本文是《Flink的DataSource三部曲》的終篇，前面都是在學習Flink已有的數據源功能，但如果這些不能滿足需要，就要自定義數據源（例如從數據庫獲取數據），也就是今天實戰的內容，如下圖紅框所示：

往期回顧

1. 《 》；
2. 《 》；

環境和版本

本次實戰的環境和版本如下：

1. JDK：1.8.0_211
2. Flink：1.9.2
3. Maven：3.6.0
4. 操作系統：macOS Catalina 10.15.3 （MacBook Pro 13-inch, 2018）
5. IDEA：2018.3.5 (Ultimate Edition)

在服務器上搭建Flink服務

• 前面兩章的程序都是在IDEA上運行的，本章需要通過Flink的web ui觀察運行結果，因此要單獨部署Flink服務，我這裡是在CentOS環境通過docker-compose部署的，以下是docker-compose.yml的內容，用於參考：

<code>version: "2.1"
services:
  jobmanager:
    image: flink:1.9.2-scala_2.12
    expose:
      - "6123"
    ports: 

      - "8081:8081"
    command: jobmanager
    environment:
      - JOB_MANAGER_RPC_ADDRESS=jobmanager
  taskmanager1:
    image: flink:1.9.2-scala_2.12
    expose:
      - "6121"
      - "6122"
    depends_on:
      - jobmanager
    command: taskmanager
    links:
      - "jobmanager:jobmanager"
    environment:
      - JOB_MANAGER_RPC_ADDRESS=jobmanager
  taskmanager2:
    image: flink:1.9.2-scala_2.12
    expose:
      - "6121"
      - "6122"
    depends_on:
      - jobmanager
    command: taskmanager
    links:
      - "jobmanager:jobmanager"
    environment:
      - JOB_MANAGER_RPC_ADDRESS=jobmanager/<code>

• 下圖是我的Flink情況，有兩個Task Maganer，共八個Slot全部可用：

源碼下載

• 如果您不想寫代碼，整個系列的源碼可在GitHub下載到，地址和鏈接信息如下表所示：

• 這個git項目中有多個文件夾，本章的應用在flinkdatasourcedemo文件夾下，如下圖紅框所示：

• 準備完畢，開始開發；

實現SourceFunctionDemo接口的DataSource

• 從最簡單的開始，開發一個不可並行的數據源並驗證；
• 實現SourceFunction接口，在工程flinkdatasourcedemo中增加SourceFunctionDemo.java：

<code>package com.bolingcavalry.customize;

import org.apache.flink.api.java.tuple.Tuple2;
import org.apache.flink.streaming.api.datastream.DataStream;
import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;
import org.apache.flink.streaming.api.functions.source.SourceFunction;
import org.apache.flink.streaming.api.windowing.time.Time;

public class SourceFunctionDemo {
    public static void main(String[] args) throws Exception {
        final StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
        //並行度為2
        env.setParallelism(2);

        DataStream<tuple2>> dataStream = env.addSource(new SourceFunction<tuple2>>() {

            private volatile boolean isRunning = true;

            @Override
            public void run(SourceContext<tuple2>> ctx) throws Exception {
                int i = 0;
                while (isRunning) {
                    ctx.collect(new Tuple2<>(i++ % 5, 1));
                    Thread.sleep(1000);
                    if(i>9){
                        break;
                    }
                }
            }

            @Override 

            public void cancel() {
                isRunning = false;
            }
        });

        dataStream
                .keyBy(0)
                .timeWindow(Time.seconds(2))
                .sum(1)
                .print();

        env.execute("Customize DataSource demo : SourceFunction");
    }
}/<tuple2>/<tuple2>/<tuple2>/<code>

• 從上述代碼可見，給addSource方法傳入一個匿名類實例，該匿名類實現了SourceFunction接口；
• 實現SourceFunction接口只需實現run和cancel方法；
• run方法產生數據，這裡為了簡答操作，每隔一秒產生一個Tuple2實例，由於接下來的算子中有keyBy操作，因此Tuple2的第一個字段始終保持著5的餘數，這樣可以多幾個key，以便分散到不同的slot中；
• 為了核對數據是否準確，這裡並沒有無限發送數據，而是僅發送了10個Tuple2實例；

• cancel是job被取消時執行的方法；
• 整體並行度顯式設置為2；
• 編碼完成後，執行mvn clean package -U -DskipTests構建，在target目錄得到文件flinkdatasourcedemo-1.0-SNAPSHOT.jar；
• 在Flink的web UI上傳flinkdatasourcedemo-1.0-SNAPSHOT.jar，並指定執行類，如下圖紅框所示：

• 任務執行完成後，在Completed Jobs頁面可以看到，DataSource的並行度是1（紅框），對應的SubTask一共發送了10條記錄（藍框），這和我們的代碼是一致的；

• 再來看消費的子任務，如下圖，紅框顯示並行度是2，這和前面代碼中的設置是一致的，藍框顯示兩個子任務一共收到10條數據記錄，和上游發出的數量一致：

• 接下來嘗試多並行度的DataSource；

實現ParallelSourceFunction接口的DataSource

• 如果自定義DataSource中有複雜的或者耗時的操作，那麼增加DataSource的並行度，讓多個SubTask同時進行這些操作，可以有效提升整體吞吐量（前提是硬件資源充裕）；
• 接下來實戰可以並行執行的DataSource，原理是DataSoure實現ParallelSourceFunction接口，代碼如下，可見和SourceFunctionDemo幾乎一樣，只是addSource方發入參不同，該入參依然是匿名類，不過實現的的接口變成了ParallelSourceFunction：

<code>package com.bolingcavalry.customize;

import org.apache.flink.api.java.tuple.Tuple2;
import org.apache.flink.streaming.api.datastream.DataStream;
import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;
import org.apache.flink.streaming.api.functions.source.ParallelSourceFunction;
import org.apache.flink.streaming.api.windowing.time.Time;

public class ParrelSourceFunctionDemo {
    public static void main(String[] args) throws Exception {
        final StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
        //並行度為2
        env.setParallelism(2);

        DataStream<tuple2>> dataStream = env.addSource(new ParallelSourceFunction<tuple2>>() {

            private volatile boolean isRunning = true;

            @Override
            public void run(SourceContext<tuple2>> ctx) throws Exception {
                int i = 0;
                while (isRunning) { 

                    ctx.collect(new Tuple2<>(i++ % 5, 1));
                    Thread.sleep(1000);
                    if(i>9){
                        break;
                    }
                }
            }

            @Override
            public void cancel() {
                isRunning = false;
            }
        });

        dataStream
                .keyBy(0)
                .timeWindow(Time.seconds(2))
                .sum(1)
                .print();

        env.execute("Customize DataSource demo : ParallelSourceFunction");
    }
}/<tuple2>/<tuple2>/<tuple2>/<code>

• 編碼完成後，執行mvn clean package -U -DskipTests構建，在target目錄得到文件flinkdatasourcedemo-1.0-SNAPSHOT.jar；

• 在Flink的web UI上傳flinkdatasourcedemo-1.0-SNAPSHOT.jar，並指定執行類，如下圖紅框所示：

• 任務執行完成後，在Completed Jobs頁面可以看到，如今DataSource的並行度是2（紅框），對應的SubTask一共發送了20條記錄（藍框），這和我們的代碼是一致的，綠框顯示兩個SubTask的Task Manager是同一個；

• 為什麼DataSource一共發送了20條記錄？因為每個SubTask中都有一份ParallelSourceFunction匿名類的實例，對應的run方法分別被執行，因此每個SubTask都發送了10條；
• 再來看消費數據的子任務，如下圖，紅框顯示並行度與代碼中設置的數量是一致的，藍框顯示兩個SubTask一共消費了20條記錄，和數據源發出的記錄數一致，另外綠框顯示兩個SubTask的Task Manager是同一個，而且和DataSource的TaskManager是同一個，因此整個job都是在同一個TaskManager進行的，沒有跨機器帶來的額外代價：

• 接下來要實踐的內容，和另一個重要的抽象類有關：

繼承抽象類RichSourceFunction的DataSource

• 對RichSourceFunction的理解是從繼承關係開始的，如下圖，SourceFunction和RichFunction的特性最終都體現在RichSourceFunction上，SourceFunction的特性是數據的生成(run方法)，RichFunction的特性是對資源的連接和釋放(open和close方法)：

• 接下來開始實戰，目標是從MySQL獲取數據作為DataSource，然後消費這些數據；

• 請提前準備好可用的MySql數據庫，然後執行以下SQL，創建庫、表、記錄：

<code>DROP DATABASE IF EXISTS flinkdemo;
CREATE DATABASE IF NOT EXISTS flinkdemo;
USE flinkdemo;

SELECT 'CREATING DATABASE STRUCTURE' as 'INFO';

DROP TABLE IF EXISTS `student`;
CREATE TABLE `student` (
  `id` int(11) unsigned NOT NULL AUTO_INCREMENT,
  `name` varchar(25) COLLATE utf8_bin DEFAULT NULL,
  PRIMARY KEY (`id`)
) ENGINE=InnoDB AUTO_INCREMENT=5 DEFAULT CHARSET=utf8 COLLATE=utf8_bin;

INSERT INTO `student` VALUES ('1', 'student01'), ('2', 'student02'), ('3', 'student03'), ('4', 'student04'), ('5', 'student05'), ('6', 'student06');
COMMIT;/<code>

• 在pom.xml中增加mysql依賴：

<code><dependency>
\t\t\t<groupid>mysql/<groupid>
\t\t\t<artifactid>mysql-connector-java/<artifactid>
\t\t\t<version>5.1.34/<version>
/<dependency>/<code>

• 新增MySQLDataSource.java，內容如下：

<code>package com.bolingcavalry.customize;

import com.bolingcavalry.Student;
import org.apache.flink.configuration.Configuration;
import org.apache.flink.streaming.api.functions.source.RichSourceFunction;
import java.sql.Connection;
import java.sql.DriverManager;
import java.sql.PreparedStatement;
import java.sql.ResultSet;

public class MySQLDataSource extends RichSourceFunction<student> {
 

    private Connection connection = null;

    private PreparedStatement preparedStatement = null;

    private volatile boolean isRunning = true;

    @Override
    public void open(Configuration parameters) throws Exception {
        super.open(parameters);

        if(null==connection) {
            Class.forName("com.mysql.jdbc.Driver");
            connection = DriverManager.getConnection("jdbc:mysql://192.168.50.43:3306/flinkdemo?useUnicode=true&characterEncoding=UTF-8", "root", "123456");
        }

        if(null==preparedStatement) {
            preparedStatement = connection.prepareStatement("select id, name from student");
        }
    }

    /**
     * 釋放資源
     * @throws Exception
     */
    @Override
    public void close() throws Exception {
        super.close();

        if(null!=preparedStatement) {
            try {
                preparedStatement.close();
            } catch (Exception exception) {
                exception.printStackTrace();
            }
        }

        if(null==connection) {
            connection.close();
        }
    }

    @Override
    public void run(SourceContext<student> ctx) throws Exception {
        ResultSet resultSet = preparedStatement.executeQuery();
        while (resultSet.next() && isRunning) {
            Student student = new Student();
            student.setId(resultSet.getInt("id"));
            student.setName(resultSet.getString("name"));
            ctx.collect(student);
        } 

    }

    @Override
    public void cancel() {
        isRunning = false;
    }
}/<student>/<student>/<code>

• 上面的代碼中，MySQLDataSource繼承了RichSourceFunction，作為一個DataSource，可以作為addSource方法的入參；
• open和close方法都會被數據源的SubTask調用，open負責創建數據庫連接對象，close負責釋放資源；
• open方法中直接寫死了數據庫相關的配置(不可取)；
• run方法在open之後被調用，作用和之前的DataSource例子一樣，負責生產數據，這裡是用前面準備好的preparedStatement對象直接去數據庫取數據；
• 接下來寫個Demo類使用MySQLDataSource：

<code>package com.bolingcavalry.customize;

import com.bolingcavalry.Student;
import org.apache.flink.streaming.api.datastream.DataStream;
import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;

public class RichSourceFunctionDemo {

    public static void main(String[] args) throws Exception {
        final StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
        //並行度為2
        env.setParallelism(2);

        DataStream<student> dataStream = env.addSource(new MySQLDataSource());
        dataStream.print();
 

        env.execute("Customize DataSource demo : RichSourceFunction");
    }
}/<student>/<code>

• 從上述代碼可見，MySQLDataSource實例傳入addSource方法即可創建數據集；

• 像之前那樣，編譯構建、提交到Flink、指定任務類，即可開始執行此任務；
• 執行結果如下圖，DataSource的並行度是1，一共發送六條記錄，即student表的所有記錄：

• 處理數據的SubTask一共兩個，各處理三條消息：

• 由於代碼中對數據集執行了print()，因此在TaskManager控制檯看到數據輸出如下圖紅框所示：

關於RichParallelSourceFunction

• 實戰到了這裡，還剩RichParallelSourceFunction這個抽象類我們還沒有嘗試過，但我覺得這個類可以不用在文中多說了，咱們把RichlSourceFunction和RichParallelSourceFunction的類圖放在一起看看：

• 從上圖可見，在RichFunction繼承關係上，兩者一致，在SourceFunction的繼承關係上，RichlSourceFunction和RichParallelSourceFunction略有不同，RichParallelSourceFunction走的是ParallelSourceFunction這條線，而SourceFunction和ParallelSourceFunction的區別，前面已經講過了，因此，結果不言而喻：
  繼承RichParallelSourceFunction的DataSource的並行度是可以大於1的；
• 讀者您如果有興趣，可以將前面的MySQLDataSource改成繼承RichParallelSourceFunction再試試，DataSource的並行度會超過1，但是絕不是隻有這一點變化，DAG圖顯示Flink還會做一些Operator Chain處理，但這不是本章要關注的內容，只能說結果是正確的（兩個DataSource的SubTask，一共發送12條記錄），建議您試試；

• 至此，《Flink的DataSource三部曲》系列就全部完成了，好的開始是成功的一半，在拿到數據後，後面還有很多知識點要學習和掌握，接下來的文章會繼續深入Flink的奇妙之旅；

閱讀更多 程序員欣宸 的文章

關鍵字: MacBook 數據庫 Docker