Flink单流算子

DataStream

1. map/flatMap

  • MapFunction<T, O>
O map(T value) throws Exception;

输入一个元素,输出一个元素,其中包含了变换逻辑

  • RichMapFunction<IN, OUT>

继承了MapFunction,可以获取RuntimeContext,用于查询当前算子当前并发的运行状态、accumulator以及broadcast variables等。

  • FlatMapFunction<T, O>
void flatMap(T value, Collector<O> out) throws Exception;

输入一个元素,输出若干个元素(可以是0个),其中包含了变换逻辑

  • RichFlatMapFunction<IN, OUT>

类似RichMapFunction

2. filter

  • FilterFunction<T>
    boolean filter(T value) throws Exception;
    包含筛选逻辑,需要保留的返回true,否则返回false

3. process

  • ProcessFunction<I, O>
void processElement(I value, Context ctx, Collector<O> out)

用于处理数据,out用于向下游发射数据,ctx则用于查询时间戳、注册TimerService等等,也可以获取state用于暂时存储数据

onTimer(long timestamp, OnTimerContext ctx, Collector<O> out)

注册了TimerService后(同一个时间戳多次注册只会触发一次),当watermark没过这个时间戳时,就会触发事件,调用onTimer方法,可以执行一些逻辑,比如把统计的结果合并成一条记录,用out输出等等

4. project

  • <R extends Tuple> SingleOutputStreamOperator<R> project(int... fieldIndexes)

只有Tuple才能这样操作,就是将原来的Tuple映射成新的Tuple,fieldIndexes表示原来的Tuple中的数据的索引,取出的数据按fieldIndexes的顺序,排成新的Tuple

5. windowAll / countWindowAll / timeWindowAll

表示以不同的方式获取不分key的AllWindowedStream

6. addSink / print/printToErr / writeAsText / writeAsText / writeToSocket / writeUsingOutputFormat

各种花式输出~

AllWindowedStream

1. reduce

将一个流的一个window的数据聚合成一个数据,数据类型一致

  • ReduceFunction<T>
T reduce(T value1, T value2) throws Exception;

输入两个数据,输出一个数据,其中包含了归并的逻辑,算子会不断重复,直至剩下一个元素。用户需要自己保证reduce方法的结果与元素的处理先后、组合方式无关。

2. aggregate

将一个窗口的数据聚合成一条,与reduce类似,但是更灵活

  • AggregateFunction<IN, ACC, OUT>
ACC createAccumulator();

创建一个累加器,用于保存状态,最好是增量的,可以节约存储,不用保存所有记录

ACC add(IN value, ACC accumulator);

增加一个元素

OUT getResult(ACC accumulator);

从accumulator中获得输出元素

ACC merge(ACC a, ACC b);

用于合并accumulator,复用对象,调用这个方法后,之前的accumulator就不再用了

  • AllWindowFunction<IN, OUT, W extends Window>
void apply(W window, Iterable<IN> values, Collector<OUT> out) throws Exception;

用于将AggregateFunction中合并得到的的OUT 数据通过out输出。这里的IN是AggregateFunction的OUT

  • ProcessAllWindowFunction<IN, OUT, W extends Window>
public abstract void process(Context context, Iterable<IN> elements, Collector<OUT> out) throws Exception;

与AllWindowFunction类似,但是多了可以使用context的功能

3. process

也使用ProcessAllWindowFunction,与aggregate不同的是,处理的是窗口中的每一个元素,而不是聚合后的元素

4. apply

也使用ReduceFunction、AllWindowFunction,与reduce、aggregate不同的是,处理的是窗口中的每一个元素,而不是聚合后的元素

5. fold

FoldFunction<O, T>
T fold(T accumulator, O value) throws Exception;
与reduce、aggregate类似,把每个数据都归并到一个accumulator中去,最后产生一个输出数据

6. sum / min / max / minBy / maxBy

一些预定义好的聚合方法,按字面意思

7. sideOutputLateData

sideOutputLateData(OutputTag<T> outputTag)
将迟到的数据输出,outputTag是输出流的tag
可以通过SingleOutputStreamOperator#getSideOutput(OutputTag)来获得迟到数据的流

KeyedStream

1. reduce

2. aggregate

3. process

4. fold

5. sum / min / max / minBy / maxBy

6. window / countWindow / timeWindow

方法的作用与DataStream类似,表示以不同的方式获取分key的WindowedStream

WindowedStream

1. reduce

2. aggregate

3. process

4. apply

5. fold

6. sum / min / max / minBy / maxBy

7. sideOutputLateData

方法的作用与AllWindowStream类似,只是作用于某个pane(也就是window中单独的key的数据)

©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 214,588评论 6 496
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 91,456评论 3 389
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 160,146评论 0 350
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 57,387评论 1 288
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 66,481评论 6 386
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 50,510评论 1 293
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 39,522评论 3 414
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 38,296评论 0 270
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 44,745评论 1 307
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 37,039评论 2 330
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 39,202评论 1 343
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 34,901评论 5 338
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 40,538评论 3 322
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 31,165评论 0 21
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,415评论 1 268
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 47,081评论 2 365
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 44,085评论 2 352

推荐阅读更多精彩内容