Flink优化
1.使用flink tuples
tuples 是否比pojo性能好呢? 是的.
类继承自 Tuple
public class ProvinceEvent extends Tuple3<Long,String,String> {
// private Long timestamps;
// private String phonenum;
// private String province;
public ProvinceEvent( Long timestamps, String phonenum, String province) {
super(timestamps,phonenum,province);
this.f0 = timestamps;
this.f1 = phonenum;
this.f2 = province;
}
public Long getTimestamps(){
return this.f0;
}
public void setTimestamps(Long timestamps) {
this.f0 = timestamps;
}
public String getPhonenum() {
return this.f1;
}
public void setPhonenum(String phonenum) {
this.f1 = phonenum;
}
public String getProvince() {
return this.f2;
}
public void setProvince(String province) {
this.f2 = province;
}
}
2.复用Flink对象
错误示例:
stream
.apply(new WindowFunction<WikipediaEditEvent, Tuple2<String, Long>, String, TimeWindow>() {
@Override
public void apply(String userName, TimeWindow timeWindow, Iterable<WikipediaEditEvent> iterable, Collector<Tuple2<String, Long>> collector) throws Exception {
long changesCount = ...
// A new Tuple instance is created on every execution
collector.collect(new Tuple2<>(userName, changesCount));
}
}
可以看出，apply函数每执行一次，都会新建一个Tuple2类的实例，因此增加了对垃圾收集器的压力。解决这个问题的一种方法是反复使用相同的实例：
stream
.apply(new WindowFunction<WikipediaEditEvent, Tuple2<String, Long>, String, TimeWindow>() {
// Create an instance that we will reuse on every call
private Tuple2<String, Long> result = new Tuple<>();
@Override
public void apply(String userName, TimeWindow timeWindow, Iterable<WikipediaEditEvent> iterable, Collector<Tuple2<String, Long>> collector) throws Exception {
long changesCount = ...
// Set fields on an existing object instead of creating a new one
result.f0 = userName;
// Auto-boxing!! A new Long value may be created
result.f1 = changesCount;
// Reuse the same Tuple2 object
collector.collect(result);
}
}
这种做法更好一点。虽然每次调用时都新建一个Tuple2的实例，但是其实还间接创建了Long类的实例。为了解决这个问题，Flink有许多所谓的value class:IntValue、LongValue、StringValue、FloatValue等。下面介绍一下如何使用它们：
最优方案:
stream
.apply(new WindowFunction<WikipediaEditEvent, Tuple2<String, Long>, String, TimeWindow>() {
// 创建一个可变的计算实例
private LongValue count = new IntValue();
// 分配可变的元组
private Tuple2<String, LongValue> result = new Tuple<>("", count);
@Override
// 请注意,现在我们有不同的返回类型
public void apply(String userName, TimeWindow timeWindow, Iterable<WikipediaEditEvent> iterable, Collector<Tuple2<String, LongValue>> collector) throws Exception {
long changesCount = ...
// 设置现有对象上的字段，而不是创建一个新对象
result.f0 = userName;
// 设置现有对象上的字段，而不是创建一个新对象
count.setValue(changesCount);
// 重用相同的元组,同一个LongValue实例
// 每次发送出去的对象要一样
collector.collect(result);
}
}
3. 使用注解功能
4.Select Join Type
5 给算子添加uid
6window内数据倾斜
原理:
1.首先将key打散，我们加入将key转化为 key-随机数 ,保证数据散列
2.对打散后的数据进行聚合统计，这时我们会得到数据比如 : (key1-12,1),(key1-13,19),(key1-1,20),(key2-123,11),(key2-123,10)
3.将散列key还原成我们之前传入的key，这时我们的到数据是聚合统计后的结果，不是最初的原数据
4.二次keyby进行结果统计，输出到addSink
import org.apache.flink.api.common.functions.AggregateFunction
import org.apache.flink.api.common.state.{ValueState, ValueStateDescriptor}
import org.apache.flink.api.java.tuple.Tuple
import org.apache.flink.api.scala.typeutils.Types
import org.apache.flink.streaming.api.functions.KeyedProcessFunction
import org.apache.flink.streaming.api.functions.windowing.WindowFunction
import org.apache.flink.streaming.api.scala._
import org.apache.flink.streaming.api.windowing.time.Time
import org.apache.flink.streaming.api.windowing.windows.TimeWindow
import org.apache.flink.util.Collector
object ProcessFunctionScalaV2 {
def main(args: Array[String]): Unit = {
val env: StreamExecutionEnvironment = StreamExecutionEnvironment.getExecutionEnvironment
env.enableCheckpointing(2000)
val stream: DataStream[String] = env.socketTextStream("localhost", 9999)
val typeAndData: DataStream[(String, Long)] = stream.map(x => (x.split(",")(0), x.split(",")(1).toLong))
val dataStream: DataStream[(String, Long)] = typeAndData
.map(x => (x._1 + "-" + scala.util.Random.nextInt(100), x._2))
val keyByAgg: DataStream[DataJast] = dataStream.keyBy(_._1)
.timeWindow(Time.seconds(10))
.aggregate(new CountAggregate())
keyByAgg.print("第一次keyby输出")
val result: DataStream[DataJast] = keyByAgg.map(data => {
val newKey: String = data.key.substring(0, data.key.indexOf("-"))
println(newKey)
DataJast(newKey, data.count)
}).keyBy(_.key)
.process(new MyProcessFunction())
result.print("第二次keyby输出")
env.execute()
}
case class DataJast(key :String,count:Long)
//计算keyby后，每个Window中的数据总和
class CountAggregate extends AggregateFunction[(String, Long),DataJast, DataJast] {
override def createAccumulator(): DataJast = {
println("初始化")
DataJast(null,0)
}
override def add(value: (String, Long), accumulator: DataJast): DataJast = {
if(accumulator.key==null){
printf("第一次加载,key:%s,value:%d
",value._1,value._2)
DataJast(value._1,value._2)
}else{
printf("数据累加,key:%s,value:%d
",value._1,accumulator.count+value._2)
DataJast(value._1,accumulator.count + value._2)
}
}
override def getResult(accumulator: DataJast): DataJast = {
println("返回结果："+accumulator)
accumulator
}
override def merge(a: DataJast, b: DataJast): DataJast = {
DataJast(a.key,a.count+b.count)
}
}
/**
* 实现：
* 根据key分类，统计每个key进来的数据量，定期统计数量
*/
class MyProcessFunction extends KeyedProcessFunction[String,DataJast,DataJast]{
val delayTime : Long = 1000L * 30
lazy val valueState:ValueState[Long] = getRuntimeContext.getState[Long](new ValueStateDescriptor[Long]("ccount",classOf[Long]))
override def processElement(value: DataJast, ctx: KeyedProcessFunction[String, DataJast, DataJast]#Context, out: Collector[DataJast]): Unit = {
if(valueState.value()==0){
valueState.update(value.count)
printf("运行task:%s,第一次初始化数量:%s
",getRuntimeContext.getIndexOfThisSubtask,value.count)
val currentTime: Long = ctx.timerService().currentProcessingTime()
//注册定时器
ctx.timerService().registerProcessingTimeTimer(currentTime + delayTime)
}else{
valueState.update(valueState.value()+value.count)
printf("运行task:%s,更新统计结果:%s
" ,getRuntimeContext.getIndexOfThisSubtask,valueState.value())
}
}
override def onTimer(timestamp: Long, ctx: KeyedProcessFunction[String, DataJast, DataJast]#OnTimerContext, out: Collector[DataJast]): Unit = {
//定时器执行，可加入业务操作
printf("运行task:%s,触发定时器,30秒内数据一共,key:%s,value:%s
",getRuntimeContext.getIndexOfThisSubtask,ctx.getCurrentKey,valueState.value())
//定时统计完成，初始化统计数据
valueState.update(0)
//注册定时器
val currentTime: Long = ctx.timerService().currentProcessingTime()
ctx.timerService().registerProcessingTimeTimer(currentTime + delayTime)
}
}
}
7 算子优化
1.ReduceFunction，AggregateFunction
在每一个窗口中，增量的计算每一个到达的元素。
就是来一个数据，计算一个数据。
2. WindowFunction，ProcessWindowFunction
先把窗口的数据都缓存下来，然后再一起计算，数据在集合里面。（不够高效）
可以拿到窗口的开始，结束时间。
8 批处理的优化
-
语义注解
-
使用StringValue
读取文本文件内容，将文件内容转换成DataSet[StringValue]类型数据集。StringValue是一种可变的String类型，通过StringValue存储文本数据可以有效降低String对象创建数量，从而降低系统性能上的开销。
- 开启对象重用
env.getConfig().enableObjectReuse();
9去重的优化
使用bitmap