Flink消费Rabbit数据，写入HDFS - 使用 BucketingSink

一、应用场景：

Flink 消费 Kafka 数据进行实时处理，并将结果写入 HDFS。

二、Bucketing File Sink

由于流数据本身是无界的，所以，流数据将数据写入到分桶（bucket）中。默认使用基于系统时间(yyyy-MM-dd--HH，0时区)的分桶策略。在分桶中，又根据滚动策略，将输出拆分为 part 文件。

1、Flink 提供了两个分桶策略，分桶策略实现了 

org.apache.flink.streaming.connectors.fs.bucketing.Bucketer 接口：

• BasePathBucketer，不分桶，所有文件写到根目录；
• DateTimeBucketer，基于系统时间(yyyy-MM-dd--HH)分桶。

除此之外，还可以实现Bucketer接口，自定义分桶策略。

2、Flink 提供了两种writer方式，它们实现了 

org.apache.flink.streaming.connectors.fs.Writer 接口：

• StringWriter 是系统默认的写入方式，调用toString()方法，同时换行写入；

• SequenceFileWriter 是Hadoop序列文件写入方式，可配置压缩。

除此之外，还可以实现Writer接口，自定义Writer方式。

具体说明见Flink官网

三、编码。

1、pom添加依赖。

<dependency>
    <groupId>org.apache.flink</groupId>
    <artifactId>flink-connector-filesystem_${scala.binary.version}</artifactId>
    <version>${flink.version}</version>
</dependency>
<dependency>
    <groupId>org.apache.flink</groupId>
    <artifactId>flink-connector-kafka_${scala.binary.version}</artifactId>
    <version>${flink.version}</version>
</dependency>

 2、添加Source。

// 源数据
val kafkaProps = new Properties()
kafkaProps.setProperty(ConsumerConfig.BOOTSTRAP_SERVERS_CONFIG, Constant.DATA_KAFKA_BROKER)
kafkaProps.setProperty(ConsumerConfig.AUTO_OFFSET_RESET_CONFIG, "latest")
kafkaProps.setProperty(ConsumerConfig.GROUP_ID_CONFIG, "user-login-info")
val consumer010 = new FlinkKafkaConsumer010[String](Constant.DATA_KAFKA_TOPIC, new SimpleStringSchema(), kafkaProps)
val transaction = env.addSource(consumer010)

val sourceStream = transaction.map(s => MemberLogInfo.buildMemberLogInfo(s))
  .uid("source-map")
  .filter(s => s != null)
  .uid("source-filter")

3、添加Sink。

val sink = new BucketingSink[MemberLogInfo](Constant.HDFS_SAVE_PATH_LOGIN)
  .setBucketer(new MemberBucket()) // 自定义桶名称
  .setWriter(new MemberWriter()) // 自定义输出
  .setBatchSize(120*1024*1024) // 设置每个文件的最大大小 ,默认是384M。这里设置为120M
  .setBatchRolloverInterval(Long.MaxValue) // 滚动写入新文件的时间，默认无限大
  .setInactiveBucketCheckInterval(60*1000) // 1分钟检查一次不写入的文件
  .setInactiveBucketThreshold(5*60*1000) // 5min不写入，就滚动写入新的文件
  .setPartSuffix(".log") // 文件后缀

loginStream.addSink(sink)

4、自定义分桶名称

public class MemberBucket implements Bucketer<MemberLogInfo> {
    private static final long serialVersionUID = 10000L;

    @Override
    public Path getBucketPath(Clock clock, Path path, MemberLogInfo memberLogInfo) {
        String day = DateUtil.format(new Date(memberLogInfo.getTimestamp()), "yyyy-MM-dd");
        return new Path(path + "/" + day);
    }
}

5、自定义writer写入

@Override
public void write(MemberLogInfo element) throws IOException {
    // 输出字符串内容
    String content = element.getIggid() + "\t" + element.getType() + "\t" + element.getGameId() + "\t" +
            element.getUrlDeviceName() + "\t" + element.getDeviceId() + "\t" + element.getTimestamp() + "\t" +
            element.getSourceIp() + "\t" + element.getEventType();
    byte[] s = content.getBytes(charsetName);
    FSDataOutputStream outputStream = this.getStream();
    outputStream.write(s);
    outputStream.write(10); // 换行符
}

四、总结。

截止目前，Flink 的 Bucketing File Sink 仍存在不少问题，如：

• 不支持写入到 Hive。
• 写入HDFS时，会产生大量的小文件。
• 当程序突然停止时，文件仍处于inprogress状态。
• 默认桶下的文件名是 part-{parallel-task}-{count}。当程序重启时，从上次编号值加1继续开始。前提是程序是正常停止
• 除了使用BucketingSink外，还可以使用StreamingFileSink，见 这里。
• BucketingSink API 参见 这里。
• 间隔检查时间， 是以运行时间开始算的。如10:00:10运行程序，inactiveBucketThreshold=300s，inactiveBucketCheckInterval=60s，最后一次写入时间是10:05:30。则在10:11:10时，将inprocess文件转为正式文件。

如果有写的不对的地方，欢迎大家指正。有什么疑问，欢迎加QQ群：176098255

【一起学习】