icc校色文件使用教程_Flink教程-flink 1.11使用sql将流式数据写入文件系统

滚动策略
分区提交
- 分区提交触发器
- 分区时间的抽取
- 分区提交策略
完整示例
- 定义实体类
- 自定义source
- 写入file

flink提供了一个file system connector，可以使用DDL创建一个table，然后使用sql的方法将数据写入hdfs、local file等文件系统，支持的写入格式包括json、csv、avro、parquet、orc。

一个最简单的DDL如下：

CREATE TABLE fs_table ( user_id STRING, order_amount DOUBLE, dt STRING, h string, m string
) PARTITIONED BY (dt,h,m) WITH ( 'connector'='filesystem', 'path'='file:///tmp/abc', 'format'='orc' );

下面我们简单的介绍一下相关的概念和如何使用。

滚动策略

在写入列格式（比如parquet、orc）的时候，上述的配置和checkpoint的间隔一起来控制滚动策略，也就是说sink.rolling-policy.file-size、sink.rolling-policy.rollover-interval、checkpoint间隔，这三个选项，只要有一个条件达到了，然后就会触发分区文件的滚动，结束上一个文件的写入，生成新文件。
对于写入行格式的数据，比如json、csv，主要是靠sink.rolling-policy.file-size、sink.rolling-policy.rollover-interval，也就是文件的大小和时间来控制写入数据的滚动策略.

分区提交

在往一个分区写完了数据之后，我们希望做一些工作来通知下游。比如在分区目录写一个SUCCESS文件，或者是对于hive来说，去更新metastore的数据，自动刷新一下分区等等。
分区的提交主要依赖于触发器和提交的策略：

触发器：即什么时候触发分区的提交，
提交策略：也就是分区写完之后我们做什么，目前系统提供了两种内置策略：1.往分区目录写一个空SUCCESS文件；2.更新元数据.

分区提交触发器

process-time. 这种提交方式依赖于系统的时间，一旦遇到数据延迟等情况，会造成分区和分区的数据不一致。
partition-time ：这种情况需要从分区字段里抽取出来相应的pattern，具体可参考下一个段落分区的抽取。
sink.partition-commit.delay：一旦这个数值设置不为0，则在process-time情况下，当系统时间大于分区创建时间加上delay延迟，会触发分区提交；如果是在partition-time 情况下，则需要水印大于分区创建时间加上delay时间，会触发分区提交.

第一个参数process-time、partition-time，我们不用做过多的解释，就类似于flink中的processtime和eventtime。

第二个参数sink.partition-commit.delay我们用实际案例解释下：比如我们配置的是分区是/yyyy-MM-dd/HH/,写入的是ORC列格式，checkpoint配置的间隔是一分钟，也就是默认情况下会每分钟生成一个orc文件，最终会在每个分区(/yyyy-MM-dd/HH/)下面生成60个orc文件。

比如当前系统正在写入/day=2020-07-06/h=10/分区的数据，那么这个分区的创建时间是2020-07-06 10:00:00，如果这个delay配置采用的是默认值，也就是0s，这个时候当写完了一个ORC文件，也就是2020-07-06 10:01:00分钟的时候，就会触发分区提交，比如更新hive的元数据，这个时候我们去查询hive就能查到刚刚写入的文件；如果我们想/day=2020-07-06/h=10/这个分区的60个文件都写完了再更新分区，那么我们可以将这个delay设置成 1h，也就是等到2020-07-06 11:00:00的时候才会触发分区提交，我们才会看到/2020-07-06/10/分区下面的所有数据

分区时间的抽取

自定义抽取分区时间的话，需要实现PartitionTimeExtractor接口：

public interface PartitionTimeExtractor extends Serializable {String DEFAULT = "default";String CUSTOM = "custom";/*** Extract time from partition keys and values.*/LocalDateTime extract(List<String> partitionKeys, List<String> partitionValues);...................
}

分区提交策略

定义了分区提交的策略，也就是写完分区数据之后做什么事情，目前系统提供了以下行为：

metastore，只支持hive table，也就是写完数据之后，更新hive的元数据.
success file: 写完数据，往分区文件写一个success file.
自定义

完整示例

定义实体类

public static class UserInfo implements java.io.Serializable{private String userId;private Double amount;private Timestamp ts;public String getUserId(){return userId;}public void setUserId(String userId){this.userId = userId;}public Double getAmount(){return amount;}public void setAmount(Double amount){this.amount = amount;}public Timestamp getTs(){return ts;}public void setTs(Timestamp ts){this.ts = ts;}}

自定义source

public static class MySource implements SourceFunction<UserInfo>{String userids[] = {"4760858d-2bec-483c-a535-291de04b2247", "67088699-d4f4-43f2-913c-481bff8a2dc5","72f7b6a8-e1a9-49b4-9a0b-770c41e01bfb", "dfa27cb6-bd94-4bc0-a90b-f7beeb9faa8b","aabbaa50-72f4-495c-b3a1-70383ee9d6a4", "3218bbb9-5874-4d37-a82d-3e35e52d1702","3ebfb9602ac07779||3ebfe9612a007979", "aec20d52-c2eb-4436-b121-c29ad4097f6c","e7e896cd939685d7||e7e8e6c1930689d7", "a4b1e1db-55ef-4d9d-b9d2-18393c5f59ee"};@Overridepublic void run(SourceContext<UserInfo> sourceContext) throws Exception{while (true){String userid = userids[(int) (Math.random() * (userids.length - 1))];UserInfo userInfo = new UserInfo();userInfo.setUserId(userid);userInfo.setAmount(Math.random() * 100);userInfo.setTs(new Timestamp(new Date().getTime()));sourceContext.collect(userInfo);Thread.sleep(100);}}@Overridepublic void cancel(){}}

写入file

通过sql的ddl创建一个最简单的基于process time的table，然后写入数据.

在这个实例中，我们开启了checkpoint的时间间隔是10s，所以会每隔10s写入一个orc文件.

StreamExecutionEnvironment bsEnv = StreamExecutionEnvironment.getExecutionEnvironment();bsEnv.enableCheckpointing(10000);StreamTableEnvironment tEnv = StreamTableEnvironment.create(bsEnv);DataStream<UserInfo> dataStream = bsEnv.addSource(new MySource());String sql = "CREATE TABLE fs_table (n" +"  user_id STRING,n" +"  order_amount DOUBLE,n" +"  dt STRING," +"  h string," +"  m string  n" +") PARTITIONED BY (dt,h,m) WITH (n" +"  'connector'='filesystem',n" +"  'path'='file:///tmp/abc',n" +"  'format'='orc'n" +")";tEnv.executeSql(sql);tEnv.createTemporaryView("users", dataStream);String insertSql = "insert into  fs_table SELECT userId, amount, " +" DATE_FORMAT(ts, 'yyyy-MM-dd'), DATE_FORMAT(ts, 'HH'), DATE_FORMAT(ts, 'mm') FROM users";tEnv.executeSql(insertSql);

完整的代码请参考 https://github.com/zhangjun0x01/bigdata-examples/blob/master/flink/src/main/java/connectors/sql/StreamingWriteFile.java

更多精彩内容，欢迎关注我的公众号【大数据技术与应用实战】