Apache Flink初探

1. Apache Flink的简介

Apache Flink是一个开源的针对批量数据和流数据的处理引擎，已经发展为ASF的顶级项目之一。Flink 的核心是在数据流上提供了数据分发、通信、具备容错的分布式计算。同时，Flink 在流处理引擎上构建了批处理引擎，原生支持了迭代计算、内存管理和程序优化。

Flink的技术栈：

Flink的主要API：

• DataSet API， 对静态数据进行批处理操作，将静态数据抽象成分布式的数据集，用户可以方便地使用Flink提供的各种操作符对分布式数据集进行处理，支持Java、Scala和Python。
• DataStream API，对数据流进行流处理操作，将流式的数据抽象成分布式的数据流，用户可以方便地对分布式数据流进行各种操作，支持Java和Scala。
• Table API，对结构化数据进行查询操作，将结构化数据抽象成关系表，并通过类SQL的DSL对关系表进行各种查询操作，支持Java和Scala。

此外，Flink还针对特定的应用领域提供了领域库，例如：

• Flink ML，Flink的机器学习库，提供了机器学习Pipelines API并实现了多种机器学习算法。
• Gelly，Flink的图计算库，提供了图计算的相关API及多种图计算算法实现。

Flink的部署方式：

• 本地模式
• 集群模式或yarn集群
• 云集群部署

另外，Flink也可以方便地和Hadoop生态圈中其他项目集成，例如Flink可以读取存储在HDFS或HBase中的静态数据，以Kafka作为流式的数据源，直接重用MapReduce或Storm代码，或是通过YARN申请集群资源等。

2. Apache Flink的架构

当Flink集群启动后，首先会启动一个JobManger和一个或多个的 TaskManager。由Client提交任务给JobManager，JobManager再调度任务到各个TaskManager去执行，然后TaskManager将心跳和统计信息汇报给 JobManager。TaskManager之间以流的形式进行数据的传输。上述三者均为独立的JVM进程。

• Client：提交Job的客户端，可以是运行在任何机器上（与JobManager环境连通即可）
• JobManager：Flink系统的协调者，负责任务的排定分配、快照协调、失败恢复控制等，有三种部署模式：单机、一主多备集群、Yarn集群
• TaskManger：负责具体数据分析任务的执行，主要有业务数据的计算、传输等，相对于Storm的Worker把内存交给jvm管理，Flink的TaskManager还自己管理了部分内存
  • TaskSlot：运行TaskManager中固定大小的资源子集，一个TaskManager中有多少个TaskSlot意味着可以执行多少个Task
• Task：执行组件，即业务计算的执行实体

3. Flink运行例子

使用Flink的自带例子: flink-stream-examples/WordCount，这是一个从字符串数组读取句子计算每个单词出现次数的例子。

1、启动flink bin/start-local.sh

2、运行WordCount bin/flink run examples/streaming/WordCount.jar

3、执行完之后查看统计结果 cat log/flink-$USER-jobmanager-0-$USER-VirtualBox.out

4、那么我们访问localhost:8081可以查看到此job的执行计划

• Source:Collection Source：收据数据源，当前是从字符串数数组里面读取
• Flat Map：把每一条句子分隔成一个个的单词，设置每个单词的出现次数为1，并提交到下游
• Keyed Aggregation：对每个单词进行聚合统计，统计每个单词的出现次数
• Sink Unamed：输出统计结果

WordCount代码：

public static void main(String[] args) throws Exception {

        // Checking input parameters
        final ParameterTool params = ParameterTool.fromArgs(args);

        // set up the execution environment
        final StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();

        // make parameters available in the web interface
        env.getConfig().setGlobalJobParameters(params);

        // get input data
        DataStream<String> text;
        if (params.has("input")) {
            // read the text file from given input path
            text = env.readTextFile(params.get("input"));
        } else {
            System.out.println("Executing WordCount example with default input data set.");
            System.out.println("Use --input to specify file input.");
            // get default test text data
            text = env.fromElements(WordCountData.WORDS);
        }

        DataStream<Tuple2<String, Integer>> counts =
        // split up the lines in pairs (2-tuples) containing: (word,1)
        text.flatMap(new Tokenizer()).setParallelism(2)
        // group by the tuple field "0" and sum up tuple field "1"
                .keyBy(0).sum(1).setParallelism(2);

        // emit result
        if (params.has("output")) {
            counts.writeAsText(params.get("output"));
        } else {
            System.out.println("Printing result to stdout. Use --output to specify output path.");
            counts.print();
        }

        // execute program
        env.execute("Streaming WordCount");
    }

4. Apache Flink兼容Apache Storm

考虑到业界当前主流的流式处理引擎为Apache Storm，Flink为了更好的与业界衔接，在流处理上对Storm是做了兼容，通过复用代码的方式即可实现Storm在Flink运行环境的执行，这个也大大降低了Storm使用者过渡到Flink的难度；同理Flink也可以运行我们数平的JStorm。

1、先来对比一下Apache Flink 与Apache Storm的异同：

• 与Apache Storm相比，Apache Flink少了一层节点管理器，TaskManager直接由主控节点管理
• 在流处理这一块，Apache Flink与Apache Storm从运行实体到任务组件，基本上能一一对应

2、由上可得，虽然两者运行实体的结构及代码有一定的差别，但归根到底两者运行的都是有向无环图（DAG），所以从Storm的Topology相关类转换成Flink执行的DataStream相关类是可以作转换的。 以下是粗略的转换过程：Storm Topology -> Flink Topology -> DataStream StreamGraph

3、举个例子：已有WordCountTopology，需要提交到Flink集群，那么只需下面几行代码:

final TopologyBuilder builder = WordCountTopology.buildTopology();//构造storm的topology
Map conf = new HashMap();
conf.put("nimbus.host", xxxx);//optional，master server
conf.put("nimbus.thrift.port", xxxx);//optional, master server port
FlinkSubmitter.submitTopology(topologyId, conf, FlinkTopology.createTopology(bgy转换成FlinkTopology再提交