java - Apache 弗林克 : Process data in order with mapPartition

Question

我正在尝试一个简单的 Flink 程序，它只需要一个文件，反转文件中的字符串并将其写出来。

程序可以运行，只是个别行出现了问题。

例如

文件输入

Thing,Name
Person,Vineet
Fish,Karp
Dog,Fido

输出文件

Fish,praK
Thing,emaN
Person,teeniV
Dog,odiF

我期待的是:

Thing,emaN
Person,teeniV
Fish,praK
Dog,odiF

下面是我为实现此目的而编写的程序:

package testflink;

import java.util.Iterator;
import java.util.StringJoiner;

import org.apache.flink.api.java.ExecutionEnvironment;
import org.apache.flink.api.java.operators.DataSource;
import org.apache.flink.core.fs.FileSystem.WriteMode;
import org.apache.flink.util.Collector;

public class BatchJob {

    public static void main(String[] args) throws Exception {
        final ExecutionEnvironment env = ExecutionEnvironment.getExecutionEnvironment();
        System.err.println(env.getParallelism());
        DataSource<String> file = env.readTextFile("./data.csv");
        file.mapPartition((Iterable<String> values, Collector<String> out) -> {
            System.err.println("************* " + out.hashCode() + " Begin");
            Iterator<String> iterator = values.iterator();
            while (iterator.hasNext()) {
                String tuple = iterator.next();
                System.err.println("************* " + out.hashCode() + tuple);
                String[] split = tuple.split(",");
                String tuple1Rev = new StringBuilder(split[1]).reverse().toString();
                out.collect(new StringJoiner(",").add(split[0]).add(tuple1Rev).toString());
            }
            System.err.println("************* " + out.hashCode() + " End");
        }).returns(String.class).writeAsText("./dataO.csv", WriteMode.OVERWRITE).setParallelism(1);
        env.execute("Flink Batch Java API Skeleton");
        System.out.println("Done");
    }
}

• 是否可以保持输入顺序？有什么好的解决办法吗？
• 我知道我正在读取 csv 并在存在 readAsCsv() 时分割字符串方法可用。问题是 csv 每行/元组可以有动态数量的列。我无法弄清楚如何将其转换为每个元组具有动态列数的数据源。 MapPartition 需要定义的类型 - 我如何替换 Tuple0 -Tuple25在运行时？
• 最后一个问题 - 我能否限制分区在 Iterable<String> values 中不采用超过 n 个值？参数？

提前致谢! :)

Answer 1

Flink 的 mapPartition 维护每个并行分区内记录的顺序。但是，您的用例中的问题是如何将数据分发到 MapPartition 运算符的并行任务。

您正在使用TextInputFormat，它将输入文件划分为多个输入分割，这些分割由数据源运算符的并行实例独立处理。每个数据源实例在本地将其所有记录转发到后续的 MapPartition 运算符，并将其结果记录转发到接收器。管道如下所示:

source_1 -> mapPartition_1 -> sink_1
source_2 -> mapPartition_2 -> sink_2
source_3 -> mapPartition_3 -> sink_3
...

因此从源头开始，所有记录都是按顺序处理的。但是，由于输入 split 是随机分配给源任务的，并且接收器独立运行(无协调)，因此输出仅是部分排序的(从同一 split 读取的记录是有序的)。

将源的并行度设置为 1 不会有帮助，因为它将以循环方式将其结果记录发送到后续任务，以利用后续运​​算符的并行度。此外，将整个作业的并行度设置为 1 也没有帮助，因为拆分仍然可以由单个源任务以随机顺序处理。我知道的唯一解决方案是对每个输入记录进行编号和 sorting on that number (with range partitioning for parallel processing)在写结果之前。