://kafka-connect-datagen.readthedocs.io/en/latest/

Streaming ETL

       接下里我们会用Flink SQL来做基于Kafka的Streaming ETL。首先我们需要创建Kafka source table代表kafka中的源数据。

%flink.ssql
DROP TABLE IF EXISTS source_kafka;
CREATE TABLE source_kafka (
status STRING,
direction STRING,
event_ts BIGINT
) WITH (
'connector.type' = 'kafka',
'connector.version' = 'universal',
'connector.topic' = 'generated.events',
'connector.startup-mode' = 'earliest-offset',
'connector.properties.zookeeper.connect' = 'localhost:2181',
'connector.properties.bootstrap.servers' = 'localhost:9092',
'connector.properties.group.id' = 'testGroup',
'connector.startup-mode' = 'earliest-offset',
'format.type'='json',
'update-mode' = 'append'
);

然后创建Kafka sink table,代表清洗后的数据 (这里我们定义了WATERMARK,是为了下一步做基于window的流式数据分析)。

%flink.ssql
DROP TABLE IF EXISTS sink_kafka;
CREATE TABLE sink_kafka (
status STRING,
direction STRING,
event_ts TIMESTAMP(3),
WATERMARK FOR event_ts AS event_ts - INTERVAL '5' SECOND
) WITH (
'connector.type' = 'kafka',
'connector.version' = 'universal',
'connector.topic' = 'generated.events2',
'connector.properties.zookeeper.connect' = 'localhost:2181',
'connector.properties.bootstrap.servers' = 'localhost:9092',
'connector.properties.group.id' = 'testGroup',
'format.type'='json',
'update-mode' = 'append'
)

接下里我们就可以用Insert Into语句来做Streaming ETL的工作了。

%flink.ssql
insert into sink_kafka select status, direction, cast(event_ts/1000000000 as timestamp(3)) from source_kafka where status <> 'foo'

这条Insert into语句非常简单,我们过滤掉了status为foo的数据,以及将event_ts 转化为timestamp类型。

然后可以用select语句来预览sink table中的数据来确认Streaming ETL正常工作。

Streaming Data Analytics

       在完成了上面的Streaming ETL工作之后,我们就可以在Zeppelin中做流式数据分析了。在Zeppelin中可以用Select语句来做Flink 流数据分析,Select的结果会push到Zeppelin前端展示,可以用来做流式数据的dashboard。

Zeppelin支持3种模式的流式数据分析:

  • Single 模式 

  • Update 模式

  • Append 模式

Single模式

%flink.ssql(type=single, parallelism=1, refreshInterval=3000, template=<h1>{1}</h1> until <h2>{0}</h2>)
select max(event_ts), count(1) from sink_kafka

Update模式

        Update模式适合多行输出的情况,比如下面的select group by语句。这种模式会定期更新这多行数据,输出是Zeppelin的table格式,所以可以用Zeppelin自带的可视化控件。

%flink.ssql(type=update, refreshInterval=2000, parallelism=1)
select status, count(1) as pv from sink_kafka group by status

Append模式

Append模式适合不断有新数据输出,但不会覆盖原有数据,只会不断append的情况。比如下面的基于窗口的group by语句。Append模式要求第一列数据类型是timestamp,这里的start_time就是timestamp类型。

%flink.ssql(type=append, parallelism=1, refreshInterval=2000, threshold=60000)
select TUMBLE_START(event_ts, INTERVAL '5' SECOND) as start_time, status, count(1) from sink_kafka
group by TUMBLE(event_ts, INTERVAL '5' SECOND), status

更多Flink SQL资料

本文只是简单介绍如何在Zeppelin中使用Flink Streaming SQL,关于更多Flink SQL请参考Flink官方文档

Zeppelin on Flink (1) 入门篇

Zeppelin on Flink (2) Batch 篇

如果有碰到任何问题,请加入下面这个钉钉群讨论。后续我们会有更多Tutorial的文章,敬请期待。

Apache Zeppelin 公众号

发布于: 9 小时前 阅读数: 7
用户头像

章剑锋_Jeff

关注

还未添加个人签名 2017.10.18 加入

Apache Member, PMC of Apache Tez, Livy, Zeppelin. Committer of Apache Pig

评论

发布
暂无评论
Flink on Zeppelin (3) - Streaming篇