大数据学习之Flink算子、了解（Source）源算子（基础篇二）

Source源算子（基础篇二）

---

目录

Source源算子（基础篇二）

二、源算子（source）

1. 准备工作

2.从集合中读取数据

可以使用代码中的fromCollection()方法直接读取列表

也可以使用代码中的fromElements()方法直接列出数据获取

3. 从文件中读取数据

说明：

4. 从Socket读取数据

（1）编写StreamWordCount

（2）在 Linux 环境的主机bigdata1 上，执行下列命令，发送数据进行测试：

（3）启动 StreamWordCount 程序

（4）从 bigdata1 发送数据：

（5）看控制台的输出结果

5.从Kafka读取数据

6.自定义源算子（source）

7.Flink支持的数据类型

---

二、源算子（source）

Flink 可以从各种来源获取数据，然后构建 DataStream 进行转换处理。一般将数据的输入 来源称为数据源，而读取数据的算子就是源算子（Source）。所以，Source 就是我们整个处理 程序的输入端。

Flink 代码中通用的添加 Source 的方式，是调用执行环境的 addSource()方法：

//通过调用 addSource()方法可以获取 DataStream 对象
val stream = env.addSource(...)

方法传入一个对象参数，需要实现 SourceFunction 接口，返回一个 DataStream。

1. 准备工作

case class Event(user: String, url: String, timestamp: Long)

2.从集合中读取数据

• 最简单的读取数据的方式，就是在代码中直接创建一个集合，然后调用执行环境的 fromCollection 方法进行读取。
• 这相当于将数据临时存储到内存中，形成特殊的数据结构后， 作为数据源使用，一般用于测试。

import org.apache.flink.streaming.api.scala._case class Event(user: String, url: String, timestamp: Long)object SourceCollection {def main(args: Array[String]): Unit = {//获取流执行环境val env = StreamExecutionEnvironment.getExecutionEnvironment//设置并行度（并行任务的数量）为1env.setParallelism(1)// 创建包含点击事件的列表// 点击操作中包含两个事件val clicks = List(Event("Mary", "/.home", 1000L), Event("Bob", "/.cart", 2000L))//将列表作为流输出//把clicks作为数据流val stream = env.fromCollection(clicks)//fromElements从给定的元素集合中创建一个DataStreamval stream1 = env.fromElements(Event("zhangsan","/.opt",1000L),Event("lisi","/.opt",2000L))stream.print("stream")stream1.print("stream1")env.execute()}
}

可以使用代码中的fromCollection()方法直接读取列表

也可以使用代码中的fromElements()方法直接列出数据获取

3. 从文件中读取数据

真正的实际应用中，自然不会直接将数据写在代码中。通常情况下，我们会从存储介质中 获取数据，一个比较常见的方式就是读取日志文件。这也是批处理中最常见的读取方式。

val stream = env.readTextFile("input/words.txt")

说明：

• 参数可以是文件，可以是目录

• 可以是绝对路径，也可以是相对路径

• 相对路径是从系统属性 user.dir 获取路径:在 IDEA 下是 project 的根目录, standalone 模式下是集群节点根目录；

  • 系统属性 user.dir：这是一个Java系统属性，它表示用户当前的工作目录。在很多应用中，它通常被用作参考路径。

  • IDEA下是project的根目录：当你在IDEA中打开一个项目时，项目的根目录通常是IDEA的工作目录。相对路径就是基于这个根目录来确定的。

  • standalone模式下是集群节点根目录：如Hadoop分布式计算系统中的独立模式（standalone mode）。在这种模式下，路径可能是相对于集群节点的根目录。

• 也可以从 HDFS 目录下读取, 使用路径 hdfs://...

  • 前提要在pom文件中添加hadoop相关依赖

4. 从Socket读取数据

不论从集合还是文件，我们读取的其实都是有界数据。在流处理的场景中，数据往往是无 界的。一个简单的例子，就是我们之前用到的读取 socket 文本流。这种方式由于吞吐量小、 稳定性较差，一般也是用于测试。

//通过主机名和端口号读取socket文本流val linDs = env.socketTextStream("bigdata1",7777)

具体实现案例：

（1）编写StreamWordCount

import org.apache.flink.streaming.api.scala._object StreamWordCount {def main(args: Array[String]): Unit = {val env = StreamExecutionEnvironment.getExecutionEnvironment//通过主机名和端口号读取socket文本流val linDs = env.socketTextStream("bigdata1",7777)//进行转换计算val result = linDs.flatMap(data => data.split(" ")) //用空格切分字符串.map((_,1)) //切分后的字符串转换为一个元组.keyBy(_._1) //使用元组的第一个字段进行分组.sum(1) //分组后的数据的第二个字段进行累加//打印计算结果result.print()env.execute()}
}

（2）在 Linux 环境的主机bigdata1 上，执行下列命令，发送数据进行测试：

$ nc -lk 7777

（3）启动 StreamWordCount 程序

我们会发现程序启动之后没有任何输出、也不会退出。这是正常的——因为 Flink 的流处 理是事件驱动的，当前程序会一直处于监听状态，只有接收到数据才会执行任务、输出统计结果。

（4）从 bigdata1 发送数据：

hello flink
hello world
hello scala

（5）看控制台的输出结果

5.从Kafka读取数据

Kafka 作为分布式消息传输队列，是一个高吞吐、易于扩展的消息系统。

而消息队列的传输方式，恰恰和流处理是完全一致的。

所以可以说 Kafka 和 Flink 天生一对，是当前处理流式数据的双子星。

在如今的实时流处理应用中，由 Kafka 进行数据的收集和传输，Flink 进行分析计算，这样的架构已经成为众多企业的首选

调用 env.addSource()，传入 FlinkKafkaConsumer 的对象实例就可以了。

创建 FlinkKafkaConsumer 时需要传入三个参数：

• 第一个参数 topic，定义了从哪些主题中读取数据。可以是一个 topic，也可以是 topic 列表，还可以是匹配所有想要读取的 topic 的正则表达式。当从多个 topic 中读取数据 时，Kafka 连接器将会处理所有 topic 的分区，将这些分区的数据放到一条数据流中 去。
• 第二个参数是一个 DeserializationSchema 或者 KeyedDeserializationSchema。Kafka 消 息被存储为原始的字节数据，所以需要反序列化成 Java 或者 Scala 对象。上面代码中 53 使用的 SimpleStringSchema，是一个内置的 DeserializationSchema，它只是将字节数 组简单地反序列化成字符串。DeserializationSchema 和 KeyedDeserializationSchema 是 公共接口，所以我们也可以自定义反序列化逻辑。
• 第三个参数是一个 Properties 对象，设置了 Kafka 客户端的一些属性。

更新中...

6.自定义源算子（source）

接下来我们创建一个自定义的数据源，实现 SourceFunction 接口。主要重写两个关键方法： run()和 cancel()。

• run()方法：使用运行时上下文对象（SourceContext）向下游发送数据；
• cancel()方法：通过标识位控制退出循环，来达到中断数据源的效果。

7.Flink支持的数据类型