如何在Apache Flink中加入两个流？

Question

我正在开始使用flink，并查看其中的官方教程之一。

据我了解，此练习的目标是将两个时间流加入time属性。

任务：

该练习的结果是Tuple2记录的数据流，每个不同的rideId一个。您应该忽略END事件，而仅将每次乘车的START事件及其相应的票价数据加入。

生成的流应打印为标准输出。

问题： EnrichmentFunction如何又可以加入两个流。它怎么知道参加哪个游乐项目的公平？我希望它可以缓冲多个博览会/竞赛，直到传入的博览会/竞赛有一个匹配的伙伴。

以我的理解，它只是保存了它看到的每一次乘车/展览，并将其与下一个最佳乘车/展览结合在一起。为什么这是适当的联接？

提供的解决方案：

/*
 * Copyright 2017 data Artisans GmbH
 *
 * Licensed under the Apache License, Version 2.0 (the "License");
 * you may not use this file except in compliance with the License.
 * You may obtain a copy of the License at
 *
 *  http://www.apache.org/licenses/LICENSE-2.0
 *
 * Unless required by applicable law or agreed to in writing, software
 * distributed under the License is distributed on an "AS IS" BASIS,
 * WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.
 * See the License for the specific language governing permissions and
 * limitations under the License.
 */

package com.dataartisans.flinktraining.solutions.datastream_java.state;

import com.dataartisans.flinktraining.exercises.datastream_java.datatypes.TaxiFare;
import com.dataartisans.flinktraining.exercises.datastream_java.datatypes.TaxiRide;
import com.dataartisans.flinktraining.exercises.datastream_java.sources.TaxiFareSource;
import com.dataartisans.flinktraining.exercises.datastream_java.sources.TaxiRideSource;
import com.dataartisans.flinktraining.exercises.datastream_java.utils.ExerciseBase;
import org.apache.flink.api.common.state.ValueState;
import org.apache.flink.api.common.state.ValueStateDescriptor;
import org.apache.flink.api.java.tuple.Tuple2;
import org.apache.flink.api.java.utils.ParameterTool;
import org.apache.flink.configuration.Configuration;
import org.apache.flink.streaming.api.TimeCharacteristic;
import org.apache.flink.streaming.api.datastream.DataStream;
import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;
import org.apache.flink.streaming.api.functions.co.RichCoFlatMapFunction;
import org.apache.flink.util.Collector;

/**
 * Java reference implementation for the "Stateful Enrichment" exercise of the Flink training
 * (http://training.data-artisans.com).
 *
 * The goal for this exercise is to enrich TaxiRides with fare information.
 *
 * Parameters:
 * -rides path-to-input-file
 * -fares path-to-input-file
 *
 */
public class RidesAndFaresSolution extends ExerciseBase {
    public static void main(String[] args) throws Exception {

        ParameterTool params = ParameterTool.fromArgs(args);
        final String ridesFile = params.get("rides", pathToRideData);
        final String faresFile = params.get("fares", pathToFareData);

        final int delay = 60;                   // at most 60 seconds of delay
        final int servingSpeedFactor = 1800;    // 30 minutes worth of events are served every second

        // set up streaming execution environment
        StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
        env.setStreamTimeCharacteristic(TimeCharacteristic.EventTime);
        env.setParallelism(ExerciseBase.parallelism);

        DataStream<TaxiRide> rides = env
                .addSource(rideSourceOrTest(new TaxiRideSource(ridesFile, delay, servingSpeedFactor)))
                .filter((TaxiRide ride) -> ride.isStart)
                .keyBy("rideId");

        DataStream<TaxiFare> fares = env
                .addSource(fareSourceOrTest(new TaxiFareSource(faresFile, delay, servingSpeedFactor)))
                .keyBy("rideId");

        DataStream<Tuple2<TaxiRide, TaxiFare>> enrichedRides = rides
                .connect(fares)
                .flatMap(new EnrichmentFunction());

        printOrTest(enrichedRides);

        env.execute("Join Rides with Fares (java RichCoFlatMap)");
    }

    public static class EnrichmentFunction extends RichCoFlatMapFunction<TaxiRide, TaxiFare, Tuple2<TaxiRide, TaxiFare>> {
        // keyed, managed state
        private ValueState<TaxiRide> rideState;
        private ValueState<TaxiFare> fareState;

        @Override
        public void open(Configuration config) {
            rideState = getRuntimeContext().getState(new ValueStateDescriptor<>("saved ride", TaxiRide.class));
            fareState = getRuntimeContext().getState(new ValueStateDescriptor<>("saved fare", TaxiFare.class));
        }

        @Override
        public void flatMap1(TaxiRide ride, Collector<Tuple2<TaxiRide, TaxiFare>> out) throws Exception {
            TaxiFare fare = fareState.value();
            if (fare != null) {
                fareState.clear();
                out.collect(new Tuple2(ride, fare));
            } else {
                rideState.update(ride);
            }
        }

        @Override
        public void flatMap2(TaxiFare fare, Collector<Tuple2<TaxiRide, TaxiFare>> out) throws Exception {
            TaxiRide ride = rideState.value();
            if (ride != null) {
                rideState.clear();
                out.collect(new Tuple2(ride, fare));
            } else {
                fareState.update(fare);
            }
        }
    }
}

Answer 1

在此特定的训练练习中，每个rideId值都有三个事件-TaxiRide开始事件，TaxiRide结束事件和TaxiFare。本练习的目的是将每个TaxiRide启动事件与具有相同rideId的一个TaxiFare事件相关联-换句话说，在rideId上加入乘车流和票价流，同时知道每个将只有一个。

此练习演示了键控状态在Flink中的工作方式。键控状态实际上是分片键值存储。当我们有项（ValueState例如）时ValueState<TaxiRide> rideState，Flink将在其状态后端为密钥的每个不同值（rideId）存储一个单独的记录。

每次flatMap1和flatMap2被称为有一个键（一rideId）隐含的背景下，当我们调用rideState.update(ride)或者rideState.value()我们是不是访问一个变量，而是设置和获取的key-value存储的条目，使用rideId的关键。

在此练习中，两个流都由来作为键rideId，因此每个不重复的可能有一个元素rideState和一个元素。因此，提供的解决方案是缓冲大量的乘车和票价，但每个乘车和票价都只有一个（考虑到该数据集中的乘车和票价是完全配对的，这就足够了）。fareStaterideIdrideId

因此，您问：

EnrichmentFunction如何又可以将两个流加入。它如何知道哪种票价与哪种游乐设施并驾齐驱？

答案是

它与票价相同rideId。

您所询问的这个特殊练习显示了如何实现简单的扩充连接，以了解键控状态和连接流的思想。但是使用Flink当然可以进行更复杂的连接。请参阅有关加入的文档，加入与弗林克的表API，与弗林克SQL连接，以及基于时间的富集锻炼加入了更多的信息。