Apache Flink DataStream API没有映射分区转换

Question

Spark DStream有mapPartition API，而Flink DataStream API没有。是否有人可以帮助解释原因。我想做的是在Flink上实现一个类似于Spark的API。

Answer 1

假设您的输入流是单分区数据（例如String）

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流媒体是纯流媒体（不是批量流媒体）。看看迭代API。

Answer 2

Flink的流式处理模型与以小批量为中心的Spark Streaming有很大不同。在Spark Streaming中，每个小批量都像一个常规的批处理程序一样在有限的数据集上执行，而Flink DataStream程序则持续处理记录。

在Flink的DataSet API中，MapPartitionFunction有两个参数。用于输入的迭代器和用于函数结果的收集器。Flink DataStream程序中的MapPartitionFunction永远不会从第一个函数调用中返回，因为迭代器将遍历无穷无尽的记录流。然而，Flink的内部流处理模型要求用户函数返回以检查函数状态。因此，DataStream API不提供映射分区转换。

为了实现类似于Spark Streaming的reduceByKey的功能，您需要在流上定义一个键控窗口。Windows将流离散化，这在某种程度上类似于小批量，但Windows提供了更大的灵活性。由于窗口大小有限，因此可以调用reduce窗口。

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文档显示了如何定义各种窗口类型，并解释了所有可用的函数。

注意：DataStream API最近进行了修改。该示例假定最新版本（0.10-SNAPSHOT），该版本将在未来几天内发布为0.10.0。