【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_flink filesource

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();
    1
    2
    3

  • 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();   
    1
    2
    3
    4

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 -->
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28

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");
    }
}

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46

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");
    }
}

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45

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。

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