大数据框架—Flink与Beam
Flink概述
Flink是Apache的一个顶级项目，Apache Flink 是一个开源的分布式流处理和批处理系统。Flink 的核心是在数据流上提供数据分发、通信、具备容错的分布式计算。同时，Flink 在流处理引擎上构建了批处理引擎，原生支持了迭代计算、内存管理和程序优化。
现有的开源计算方案，会把流处理和批处理作为两种不同的应用类型，因为它们所提供的SLA（Service-Level-Aggreement）是完全不相同的：流处理一般需要支持低延迟、Exactly-once保证，而批处理需要支持高吞吐、高效处理。
Flink从另一个视角看待流处理和批处理，将二者统一起来：Flink是完全支持流处理，也就是说作为流处理看待时输入数据流是×××的；批处理被作为一种特殊的流处理，只是它的输入数据流被定义为有界的。
Flink流处理特性：
- 支持高吞吐、低延迟、高性能的流处理
- 支持带有事件时间的窗口（Window）操作
- 支持有状态计算的Exactly-once语义
- 支持高度灵活的窗口（Window）操作，支持基于time、count、session，以及data-driven的窗口操作
- 支持具有Backpressure功能的持续流模型
- 支持基于轻量级分布式快照（Snapshot）实现的容错
- 一个运行时同时支持Batch on Streaming处理和Streaming处理
- Flink在JVM内部实现了自己的内存管理
- 支持迭代计算
- 支持程序自动优化：避免特定情况下Shuffle、排序等昂贵操作，中间结果有必要进行缓存
Flink架构图：
Flink以层级式系统形式组件其软件栈，不同层的栈建立在其下层基础上，并且各层接受程序不同层的抽象形式。
在最基本的层面上，一个Flink应用程序是由以下几部分组成：
- Data source: 数据源，将数据输入到Flink中
- Transformations: 处理数据
- Data sink: 将处理后的数据传输到某个地方
如下图：
目前Flink支持如下框架：
- Apache Kafka (sink/source)
- Elasticsearch 1.x / 2.x / 5.x (sink)
- HDFS (sink)
- RabbitMQ (sink/source)
- Amazon Kinesis Streams (sink/source)
- Twitter (source)
- Apache NiFi (sink/source)
- Apache Cassandra (sink)
- Redis, Flume, and ActiveMQ (via Apache Bahir) (sink)
Flink官网地址如下：
http://flink.apache.org/
部分内容参考自如下文章：
https://blog.csdn.net/jdoouddm7i/article/details/62039337
使用Flink完成wordcount统计
Flink下载地址：
http://flink.apache.org/downloads.html
Flink快速开始文档地址：
https://ci.apache.org/projects/flink/flink-docs-release-1.4/quickstart/setup_quickstart.html
注：安装Flink之前系统中需要安装有jdk1.7以上版本的环境
我这里下载的是2.6版本的Flink：
[root@study-01 ~]# cd /usr/local/src/[root@study-01 /usr/local/src]# wget http://mirrors.tuna.tsinghua.edu.cn/apache/flink/flink-1.4.2/flink-1.4.2-bin-hadoop26-scala_2.11.tgz[root@study-01 /usr/local/src]# tar -zxvf flink-1.4.2-bin-hadoop26-scala_2.11.tgz -C /usr/local[root@study-01 /usr/local/src]# cd ../flink-1.4.2/[root@study-01 /usr/local/flink-1.4.2]# lsbin conf examples lib LICENSE log NOTICE opt README.txt resources tools[root@study-01 /usr/local/flink-1.4.2]#启动Flink：
[root@study-01 /usr/local/flink-1.4.2]# ./bin/start-local.sh[root@study-01 /usr/local/flink-1.4.2]# jps6576 Jps6131 JobManager6499 TaskManager[root@study-01 /usr/local/flink-1.4.2]# 启动成功之后就可以访问主机ip的8081端口，进入到Flink的web页面：
我们现在就可以开始实现wordcount案例了，我这里有一个文件，内容如下：
[root@study-01 /usr/local/flink-1.4.2]# cat /data/hello.txt hadoop welcomehadoop hdfs mapreducehadoop hdfshello hadoopspark vs mapreduce[root@study-01 /usr/local/flink-1.4.2]#执行如下命令，实现wordcount案例，如果学习过Hadoop会发现这个命令和Hadoop上使用MapReduce实现wordcount案例是类似的：
[root@study-01 /usr/local/flink-1.4.2]# ./bin/flink run ./examples/batch/WordCount.jar --input file:///data/hello.txt --output file:///data/tmp/flink_wordcount_out执行完成后，可以到web页面上，查看任务的执行信息：
查看输出结果：
[root@study-01 /usr/local/flink-1.4.2]# cat /data/tmp/flink_wordcount_out hadoop 4hdfs 2hello 1mapreduce 2spark 1vs 1welcome 1[root@study-01 /usr/local/flink-1.4.2]#Beam概述
Google的新老三驾马车：
- 老的三驾马车：GFS、MapReduce、BigTable
- 新的三驾马车：Dremel、Pregel、Caffeine
我们都知道，Hadoop生态圈内的几个框架都源于Google老的三驾马车，而一些新的框架实现也是部分源于Google新的三驾马车的概念。所以现在市面上的大数据相关框架很多，框架多就会导致编程规范多、处理模式不一致，而我们希望有一个工具能够统一这些编程模型，因此，Beam就诞生了。
Apache Beam是 Apache 软件基金会于2017年1 月 10 日对外宣布的开源平台。Beam 为创建复杂数据平行处理管道，提供了一个可移动（兼容性好）的 API 层。这层 API 的核心概念基于 Beam 模型（以前被称为 Dataflow 模型），并在每个 Beam 引擎上不同程度得执行。
背景：
2016 年 2 月份，谷歌及其合作伙伴向 Apache 捐赠了一大批代码，创立了孵化中的 Beam 项目（ 最初叫 Apache Dataflow）。这些代码中的大部分来自于谷歌 Cloud Dataflow SDK--开发者用来写流处理和批处理管道（pipelines）的库，可在任何支持的执行引擎上运行。当时，支持的主要引擎是谷歌 Cloud Dataflow，附带对 Apache Spark 和 开发中的 Apache Flink 支持。如今，它正式开放之时，已经有五个官方支持的引擎。除去已经提到的三个，还包括 Beam 模型和 Apache Apex。
Beam特点：
- 统一了数据批处理（batch）和流处理（stream）编程范式，
- 能在任何执行引擎上运行。
- 它不仅为模型设计、更为执行一系列数据导向的工作流提供了统一的模型。这些工作流包括数据处理、吸收和整合。
Beam的官方网站：
https://beam.apache.org/
将WordCount的Beam程序以多种不同Runner运行
Beam Java的快速开始文档：
https://beam.apache.org/get-started/quickstart-java/
安装Beam的前置也是需要系统具备jdk1.7以上版本的环境，以及Maven环境。
使用如下命令下载Beam以及wordcount案例代码：
mvn archetype:generate \ -DarchetypeGroupId=org.apache.beam \ -DarchetypeArtifactId=beam-sdks-java-maven-archetypes-examples \ -DarchetypeVersion=2.4.0 \ -DgroupId=org.example \ -DartifactId=word-count-beam \ -Dversion="0.1" \ -Dpackage=org.apache.beam.examples \ -DinteractiveMode=false进入下载后的目录进行查看：
[root@study-01 /usr/local/src]# cd word-count-beam/[root@study-01 /usr/local/src/word-count-beam]# tree.├── pom.xml└── src ├── main │ └── java │ └── org │ └── apache │ └── beam │ └── examples │ ├── common │ │ ├── ExampleBigQueryTableOptions.java │ │ ├── ExampleOptions.java │ │ ├── ExamplePubsubTopicAndSubscriptionOptions.java │ │ ├── ExamplePubsubTopicOptions.java │ │ ├── ExampleUtils.java │ │ └── WriteOneFilePerWindow.java │ ├── complete │ │ └── game │ │ ├── GameStats.java │ │ ├── HourlyTeamScore.java │ │ ├── injector │ │ │ ├── Injector.java │ │ │ ├── InjectorUtils.java │ │ │ └── RetryHttpInitializerWrapper.java │ │ ├── LeaderBoard.java │ │ ├── StatefulTeamScore.java │ │ ├── UserScore.java │ │ └── utils │ │ ├── GameConstants.java │ │ ├── WriteToBigQuery.java │ │ ├── WriteToText.java │ │ └── WriteWindowedToBigQuery.java │ ├── DebuggingWordCount.java │ ├── MinimalWordCount.java │ ├── WindowedWordCount.java │ └── WordCount.java └── test └── java └── org └── apache └── beam └── examples ├── complete │ └── game │ ├── GameStatsTest.java │ ├── HourlyTeamScoreTest.java │ ├── LeaderBoardTest.java │ ├── StatefulTeamScoreTest.java │ └── UserScoreTest.java ├── DebuggingWordCountTest.java ├── MinimalWordCountTest.java └── WordCountTest.java20 directories, 31 files[root@study-01 /usr/local/src/word-count-beam]#默认情况下，beam的runner是Direct，下面就用Direct来运行wordcount案例，命令如下：
[root@study-01 /usr/local/src/word-count-beam]# lspom.xml src target[root@study-01 /usr/local/src/word-count-beam]#[root@study-01 /usr/local/src/word-count-beam]# mvn compile exec:java -Dexec.mainClass=org.apache.beam.examples.WordCount -Dexec.args="--inputFile=/data/hello.txt --output=counts" -Pdirect-runner运行的结果会存放在当前的目录下：
[root@study-01 /usr/local/src/word-count-beam]# lscounts-00000-of-00003 counts-00001-of-00003 counts-00002-of-00003 pom.xml src target[root@study-01 /usr/local/src/word-count-beam]# more counts* # 查看结果文件::::::::::::::counts-00000-of-00003::::::::::::::welcome: 1spark: 1::::::::::::::counts-00001-of-00003::::::::::::::hdfs: 2hadoop: 4mapreduce: 2::::::::::::::counts-00002-of-00003::::::::::::::hello: 1vs: 1[root@study-01 /usr/local/src/word-count-beam]#如果需要指定其他的runner则可以使用--runner参数进行指定，例如我要指定runner为Flink，则修改命令如下即可：
[root@study-01 /usr/local/src/word-count-beam]# mvn compile exec:java -Dexec.mainClass=org.apache.beam.examples.WordCount -Dexec.args="--runner=FlinkRunner --inputFile=/data/hello.txt --output=counts" -Pflink-runner删除之前生成的文件及目录，我们来使用Spark的方式进行运行。使用Spark的话，也只是修改--runner以及-Pspark参数即可：
[root@study-01 /usr/local/src/word-count-beam]# mvn compile exec:java -Dexec.mainClass=org.apache.beam.examples.WordCount -Dexec.args="--runner=SparkRunner --inputFile=/data/hello.txt --output=counts" -Pspark-runner运行成功后，也是会生成如下文件及目录：
[root@study-01 /usr/local/src/word-count-beam]# lscounts-00000-of-00003 counts-00001-of-00003 counts-00002-of-00003 pom.xml src target[root@study-01 /usr/local/src/word-count-beam]#查看处理结果：
[root@study-01 /usr/local/src/word-count-beam]# more counts*::::::::::::::counts-00000-of-00003::::::::::::::spark: 1::::::::::::::counts-00001-of-00003::::::::::::::welcome: 1hello: 1mapreduce: 2::::::::::::::counts-00002-of-00003::::::::::::::vs: 1hdfs: 2hadoop: 4[root@study-01 /usr/local/src/word-count-beam]#以上这两个示例只是想说明一点，同一份代码，可以运行在不同的计算引擎上。不需要为不同的引擎开发不同的代码，这就是Beam框架的最主要的设计目的之一。