使用ApacheFlink和Kafka进行大数据流处理

Flink是一个开源流处理框架，注意它是一个处理计算框架，类似Spark框架，Flink在数据摄取方面非常准确，在保持状态的同时能轻松地从故障中恢复。

Flink内置引擎是一个分布式流数据流引擎，支持 流处理和批处理 ，支持和使用现有存储和部署基础架构的能力，它支持多个特定于域的库，如用于机器学习的FLinkML、用于图形分析的Gelly、用于复杂事件处理的 SQL 和FlinkCEP。Flink的另一个有趣的方面是现有的大数据作业（Hadoop M / R，Cascading，Storm）可以 通过适配器在Flink的引擎上执行， 因此这种灵活性使Flink成为Streaming基础设施处理的中心。

它支持所有下面 关键功能:

• 处理引擎，支持实时Streaming和批处理Batch
• 支持各种窗口范例
• 支持有状态流
• Faul Tolerant和高吞吐量
• 复杂事件处理（CEP）
• 背压处理
• 与现有Hadoop堆栈轻松集成
• 用于进行机器学习和图形处理的库。

核心API功能：

• 每个Flink程序都对分布式数据集合执行转换。 提供了用于转换数据的各种功能，包括过滤，映射，加入，分组和聚合。
• Flink中的接收 器 操作用于接受触发流的执行以产生所需的程序结果 ，例如将结果保存到文件系统或将其打印到标准输出
• Flink转换是惰性的，这意味着它们在调用接收 器 操作之前不会执行
• Apache Flink API支持两种操作模式 - 批量操作和实时操作。 如果正在处理可以批处理模式处理的有限数据源，则将使用 DataSet  API。如果您想要实时处理无限数据流，您需要使用 DataStream  API

擅长批处理的现有Hadoop堆栈已经有 很多组件 ，但是试图将其配置为流处理是一项艰巨的任务，因为各种组件如Oozi（作业调度程序），HDFS（和用于数据加载的存储），ML和图形库和批处理工作都必须完美协调。最重要的是，Hadoop具有较差的Stream支持，并且没有简单的方法来处理背压峰值。这使得流数据处理中的Hadoop堆栈更难以使用。让我们来看看Flink架构的高级视图：

对于每个提交的程序，创建一个客户端，该客户端执行所需的预处理并将程序转换为并行数据流形式，然后由 TaskManagers和JobManager执行 。JobManager是整个执行周期的主要协调者，负责将任务分配给TaskManager以及资源管理。

它的组件图如下：

Flink支持的流的两个重要方面是窗口化和有状态流。窗口化基本上是在流上执行聚合的技术。窗口可以大致分为

• 翻滚的窗户（没有重叠）
• 滑动窗（带重叠）

支持基本过滤或简单转换的流处理不需要状态流，但是当涉及到诸如流上的聚合（窗口化）、复杂转换、复杂事件处理等更高级的概念时，则必须支持 有状态流。

使用Kafka和Flink的Streaming架构如下

图10 -  来自Stephan Ewen的演讲“Apache Flink和Apache Kafka的高级流分析”

以下是各个流处理框架和Kafka结合的基准测试，来自Yahoo：

图11 -  来自Ufuk Celebi的谈话“使用Apache Flink的统一流和批处理”[7]

该架构由中Kafka集群是为流处理器提供数据，流变换后的结果在 Redis 中发布，可用于架构之外的应用程序。正如你所看到的，即使在高吞吐量的情况下，Storm和Flink还能保持低延迟，而Spark要差多了。继续增加数据量Flink不仅跑赢了Storm，而且还以大约300万次/秒的速度使Kafka链接饱和。

案例源码

Flink程序的入口点是 ExecutionEnvironment 类的实例- 它定义了执行程序的上下文。

让我们创建一个 ExecutionEnvironment 来开始我们的处理：

ExecutionEnvironment env
      = ExecutionEnvironment.getExecutionEnvironment();

请注意，在本地计算机上启动应用程序时，它将在本地JVM上执行处理。如果要在一组计算机上开始处理，则需要在这些计算机上安装 Apache Flink 并相应地配置 ExecutionEnvironment 。

我们将创建两个作业:

• 生产者WriteToKafka ：生成随机字符串并使用Kafka Flink Connector及其Producer API将它们发布到MapR Streams主题。
• 消费者ReadFromKafka：读取相同主题并使用Kafka Flink Connector及其Consumer消息在标准输出中打印消息。

下面是Kafka的生产者代码，使用SimpleStringGenerator()类生成消息并将字符串发送到kafka的flink-demo主题。

public static void main(String[] args) throws Exception {
   StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();

   Properties properties = new Properties();
   properties.setProperty("bootstrap.servers", “localhost:9092"); 

   DataStream<String> stream = env.addSource(new SimpleStringGenerator());
   stream.addSink(new FlinkKafkaProducer09<>("flink-demo", new SimpleStringSchema(), properties));

   env.execute();
}

• 创建一个新StreamExecutionEnvironment对象，这是使用Flink应用程序的起点
• DataStream在应用程序环境中创建一个新的SimpleStringGenerator，该类实现 SourceFunction  Flink中所有流数据源的基本接口。
• 将FlinkKafkaProducer09添加到主题中。

消费者只需从flink-demo主题中读取消息，然后将其打印到控制台中。

public static void main(String[] args) throws Exception {
   // create execution environment
   StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();

   Properties properties = new Properties();
   properties.setProperty("bootstrap.servers", “localhost:9092");
   properties.setProperty("group.id", "flink_consumer");

   DataStream<String> stream = env.addSource(new FlinkKafkaConsumer09<>(
         "flink-demo", new SimpleStringSchema(), properties) );

   stream.map(new MapFunction<String, String>() {
      private static final long serialVersionUID = -6867736771747690202L;

      @Override
      public String map(String value) throws Exception {
         return "Stream Value: " + value;
      }
   }).print();

   env.execute();
}

• 用消费者信息创建一组属性，在这个应用程序中我们只能设置消费者group.id。
• 使用FlinkKafkaConsumer09来获取主题中的消息flink-demo

本文源码 Github

开源项目 Nussknacker 让你通过GUI设计流处理流程，类似工作流那种方式，实现流处理的设计、部署和监控。

大数据专题

Stream流处理专题

Apache Kafka专题