流处理是 Flink 的核心，流处理的数据集用 DataStream 表示。数据流从可以从各种各样的数据源中创建（消息队列、Socket 和 文件等），经过 DataStream 的各种 transform 操作，最终输出文件或者标准输出。这个过程跟之前文章中介绍的 Flink 程序基本骨架一样。本篇介绍 DataStream 相关的入门知识。
Flink 101
为了学习 Flink 的朋友能查看到每个例子的源码，我创建了一个 GitHub 项目：https://github.com/duma-repo/awesome-flink 这里会存放每一篇文章比较重要的示例的源码，目前支持 Java 和 Scala，仍在不断完善中。代码下载后可以在本地运行，也可以打包放在集群上运行。同时，欢迎各位将优质的资源提交到项目中。
简单示例
import org.apache.flink.api.common.functions.FlatMapFunction; 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.windowing.time.Time; import org.apache.flink.util.Collector; public class WindowWordCount { public static void main(String[] args) throws Exception { StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment(); DataStream<Tuple2<String, Integer>> dataStream = env .socketTextStream("localhost", 9999) .flatMap(new Splitter()) .keyBy(0) .timeWindow(Time.seconds(5)) .sum(1); dataStream.print(); env.execute("Window WordCount"); } public static class Splitter implements FlatMapFunction<String, Tuple2<String, Integer>> { @Override public void flatMap(String sentence, Collector<Tuple2<String, Integer>> out) throws Exception { for (String word: sentence.split(" ")) { out.collect(new Tuple2<String, Integer>(word, 1)); //空格分割后，每个单词转换成 (word, 1) 二元组输出 } } } }
这个例子跟之间介绍 WordCount 的例子类似，这里详细介绍下涉及的 API 和含义
- 数据源：socketTextStream 是从 socket 创建的数据流，可以使用 nc -l 9000 创建 socket 客户端发送数据
- transform：flatMap 将输入的数据按照空格分割后，扁平化处理（flat即为扁平的意思）；keyBy 会按照指定的 key 进行分组，这里就是将单词作为 key；timeWindow 指定时间窗口，这里是 5s 处理一次；sum 是聚合函数，将分组好的单词个数求和
- 输出：print 将处理完的数据输出到标准输出流中，可以在控制台看到输出的结果。调用 execute 方法提交 Job
Data Source
经过以上的介绍，我们知道常见的数据源有 socket、消息队列和文件等。对于常见的数据源 Flink 已经定义好了读取函数，接下来一一介绍。
基于文件
- readTextFile(path)：读文本文件，默认是文件类型是 TextInputFormat，并且返回类型是 String
- readFile(fileInputFormat, path)：读文件，需要指定输入文件的格式
- readFile(fileInputFormat, path, watchType, interval, typeInfo)：以上两个方法内部都会调用这个方法，参数说明：
- fileInputFormat - 输入文件的类型
- path - 输入文件路径
- watchType - 取值为 FileProcessingMode.PROCESS_CONTINUOUSLY 和 FileProcessingMode.PROCESS_ONCE
- FileProcessingMode.PROCESS_CONTINUOUSLY - 当输入路径下有文件被修改，整个路径下内容将会被重新处理
- FileProcessingMode.PROCESS_ONCE - 只扫描一次，便退出。因此这种模式下输入数据只读取一次
- interval - 依赖 watchType 参数，对于 FileProcessingMode.PROCESS_CONTINUOUSLY 每隔固定时间（单位：毫秒）检测路径下是否有新数据
- typeInfo - 返回数据的类型
需要注意，在底层 Flink 将读文件的过程分为两个子任务 —— 文件监控和数据读取（reader）。监控任务由 1 个 task 实现，而读取的任务由多个 task 实现，数量与 Job 的并行度相同。监控任务的作用是扫描输入路径（周期性或者只扫描一次，取决于 watchType），当数据可以被处理时，会将数据分割成多个分片，将分片分配给下游的 reader 。一个分片只会被一个 reader 读取，一个 reader 可以读取多个分片。
基于 Socket
- socketTextStream：从 socket 数据流中读数据
基于 Collection
- fromCollection(Collection)：从 Java.util.Collection 类型的数据中创建输入流，collection 中的所有元素类型必须相同
- fromCollection(Iterator, Class)：从 iterator (迭代器）中创建输入流，Class 参数指定从 iterator 中的数据类型
- fromElements(T ...)：从给定的参数中创建输入流， 所有参数类型必须相同
- fromParallelCollection(SplittableIterator, Class)：从 iterator 中创建并行的输入流，Class 指定 iterator 中的数据类型
- generateSequence(from, to)：从 from 至 to 之间的数据序列创建并行的数据流
自定义
- addSource：可以自定义输入源，通过实现 SourceFunction 接口来自定义非并行的输入流；也可以实现 ParallelSourceFunction 接口或集成 RichParallelSourceFunction 类来自定义并行输入流，当然也可以定义好的数据源，如：Kafka，addSource(new FlinkKafkaConsumer08<>(...))
DataStream 的 transform
之前已经介绍了一些 transfrom 函数，如：map、flatMap 和 filter 等。同时还有窗口函数：window、timeWindow 等，聚合函数：sum、reduce 等。更多的 transform 函数以及使用将会单独写一篇文章介绍。
Data Sink
Data Sink 便是数据的输出。同 Data Source 类似， Flink 也内置了一些输出函数，如下：
- writeAsText(path) / TextOutputFormat：将数据作为 String 类型输出到指定文件
- writeAsCsv(...) / CsvOutputFormat：将 Tuple 类型输出到 ',' 分隔的 csv 类型的文件。行和列的分隔符可以通过参数配置，默认的为 ' ' 和 ','
- print() / printToErr()：将数据打印到标准输出流或者标准错误流，可以指定打印的前缀。
- writeUsingOutputFormat() / FileOutputFormat：输出到 OutputFormat 类型指定的文件，支持对象到字节的转换。
- writeToSocket：根据 SerializationSchema 将数据输出到 socket
- addSink：自定义输出函数，如：自定义将数据输出到 Kafka
小结
本篇文章主要介绍了 Flink Streaming 编程的基本骨架。详细介绍了 Streaming 内置的 Data Source 和 DataSink 。下篇将继续介绍 Flink Streaming 编程涉及的基本概念。
欢迎关注公众号「渡码」
