Flink和Spark类似，也是一种一站式处理的框架；既可以进行批处理（DataSet），也可以进行实时处理（DataStream）。

所以下面将Flink的算子分为两大类：一类是DataSet，一类是DataStream。

DataSet

一、Source算子

1. fromCollection

fromCollection：从本地集合读取数据

例：

val?env?=?ExecutionEnvironment.getExecutionEnvironment
val?textDataSet:?DataSet[String]?=?env.fromCollection(
??List("1,张三",?"2,李四",?"3,王五",?"4,赵六")
)

2. readTextFile

readTextFile：从文件中读取：

val?textDataSet:?DataSet[String]??=?env.readTextFile("/data/a.txt")

3. readTextFile：遍历目录

readTextFile可以对一个文件目录内的所有文件，包括所有子目录中的所有文件的遍历访问方式：

val?parameters?=?new?Configuration
//?recursive.file.enumeration?开启递归
parameters.setBoolean("recursive.file.enumeration",?true)
val?file?=?env.readTextFile("/data").withParameters(parameters)

4. readTextFile：读取压缩文件

对于以下压缩类型，不需要指定任何额外的inputformat方法，flink可以自动识别并且解压。但是，压缩文件可能不会并行读取，可能是顺序读取的，这样可能会影响作业的可伸缩性。

压缩方法文件扩展名是否可并行读取DEFLATE.deflatenoGZip.gz .gzipnoBzip2.bz2noXZ.xzno

val?file?=?env.readTextFile("/data/file.gz")

二、Transform转换算子

因为Transform算子基于Source算子操作，所以首先构建Flink执行环境及Source算子，后续Transform算子操作基于此：

val?env?=?ExecutionEnvironment.getExecutionEnvironment
val?textDataSet:?DataSet[String]?=?env.fromCollection(
??List("张三,1",?"李四,2",?"王五,3",?"张三,4")
)

1. map

将DataSet中的每一个元素转换为另外一个元素：

//?使用map将List转换为一个Scala的样例类

case?class?User(name:?String,?id:?String)

val?userDataSet:?DataSet[User]?=?textDataSet.map?{
??text?=>
????val?fieldArr?=?text.split(",")
????User(fieldArr(0),?fieldArr(1))
}
userDataSet.print()

2. flatMap

将DataSet中的每一个元素转换为0...n个元素：

//?使用flatMap操作，将集合中的数据：
//?根据第一个元素，进行分组
//?根据第二个元素，进行聚合求值?

val?result?=?textDataSet.flatMap(line?=>?line)
??????.groupBy(0)?//?根据第一个元素，进行分组
??????.sum(1)?//?根据第二个元素，进行聚合求值
??????
result.print()

3. mapPartition

将一个分区中的元素转换为另一个元素：

//?使用mapPartition操作，将List转换为一个scala的样例类

case?class?User(name:?String,?id:?String)

val?result:?DataSet[User]?=?textDataSet.mapPartition(line?=>?{
??????line.map(index?=>?User(index._1,?index._2))
????})
????
result.print()

4. filter

过滤出来一些符合条件的元素，返回boolean值为true的元素：

val?source:?DataSet[String]?=?env.fromElements("java",?"scala",?"java")
val?filter:DataSet[String]?=?source.filter(line?=>?line.contains("java"))//过滤出带java的数据
filter.print()

5. reduce

可以对一个dataset或者一个group来进行聚合计算，最终聚合成一个元素：

//?使用?fromElements?构建数据源
val?source?=?env.fromElements(("java",?1),?("scala",?1),?("java",?1))
//?使用map转换成DataSet元组
val?mapData:?DataSet[(String,?Int)]?=?source.map(line?=>?line)
//?根据首个元素分组
val?groupData?=?mapData.groupBy(_._1)
//?使用reduce聚合
val?reduceData?=?groupData.reduce((x,?y)?=>?(x._1,?x._2?+?y._2))
//?打印测试
reduceData.print()

6. reduceGroup

将一个dataset或者一个group聚合成一个或多个元素。
reduceGroup是reduce的一种优化方案；
它会先分组reduce，然后再做整体的reduce；这样做的好处就是可以减少网络IO：

//?使用?fromElements?构建数据源
val?source:?DataSet[(String,?Int)]?=?env.fromElements(("java",?1),?("scala",?1),?("java",?1))
//?根据首个元素分组
val?groupData?=?source.groupBy(_._1)
//?使用reduceGroup聚合
val?result:?DataSet[(String,?Int)]?=?groupData.reduceGroup?{
??????(in:?Iterator[(String,?Int)],?out:?Collector[(String,?Int)])?=>
????????val?tuple?=?in.reduce((x,?y)?=>?(x._1,?x._2?+?y._2))
????????out.collect(tuple)
????}
//?打印测试
result.print()

7. minBy和maxBy

选择具有最小值或最大值的元素：

//?使用minBy操作，求List中每个人的最小值
//?List("张三,1",?"李四,2",?"王五,3",?"张三,4")

case?class?User(name:?String,?id:?String)
//?将List转换为一个scala的样例类
val?text:?DataSet[User]?=?textDataSet.mapPartition(line?=>?{
??????line.map(index?=>?User(index._1,?index._2))
????})
????
val?result?=?text
??????????.groupBy(0)?//?按照姓名分组
??????????.minBy(1)???//?每个人的最小值

8. Aggregate

在数据集上进行聚合求最值（最大值、最小值）：

val?data?=?new?mutable.MutableList[(Int,?String,?Double)]
????data.+=((1,?"yuwen",?89.0))
????data.+=((2,?"shuxue",?92.2))
????data.+=((3,?"yuwen",?89.99))
//?使用?fromElements?构建数据源
val?input:?DataSet[(Int,?String,?Double)]?=?env.fromCollection(data)
//?使用group执行分组操作
val?value?=?input.groupBy(1)
????????????//?使用aggregate求最大值元素
????????????.aggregate(Aggregations.MAX,?2)?
//?打印测试
value.print()???????

Aggregate只能作用于元组上

注意：
要使用aggregate，只能使用字段索引名或索引名称来进行分组 groupBy(0) ，否则会报一下错误:
Exception in thread "main"
java.lang.UnsupportedOperationException: Aggregate does not support grouping with KeySelector functions, yet.

9. distinct

去除重复的数据：

//?数据源使用上一题的
//?使用distinct操作，根据科目去除集合中重复的元组数据

val?value:?DataSet[(Int,?String,?Double)]?=?input.distinct(1)
value.print()

10. first

取前N个数：

input.first(2)?//?取前两个数

11. join

将两个DataSet按照一定条件连接到一起，形成新的DataSet：

// s1 和 s2 数据集格式如下：
//?DataSet[(Int,?String,String,?Double)]

?val?joinData?=?s1.join(s2)??//?s1数据集?join?s2数据集
?????????????.where(0).equalTo(0)?{?????//?join的条件
??????(s1,?s2)?=>?(s1._1,?s1._2,?s2._2,?s1._3)
????}

12. leftOuterJoin

左外连接,左边的Dataset中的每一个元素，去连接右边的元素

此外还有：

rightOuterJoin：右外连接,左边的Dataset中的每一个元素，去连接左边的元素

fullOuterJoin：全外连接,左右两边的元素，全部连接

下面以 leftOuterJoin 进行示例：

?val?data1?=?ListBuffer[Tuple2[Int,String]]()
????data1.append((1,"zhangsan"))
????data1.append((2,"lisi"))
????data1.append((3,"wangwu"))
????data1.append((4,"zhaoliu"))

val?data2?=?ListBuffer[Tuple2[Int,String]]()
????data2.append((1,"beijing"))
????data2.append((2,"shanghai"))
????data2.append((4,"guangzhou"))

val?text1?=?env.fromCollection(data1)
val?text2?=?env.fromCollection(data2)

text1.leftOuterJoin(text2).where(0).equalTo(0).apply((first,second)=>{
??????if(second==null){
????????(first._1,first._2,"null")
??????}else{
????????(first._1,first._2,second._2)
??????}
????}).print()

13. cross

交叉操作，通过形成这个数据集和其他数据集的笛卡尔积，创建一个新的数据集

和join类似，但是这种交叉操作会产生笛卡尔积，在数据比较大的时候，是非常消耗内存的操作：

val?cross?=?input1.cross(input2){
??????(input1?,?input2)?=>?(input1._1,input1._2,input1._3,input2._2)
????}

cross.print()

14. union

联合操作，创建包含来自该数据集和其他数据集的元素的新数据集,不会去重：

val?unionData:?DataSet[String]?=?elements1.union(elements2).union(elements3)
//?去除重复数据
val?value?=?unionData.distinct(line?=>?line)

15. rebalance

Flink也有数据倾斜的时候，比如当前有数据量大概10亿条数据需要处理，在处理过程中可能会发生如图所示的状况：

这个时候本来总体数据量只需要10分钟解决的问题，出现了数据倾斜，机器1上的任务需要4个小时才能完成，那么其他3台机器执行完毕也要等待机器1执行完毕后才算整体将任务完成；所以在实际的工作中，出现这种情况比较好的解决方案就是接下来要介绍的—rebalance（内部使用round robin方法将数据均匀打散。这对于数据倾斜时是很好的选择。）

//?使用rebalance操作，避免数据倾斜
val?rebalance?=?filterData.rebalance()

16. partitionByHash

按照指定的key进行hash分区：

val?data?=?new?mutable.MutableList[(Int,?Long,?String)]
data.+=((1,?1L,?"Hi"))
data.+=((2,?2L,?"Hello"))
data.+=((3,?2L,?"Hello?world"))

val?collection?=?env.fromCollection(data)
val?unique?=?collection.partitionByHash(1).mapPartition{
??line?=>
????line.map(x?=>?(x._1?,?x._2?,?x._3))
}

unique.writeAsText("hashPartition",?WriteMode.NO_OVERWRITE)
env.execute()

17. partitionByRange

根据指定的key对数据集进行范围分区：

val?data?=?new?mutable.MutableList[(Int,?Long,?String)]
data.+=((1,?1L,?"Hi"))
data.+=((2,?2L,?"Hello"))
data.+=((3,?2L,?"Hello?world"))
data.+=((4,?3L,?"Hello?world,?how?are?you?"))

val?collection?=?env.fromCollection(data)
val?unique?=?collection.partitionByRange(x?=>?x._1).mapPartition(line?=>?line.map{
??x=>
????(x._1?,?x._2?,?x._3)
})
unique.writeAsText("rangePartition",?WriteMode.OVERWRITE)
env.execute()

18. sortPartition

根据指定的字段值进行分区的排序：

val?data?=?new?mutable.MutableList[(Int,?Long,?String)]
????data.+=((1,?1L,?"Hi"))
????data.+=((2,?2L,?"Hello"))
????data.+=((3,?2L,?"Hello?world"))
????data.+=((4,?3L,?"Hello?world,?how?are?you?"))

val?ds?=?env.fromCollection(data)
????val?result?=?ds
??????.map?{?x?=>?x?}.setParallelism(2)
??????.sortPartition(1,?Order.DESCENDING)//第一个参数代表按照哪个字段进行分区
??????.mapPartition(line?=>?line)
??????.collect()

println(result)

三、Sink算子

1. collect

将数据输出到本地集合：

result.collect()

2. writeAsText

将数据输出到文件

Flink支持多种存储设备上的文件，包括本地文件，hdfs文件等

Flink支持多种文件的存储格式，包括text文件，CSV文件等

//?将数据写入本地文件
result.writeAsText("/data/a",?WriteMode.OVERWRITE)

//?将数据写入HDFS
result.writeAsText("hdfs://node01:9000/data/a",?WriteMode.OVERWRITE)

DataStream

和DataSet一样，DataStream也包括一系列的Transformation操作。

一、Source算子

Flink可以使用 StreamExecutionEnvironment.addSource(source) 来为我们的程序添加数据来源。
Flink 已经提供了若干实现好了的 source functions，当然我们也可以通过实现 SourceFunction 来自定义非并行的source或者实现 ParallelSourceFunction 接口或者扩展 RichParallelSourceFunction 来自定义并行的 source。

Flink在流处理上的source和在批处理上的source基本一致。大致有4大类：

• 基于 本地集合的source（Collection-based-source）
• 基于 文件的source（File-based-source）- 读取文本文件，即符合 TextInputFormat 规范的文件，并将其作为字符串返回
• 基于 网络套接字的source（Socket-based-source）- 从 socket 读取。元素可以用分隔符切分。
• 自定义的source（Custom-source）

下面使用addSource将Kafka数据写入Flink为例：

如果需要外部数据源对接，可使用addSource，如将Kafka数据写入Flink， 先引入依赖：

????org.apache.flink
????flink-connector-kafka-0.11_2.11
????1.10.0

将Kafka数据写入Flink：

val?properties?=?new?Properties()
properties.setProperty("bootstrap.servers",?"localhost:9092")
properties.setProperty("group.id",?"consumer-group")
properties.setProperty("key.deserializer",?"org.apache.kafka.common.serialization.StringDeserializer")
properties.setProperty("value.deserializer",?"org.apache.kafka.common.serialization.StringDeserializer")
properties.setProperty("auto.offset.reset",?"latest")

val?source?=?env.addSource(new?FlinkKafkaConsumer011[String]("sensor",?new?SimpleStringSchema(),?properties))

基于网络套接字的：

val?source?=?env.socketTextStream("IP",?PORT)

二、Transform转换算子

1. map

将DataSet中的每一个元素转换为另外一个元素：

dataStream.map?{?x?=>?x?*?2?}

2. FlatMap

采用一个数据元并生成零个，一个或多个数据元。将句子分割为单词的flatmap函数：

dataStream.flatMap?{?str?=>?str.split("?")?}

3. Filter

计算每个数据元的布尔函数，并保存函数返回true的数据元。过滤掉零值的过滤器：

dataStream.filter?{?_?!=?0?}

4. KeyBy

逻辑上将流分区为不相交的分区。具有相同Keys的所有记录都分配给同一分区。在内部，keyBy（）是使用散列分区实现的。指定键有不同的方法。

此转换返回KeyedStream，其中包括使用被Keys化状态所需的KeyedStream：

dataStream.keyBy(0)?

5. Reduce

被Keys化数据流上的“滚动”Reduce。将当前数据元与最后一个Reduce的值组合并发出新值：

keyedStream.reduce?{?_?+?_?}??

6. Fold

具有初始值的被Keys化数据流上的“滚动”折叠。将当前数据元与最后折叠的值组合并发出新值：

val?result:?DataStream[String]?=??keyedStream.fold("start")((str,?i)?=>?{?str?+?"-"?+?i?})?

//?解释：当上述代码应用于序列（1,2,3,4,5）时，输出结果“start-1”，“start-1-2”，“start-1-2-3”，...

7. Aggregations

在被Keys化数据流上滚动聚合。min和minBy之间的差异是min返回最小值，而minBy返回该字段中具有最小值的数据元（max和maxBy相同）：

keyedStream.sum(0);

keyedStream.min(0);

keyedStream.max(0);

keyedStream.minBy(0);

keyedStream.maxBy(0);

8. Window

可以在已经分区的KeyedStream上定义Windows。Windows根据某些特征（例如，在最后5秒内到达的数据）对每个Keys中的数据进行分组。这里不再对窗口进行详解，有关窗口的完整说明，请查看这篇文章：Flink 中极其重要的 Time 与 Window 详细解析

dataStream.keyBy(0).window(TumblingEventTimeWindows.of(Time.seconds(5)));?

9. WindowAll

Windows可以在常规DataStream上定义。Windows根据某些特征（例如，在最后5秒内到达的数据）对所有流事件进行分组。

注意：在许多情况下，这是非并行转换。所有记录将收集在windowAll 算子的一个任务中。

dataStream.windowAll(TumblingEventTimeWindows.of(Time.seconds(5)))

10. Window Apply

将一般函数应用于整个窗口。

注意：如果您正在使用windowAll转换，则需要使用AllWindowFunction。

下面是一个手动求和窗口数据元的函数：

windowedStream.apply?{?WindowFunction?}

allWindowedStream.apply?{?AllWindowFunction?}

11. Window Reduce

将函数缩减函数应用于窗口并返回缩小的值：

windowedStream.reduce?{?_?+?_?}

12. Window Fold

将函数折叠函数应用于窗口并返回折叠值：

val?result:?DataStream[String]?=?windowedStream.fold("start",?(str,?i)?=>?{?str?+?"-"?+?i?})?

//?上述代码应用于序列（1,2,3,4,5）时，将序列折叠为字符串“start-1-2-3-4-5”

13. Union

两个或多个数据流的联合，创建包含来自所有流的所有数据元的新流。注意：如果将数据流与自身联合，则会在结果流中获取两次数据元：

dataStream.union(otherStream1,?otherStream2,?...)

14. Window Join

在给定Keys和公共窗口上连接两个数据流：

dataStream.join(otherStream)
????.where().equalTo()
????.window(TumblingEventTimeWindows.of(Time.seconds(3)))
????.apply?(new?JoinFunction?()?{...})

15. Interval Join

在给定的时间间隔内使用公共Keys关联两个被Key化的数据流的两个数据元e1和e2，以便e1.timestamp + lowerBound <= e2.timestamp <= e1.timestamp + upperBound

am.intervalJoin(otherKeyedStream)
????.between(Time.milliseconds(-2),?Time.milliseconds(2))?
????.upperBoundExclusive(true)?
????.lowerBoundExclusive(true)?
????.process(new?IntervalJoinFunction()?{...})

16. Window CoGroup

在给定Keys和公共窗口上对两个数据流进行Cogroup：

dataStream.coGroup(otherStream)
????.where(0).equalTo(1)
????.window(TumblingEventTimeWindows.of(Time.seconds(3)))
????.apply?(new?CoGroupFunction?()?{...})

17. Connect

“连接”两个保存其类型的数据流。连接允许两个流之间的共享状态：

DataStream?someStream?=?...?DataStream?otherStream?=?...?ConnectedStreams?connectedStreams?=?someStream.connect(otherStream)

//?...?代表省略中间操作

18. CoMap，CoFlatMap

类似于连接数据流上的map和flatMap：

connectedStreams.map(
????(_?:?Int)?=>?true,
????(_?:?String)?=>?false)connectedStreams.flatMap(
????(_?:?Int)?=>?true,
????(_?:?String)?=>?false)

19. Split

根据某些标准将流拆分为两个或更多个流：

val?split?=?someDataStream.split(
??(num:?Int)?=>
????(num?%?2)?match?{
??????case?0?=>?List("even")
??????case?1?=>?List("odd")
????})??????

20. Select

从拆分流中选择一个或多个流：

SplitStream?split;DataStream?even?=?split.select("even");DataStream?odd?=?split.select("odd");DataStream?all?=?split.select("even","odd")

三、Sink算子

支持将数据输出到：

• 本地文件(参考批处理)
• 本地集合(参考批处理)
• HDFS(参考批处理)

除此之外，还支持：

• sink到kafka
• sink到mysql
• sink到redis

下面以sink到kafka为例：

val?sinkTopic?=?"test"

//样例类
case?class?Student(id:?Int,?name:?String,?addr:?String,?sex:?String)
val?mapper:?ObjectMapper?=?new?ObjectMapper()

//将对象转换成字符串
def?toJsonString(T:?Object):?String?=?{
????mapper.registerModule(DefaultScalaModule)
????mapper.writeValueAsString(T)
}

def?main(args:?Array[String]):?Unit?=?{
????//1.创建流执行环境
????val?env?=?StreamExecutionEnvironment.getExecutionEnvironment
????//2.准备数据
????val?dataStream:?DataStream[Student]?=?env.fromElements(
??????Student(8,?"xiaoming",?"beijing?biejing",?"female")
????)
????//将student转换成字符串
????val?studentStream:?DataStream[String]?=?dataStream.map(student?=>
??????toJsonString(student)?//?这里需要显示SerializerFeature中的某一个，否则会报同时匹配两个方法的错误
????)
????//studentStream.print()
????val?prop?=?new?Properties()
????prop.setProperty("bootstrap.servers",?"node01:9092")

????val?myProducer?=?new?FlinkKafkaProducer011[String](sinkTopic,?new?KeyedSerializationSchemaWrapper[String](new?SimpleStringSchema()),?prop)
????studentStream.addSink(myProducer)
????studentStream.print()
????env.execute("Flink?add?sink")
}

--end--

原文：
https://my.oschina.net/u/4789384/blog/4982721