摘要：指定了該迭代器返回元素的類型。這可能導(dǎo)致節(jié)點(diǎn)故障后的恢復(fù)速度較慢，因?yàn)樵撟鳂I(yè)將從最后一個檢查點(diǎn)恢復(fù)讀取。監(jiān)聽的端口過來的數(shù)據(jù)這個在從到學(xué)習(xí)上搭建環(huán)境并構(gòu)建運(yùn)行簡單程序入門文章里用的就是基于的程序。取消一個，也即將中的循環(huán)元素的行為終止。

Data Sources 是什么呢？就字面意思其實(shí)就可以知道：數(shù)據(jù)來源。

Flink 做為一款流式計(jì)算框架，它可用來做批處理，即處理靜態(tài)的數(shù)據(jù)集、歷史的數(shù)據(jù)集；也可以用來做流處理，即實(shí)時的處理些實(shí)時數(shù)據(jù)流，實(shí)時的產(chǎn)生數(shù)據(jù)流結(jié)果，只要數(shù)據(jù)源源不斷的過來，F(xiàn)link 就能夠一直計(jì)算下去，這個 Data Sources 就是數(shù)據(jù)的來源地。

Flink 中你可以使用 StreamExecutionEnvironment.addSource(sourceFunction) 來為你的程序添加數(shù)據(jù)來源。

Flink 已經(jīng)提供了若干實(shí)現(xiàn)好了的 source functions，當(dāng)然你也可以通過實(shí)現(xiàn) SourceFunction 來自定義非并行的 source 或者實(shí)現(xiàn) ParallelSourceFunction 接口或者擴(kuò)展 RichParallelSourceFunction 來自定義并行的 source，

StreamExecutionEnvironment 中可以使用以下幾個已實(shí)現(xiàn)的 stream sources，

總的來說可以分為下面幾大類：

1、fromCollection(Collection) - 從 Java 的 Java.util.Collection 創(chuàng)建數(shù)據(jù)流。集合中的所有元素類型必須相同。

2、fromCollection(Iterator, Class) - 從一個迭代器中創(chuàng)建數(shù)據(jù)流。Class 指定了該迭代器返回元素的類型。

3、fromElements(T ...) - 從給定的對象序列中創(chuàng)建數(shù)據(jù)流。所有對象類型必須相同。

StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();

DataStream input = env.fromElements(
    new Event(1, "barfoo", 1.0),
    new Event(2, "start", 2.0),
    new Event(3, "foobar", 3.0),
    ...
);

4、fromParallelCollection(SplittableIterator, Class) - 從一個迭代器中創(chuàng)建并行數(shù)據(jù)流。Class 指定了該迭代器返回元素的類型。

5、generateSequence(from, to) - 創(chuàng)建一個生成指定區(qū)間范圍內(nèi)的數(shù)字序列的并行數(shù)據(jù)流。

1、readTextFile(path) - 讀取文本文件，即符合 TextInputFormat 規(guī)范的文件，并將其作為字符串返回。

final StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();

DataStream text = env.readTextFile("file:///path/to/file");

2、readFile(fileInputFormat, path) - 根據(jù)指定的文件輸入格式讀取文件（一次）。

3、readFile(fileInputFormat, path, watchType, interval, pathFilter, typeInfo) - 這是上面兩個方法內(nèi)部調(diào)用的方法。它根據(jù)給定的 fileInputFormat 和讀取路徑讀取文件。根據(jù)提供的 watchType，這個 source 可以定期（每隔 interval 毫秒）監(jiān)測給定路徑的新數(shù)據(jù)（FileProcessingMode.PROCESS_CONTINUOUSLY），或者處理一次路徑對應(yīng)文件的數(shù)據(jù)并退出（FileProcessingMode.PROCESS_ONCE）。你可以通過 pathFilter 進(jìn)一步排除掉需要處理的文件。

final StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();

DataStream stream = env.readFile(
        myFormat, myFilePath, FileProcessingMode.PROCESS_CONTINUOUSLY, 100,
        FilePathFilter.createDefaultFilter(), typeInfo);

實(shí)現(xiàn):

在具體實(shí)現(xiàn)上，F(xiàn)link 把文件讀取過程分為兩個子任務(wù)，即目錄監(jiān)控和數(shù)據(jù)讀取。每個子任務(wù)都由多帶帶的實(shí)體實(shí)現(xiàn)。目錄監(jiān)控由單個非并行（并行度為1）的任務(wù)執(zhí)行，而數(shù)據(jù)讀取由并行運(yùn)行的多個任務(wù)執(zhí)行。后者的并行性等于作業(yè)的并行性。單個目錄監(jiān)控任務(wù)的作用是掃描目錄（根據(jù) watchType 定期掃描或僅掃描一次），查找要處理的文件并把文件分割成切分片（splits），然后將這些切分片分配給下游 reader。reader 負(fù)責(zé)讀取數(shù)據(jù)。每個切分片只能由一個 reader 讀取，但一個 reader 可以逐個讀取多個切分片。

重要注意：

如果 watchType 設(shè)置為 FileProcessingMode.PROCESS_CONTINUOUSLY，則當(dāng)文件被修改時，其內(nèi)容將被重新處理。這會打破“exactly-once”語義，因?yàn)樵谖募┪哺郊訑?shù)據(jù)將導(dǎo)致其所有內(nèi)容被重新處理。

如果 watchType 設(shè)置為 FileProcessingMode.PROCESS_ONCE，則 source 僅掃描路徑一次然后退出，而不等待 reader 完成文件內(nèi)容的讀取。當(dāng)然 reader 會繼續(xù)閱讀，直到讀取所有的文件內(nèi)容。關(guān)閉 source 后就不會再有檢查點(diǎn)。這可能導(dǎo)致節(jié)點(diǎn)故障后的恢復(fù)速度較慢，因?yàn)樵撟鳂I(yè)將從最后一個檢查點(diǎn)恢復(fù)讀取。

socketTextStream(String hostname, int port) - 從 socket 讀取。元素可以用分隔符切分。

StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();

DataStream> dataStream = env
        .socketTextStream("localhost", 9999) // 監(jiān)聽 localhost 的 9999 端口過來的數(shù)據(jù)
        .flatMap(new Splitter())
        .keyBy(0)
        .timeWindow(Time.seconds(5))
        .sum(1);

這個在 《從0到1學(xué)習(xí)Flink》—— Mac 上搭建 Flink 1.6.0 環(huán)境并構(gòu)建運(yùn)行簡單程序入門 文章里用的就是基于 Socket 的 Word Count 程序。

addSource - 添加一個新的 source function。例如，你可以 addSource(new FlinkKafkaConsumer011<>(...)) 以從 Apache Kafka 讀取數(shù)據(jù)

說下上面幾種的特點(diǎn)吧：

1、基于集合：有界數(shù)據(jù)集，更偏向于本地測試用

2、基于文件：適合監(jiān)聽文件修改并讀取其內(nèi)容

3、基于 Socket：監(jiān)聽主機(jī)的 host port，從 Socket 中獲取數(shù)據(jù)

4、自定義 addSource：大多數(shù)的場景數(shù)據(jù)都是無界的，會源源不斷的過來。比如去消費(fèi) Kafka 某個 topic 上的數(shù)據(jù)，這時候就需要用到這個 addSource，可能因?yàn)橛玫谋容^多的原因吧，F(xiàn)link 直接提供了 FlinkKafkaConsumer011 等類可供你直接使用。你可以去看看 FlinkKafkaConsumerBase 這個基礎(chǔ)類，它是 Flink Kafka 消費(fèi)的最根本的類。

StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();

DataStream input = env
        .addSource(
            new FlinkKafkaConsumer011<>(
                parameterTool.getRequired("input-topic"), //從參數(shù)中獲取傳進(jìn)來的 topic 
                new KafkaEventSchema(),
                parameterTool.getProperties())
            .assignTimestampsAndWatermarks(new CustomWatermarkExtractor()));

Flink 目前支持如下圖里面常見的 Source：

如果你想自己自定義自己的 Source 呢？

那么你就需要去了解一下 SourceFunction 接口了，它是所有 stream source 的根接口，它繼承自一個標(biāo)記接口（空接口）Function。

SourceFunction 定義了兩個接口方法：

1、run ： 啟動一個 source，即對接一個外部數(shù)據(jù)源然后 emit 元素形成 stream（大部分情況下會通過在該方法里運(yùn)行一個 while 循環(huán)的形式來產(chǎn)生 stream）。

2、cancel ： 取消一個 source，也即將 run 中的循環(huán) emit 元素的行為終止。

正常情況下，一個 SourceFunction 實(shí)現(xiàn)這兩個接口方法就可以了。其實(shí)這兩個接口方法也固定了一種實(shí)現(xiàn)模板。

比如，實(shí)現(xiàn)一個 XXXSourceFunction，那么大致的模板是這樣的：(直接拿 FLink 源碼的實(shí)例給你看看)

本文主要講了下 Flink 的常見 Source 有哪些并且簡單的提了下如何自定義 Source。

轉(zhuǎn)載請務(wù)必注明原創(chuàng)地址為：http://www.54tianzhisheng.cn/2018/10/28/flink-sources/

另外我自己整理了些 Flink 的學(xué)習(xí)資料，目前已經(jīng)全部放到微信公眾號了。你可以加我的微信：zhisheng_tian，然后回復(fù)關(guān)鍵字：Flink 即可無條件獲取到。

1、《從0到1學(xué)習(xí)Flink》—— Apache Flink 介紹

2、《從0到1學(xué)習(xí)Flink》—— Mac 上搭建 Flink 1.6.0 環(huán)境并構(gòu)建運(yùn)行簡單程序入門

3、《從0到1學(xué)習(xí)Flink》—— Flink 配置文件詳解

4、《從0到1學(xué)習(xí)Flink》—— Data Source 介紹

5、《從0到1學(xué)習(xí)Flink》—— 如何自定義 Data Source ？

6、《從0到1學(xué)習(xí)Flink》—— Data Sink 介紹

7、《從0到1學(xué)習(xí)Flink》—— 如何自定義 Data Sink ？