01 基本概念
Apache Flink 是一个流式处理框架,被广泛应用于大数据领域的实时数据处理和分析任务中。在 Flink 中,FileSource 是一个重要的组件,用于从文件系统中读取数据并将其转换为 Flink 的数据流。本文将深入探讨 FileSource 的工作原理、用法以及与其他数据源的比较。
02 工作原理
FileSource 是 Flink 提供的一种用于从文件系统中读取数据的源。它能够处理各种类型的文件,包括文本文件、压缩文件、序列文件等。FileSource 的工作原理可以概括为以下几个步骤:
1.文件分配(File Assignment)
在 Flink 集群中,每个任务都会负责读取文件的一个分片。FileSource 会根据文件的大小和数量将文件分配给不同的任务进行处理。
2.并行读取(Parallel Reading)
每个任务会并行地读取分配给它的文件分片。这意味着文件中的数据会被同时读取,从而提高了整体的读取速度和处理效率。
3.数据解析(Data Parsing)
读取的数据会经过解析器进行解析,将其转换为 Flink 中的数据结构,如 DataSet 或 DataStream。
4.数据分发(Data Distribution)
解析后的数据会被分发到后续的算子中进行进一步的处理和分析。
03 数据流实现
-
有界流(Bounded Streams)
有界流是指具有明确结束点的数据流,即数据流在某个时刻会结束,数据量是有限的。例如,从静态文件、数据库或有限数据集中读取的数据流就是有界流。有界流的特点包括:
- 数据量是有限的,流的结束点是已知的。
- 可以对整个数据流进行批处理式的分析和处理,因为所有数据都可用且有限。
- 可以使用批处理算法和优化技术,例如排序、分组聚合等。
-
无界流(Unbounded Streams)
无界流是指没有明确结束点的数据流,即数据流会持续不断地产生,数据量可能是无限的。例如,实时传感器数据、日志流、消息队列中的数据等都是无界流。无界流的特点包括:
- 数据源持续不断地产生数据,流没有明确的结束点。
- 通常用于实时流式处理,要求系统能够实时处理数据并在流中进行持续的分析和计算。
- 需要采用流式处理的技术和算法,例如窗口计算、流式聚合、事件时间处理等。
-
不同数据流实现
-
创建一个 File Source 时, 默认情况下,Source 为有界/批的模式;
//创建一个FileSource数据源,并设置为批模式,读取完文件后结束 final FileSource<String> source = FileSource.forRecordStreamFormat(...) .build();
-
设置参数monitorContinuously(Duration.ofMillis(5)) 可以把 Source 设置为持续的流模式
//创建一个FileSource数据源,并设置为流模式,每隔5分钟检查路径新文件,并读取 final FileSource<String> source = FileSource.forRecordStreamFormat(...) .monitorContinuously(Duration.ofMillis(5)) .build();
-
04 项目实战
1.FileSource支持多种数据格式数据读取与解析,本期以Text File文件为例展开。
2.jdk版本11
3.Flink版本1.18.0
4.下面是两个简单的示例代码,演示如何在 Flink 中使用 FileSource 读取文件数据
4.1 项目结构
4.2 maven依赖
<!-- flink读取Text File文件依赖 start-->
<dependency>
<groupId>org.apache.flink</groupId>
<artifactId>flink-connector-files</artifactId>
<version>1.18.0</version>
</dependency>
<!-- flink读取Text File文件依赖 end-->
<!-- flink基础依赖 start -->
<dependency>
<groupId>org.apache.flink</groupId>
<artifactId>flink-java</artifactId>
<version>1.18.0</version>
</dependency>
<dependency>
<groupId>org.apache.flink</groupId>
<artifactId>flink-streaming-scala_2.12</artifactId>
<version>1.18.0</version>
</dependency>
<dependency>
<groupId>org.apache.flink</groupId>
<artifactId>flink-clients</artifactId>
<version>1.18.0</version>
</dependency>
<!-- flink基础依赖 end -->
4.3 StreamFormat读取文件数据
- StreamFormat从文件流中读取文件内容。它是最简单的格式实现, 并且提供了许多拆箱即用的特性(如 Checkpoint 逻辑),但是限制了可应用的优化(例如对象重用,批处理等等)。
import org.apache.flink.api.common.eventtime.WatermarkStrategy;
import org.apache.flink.connector.file.src.FileSource;
import org.apache.flink.connector.file.src.reader.TextLineInputFormat;
import org.apache.flink.core.fs.Path;
import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;
import java.time.Duration;
/**
* 描述:
* flink集成FileSource & forRecordStreamFormat使用 & 流模式
* StreamFormat:从文件流中读取文件内容。它是最简单的格式实现,
* 并且提供了许多拆箱即用的特性(如 Checkpoint 逻辑),
* 但是限制了可应用的优化(例如对象重用,批处理等等)。
*
* @author 浅夏的猫
* @version 1.0.0
* @date 2024-02-07 15:30:22
*/
public class FileSourceRecordStreamingJob {
public static void main(String[] args) throws Exception {
// 创建 需要读取的文件路径Path
Path path = new Path("D:\\flink\\file_source.txt");
// 创建 读取文件的格式函数
TextLineInputFormat textLineInputFormat = new TextLineInputFormat();
// 创建 FileSource
FileSource<String> fileSource = FileSource.
forRecordStreamFormat(textLineInputFormat, path)
//放开注释则使用流模式,每隔5分钟检查是否有新文件否则默认使用批模式
// .monitorContinuously(Duration.ofMillis(5))
.build();
// 创建 执行环境
StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
// 添加 FileSource 到数据流
env.fromSource(fileSource, WatermarkStrategy.noWatermarks(), "FileSource").print();
// 执行任务
env.execute("FileSourceRecordStreamingJob");
}
}
4.4 BulkFormat读取文件数据
- BulkFormat从文件中一次读取一批记录,虽然是最 “底层” 的格式实现,但是提供了优化实现的最大灵活性。
import org.apache.flink.api.common.eventtime.WatermarkStrategy;
import org.apache.flink.connector.file.src.FileSource;
import org.apache.flink.connector.file.src.FileSourceSplit;
import org.apache.flink.connector.file.src.impl.StreamFormatAdapter;
import org.apache.flink.connector.file.src.reader.BulkFormat;
import org.apache.flink.connector.file.src.reader.TextLineInputFormat;
import org.apache.flink.core.fs.Path;
import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;
import java.time.Duration;
/**
* 描述:flink集成FileSource & forBulkFileFormat使用 & 流模式
* BulkFormat:从文件中一次读取一批记录。 它虽然是最 “底层” 的格式实现,但是提供了优化实现的最大灵活性。
*
* @author 浅夏的猫
* @version 1.0.0
* @date 2024-02-07 15:30:22
*/
public class FileSourceBulkStreamingJob {
public static void main(String[] args) throws Exception {
//创建 批量读取文件的格式函数,其实底层还是通过对单行文件读取
BulkFormat<String, FileSourceSplit> bulkFormat = new StreamFormatAdapter<>(new TextLineInputFormat());
// 创建 FileSource
FileSource<String> fileSource = FileSource.
forBulkFileFormat(bulkFormat, new Path("D:\\flink\\file_source.txt"))
//放开注释则使用流模式,每隔5分钟检查是否有新文件,否则默认使用批模式
// .monitorContinuously(Duration.ofMillis(5))
.build();
// 创建 执行环境
StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
// 添加 FileSource 到数据流
env.fromSource(fileSource, WatermarkStrategy.noWatermarks(), "FileSource").print();
// 执行任务
env.execute("FileSourceBulkStreamingJob");
}
}
4.5 使用小结
在上面的示例中,我们使用FileSource方法从指定路径读取文本文件,并将其转换为一个数据流,选择不同的输入格式和解析方式,然后我们调用 print 方法将数据流中的数据打印出来。
05 数据源比较
FileSource 是 Flink 中常用的数据源之一,与其他数据源相比,它具有一些优势和劣势,根据实际情况和需求,可以选择不同的数据源来满足任务的要求。
-
优势:
- 支持读取大规模的文件数据,适用于大数据处理场景。
- 支持并行读取和处理,能够充分利用集群资源,提高处理效率。
- 支持多种文件格式和压缩方式,灵活性强。
-
劣势:
- 对于小文件的处理效率较低,可能会导致资源浪费和性能下降。
- 无法实时监控文件的变化,需要手动触发重新读取。
06 总结
FileSource 是 Apache Flink 中用于读取文件数据的重要组件,它能够高效地处理大规模的文件数据,并提供丰富的功能和灵活的用法。通过深入了解 FileSource 的工作原理和用法,可以更好地利用 Flink 来实现大规模数据文件的处理和分析任务。文章来源:https://www.toymoban.com/news/detail-834242.html
通过以上详细介绍,可以对 Apache Flink 中的 FileSource 有一个全面的了解,从而更好地应用于实际的数据处理项目中文章来源地址https://www.toymoban.com/news/detail-834242.html
到了这里,关于【天衍系列 01】深入理解Flink的 FileSource 组件:实现大规模数据文件处理的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!