Apache Flink DataStream API 没有 mapPartition 转换

Question

Spark DStream 有 mapPartition API，而 Flink DataStream API 没有。有没有大神帮忙解释下原因。我想做的是在Flink上实现一个类似于SparkreduceByKey的API

Answer 1

Flink 的流处理模型与以 mini batch 为中心的 Spark Streaming 有很大的不同。在 Spark Streaming 中，每个 mini batch 都像常规批处理程序一样在有限的数据集上执行，而 Flink DataStream 程序连续处理记录。

在Flink的DataSetAPI中，一个MapPartitionFunction有两个参数。输入的迭代器和函数结果的收集器。 Flink DataStream 程序中的 MapPartitionFunction 永远不会从第一个函数调用开始 return ，因为迭代器会迭代无穷无尽的记录流。但是，Flink 的内部流处理模型需要用户函数 return 才能检查点函数状态。因此，DataStream API 不提供 mapPartition 转换。

为了实现类似于 Spark Streaming 的 reduceByKey 的功能，您需要在流上定义键控 window。 Windows 离散化流，这有点类似于小批量，但 windows 提供了更多的灵活性。由于 window 的大小有限，您可以将 reduce 称为 window。

这可能看起来像：

yourStream.keyBy("myKey") // organize stream by key "myKey"
          .timeWindow(Time.seconds(5)) // build 5 sec tumbling windows
          .reduce(new YourReduceFunction); // apply a reduce function on each window

DataStream documentation 展示了如何定义各种 window 类型并解释了所有可用函数。

注意： DataStream API 最近已重新设计。该示例假定最新版本 (0.10-SNAPSHOT) 将在未来几天发布为 0.10.0。

Answer 2

假设您的输入流是单分区数据（比如字符串）

val new_number_of_partitions = 4

//below line partitions your data, you can broadcast data to all partitions
val step1stream = yourStream.rescale.setParallelism(new_number_of_partitions)

//flexibility for mapping
val step2stream = step1stream.map(new RichMapFunction[String, (String, Int)]{
  // var local_val_to_different_part : Type = null
  var myTaskId : Int = null

  //below function is executed once for each mapper function (one mapper per partition)
  override def open(config: Configuration): Unit = {
    myTaskId = getRuntimeContext.getIndexOfThisSubtask
    //do whatever initialization you want to do. read from data sources..
  }

  def map(value: String): (String, Int) = {
    (value, myTasKId)
  }
})

val step3stream = step2stream.keyBy(0).countWindow(new_number_of_partitions).sum(1).print
//Instead of sum(1), you can use .reduce((x,y)=>(x._1,x._2+y._2))
//.countWindow will first wait for a certain number of records for perticular key
// and then apply the function

Flink streaming 是纯流式处理（不是批处理的）。看看 Iterate API.

Apache Flink DataStream API 没有 mapPartition 转换

Apache Flink DataStream API doesn't have a mapPartition transformation

apache-flink