最佳实践
此页面包含Flink程序员关于如何解决经常遇到的问题的最佳实践的集合。
解析命令行参数并在Flink应用程序中传递它们
几乎所有Flink应用程序(批处理和流式处理)都依赖于外部配置参数。它们用于指定输入和输出源(如路径或地址),系统参数(并行性,运行时配置)和特定于应用程序的参数(通常在用户函数中使用)。
Flink提供了一个简单的实用程序,ParameterTool
用于提供一些解决这些问题的基本工具。请注意,您不必使用ParameterTool
此处描述的内容。其他框架(如Commons CLI和 argparse4j)也适用于Flink。
获取配置值 ParameterTool
它ParameterTool
提供了一组用于读取配置的预定义静态方法。该工具在内部期望a Map<String, String>
,因此很容易将其与您自己的配置风格集成。
来自.properties
文件
以下方法将读取属性文件并提供键/值对:
String propertiesFilePath = "/home/sam/flink/myjob.properties";
ParameterTool parameter = ParameterTool.fromPropertiesFile(propertiesFilePath);
File propertiesFile = new File(propertiesFilePath);
ParameterTool parameter = ParameterTool.fromPropertiesFile(propertiesFile);
InputStream propertiesFileInputStream = new FileInputStream(file);
ParameterTool parameter = ParameterTool.fromPropertiesFile(propertiesFileInputStream);
从命令行参数
这允许--input hdfs:///mydata --elements 42
从命令行获取参数。
public static void main(String[] args) {
ParameterTool parameter = ParameterTool.fromArgs(args);
// .. regular code ..
来自系统属性
启动JVM时,您可以将系统属性传递给它:-Dinput=hdfs:///mydata
。您还可以ParameterTool
从这些系统属性初始化:
ParameterTool parameter = ParameterTool.fromSystemProperties();
使用Flink程序中的参数
现在我们已经从某个地方获得了参数(见上文),我们可以通过各种方式使用它们。
直接来自 ParameterTool
它ParameterTool
本身有访问值的方法。
ParameterTool parameters = // ...
parameter.getRequired("input");
parameter.get("output", "myDefaultValue");
parameter.getLong("expectedCount", -1L);
parameter.getNumberOfParameters()
// .. there are more methods available.
您可以直接在main()
提交应用程序的客户端的方法中使用这些方法的返回值。例如,您可以设置 算子的并行度,如下所示:
ParameterTool parameters = ParameterTool.fromArgs(args);
int parallelism = parameters.get("mapParallelism", 2);
DataSet<Tuple2<String, Integer>> counts = text.flatMap(new Tokenizer()).setParallelism(parallelism);
由于ParameterTool
可序列化,您可以将其传递给函数本身:
ParameterTool parameters = ParameterTool.fromArgs(args);
DataSet<Tuple2<String, Integer>> counts = text.flatMap(new Tokenizer(parameters));
然后在函数内部使用它从命令行获取值。
全局注册参数
注册为全局作业参数的参数ExecutionConfig
可以作为JobManager Web界面中的配置值以及用户定义的所有函数进行访问。
全局注册参数:
ParameterTool parameters = ParameterTool.fromArgs(args);
// set up the execution environment
final ExecutionEnvironment env = ExecutionEnvironment.getExecutionEnvironment();
env.getConfig().setGlobalJobParameters(parameters);
在任何丰富的用户函数中访问它们:
public static final class Tokenizer extends RichFlatMapFunction<String, Tuple2<String, Integer>> {
@Override
public void flatMap(String value, Collector<Tuple2<String, Integer>> out) {
ParameterTool parameters = (ParameterTool)
getRuntimeContext().getExecutionConfig().getGlobalJobParameters();
parameters.getRequired("input");
// .. do more ..
命名大型TupleX类型
建议使用POJO(普通旧Java对象),而不是TupleX
使用包含许多字段的数据类型。此外,POJO可用于为大型Tuple
公式命名。
例
而不是使用:
Tuple11<String, String, ..., String> var = new ...;
创建从大型元组类型扩展的自定义类型要容易得多。
CustomType var = new ...;
public static class CustomType extends Tuple11<String, String, ..., String> {
// constructor matching super
}
使用Logback而不是Log4j
注意:本教程适用于从Flink 0.10开始
Apache Flink使用slf4j作为代码中的日志记录抽象。建议用户在其用户函数中使用sfl4j。
Sfl4j是一个编译时日志记录接口,可以在运行时使用不同的日志记录实现,例如log4j或Logback。
Flink默认依赖于Log4j。本页介绍如何使用Flink和Logback。用户报告说他们也可以使用本教程使用Graylog设置集中式日志记录。
要在代码中获取记录器实例,请使用以下代码:
import org.slf4j.Logger;
import org.slf4j.LoggerFactory;
public class MyClass implements MapFunction {
private static final Logger LOG = LoggerFactory.getLogger(MyClass.class);
// ...
从IDE / Java应用程序运行Flink时使用Logback
在所有情况下,类都是由依赖管理器(如Maven)创建的类路径执行的,Flink会将log4j拉入类路径。
因此,您需要从Flink的依赖项中排除log4j。以下描述将假设从Flink快速入门创建的Maven项目。
pom.xml
像这样更改项目文件:
<dependencies>
<!-- Add the two required logback dependencies -->
<dependency>
<groupId>ch.qos.logback</groupId>
<artifactId>logback-core</artifactId>
<version>1.1.3</version>
</dependency>
<dependency>
<groupId>ch.qos.logback</groupId>
<artifactId>logback-classic</artifactId>
<version>1.1.3</version>
</dependency>
<!-- Add the log4j -> sfl4j (-> logback) bridge into the classpath
Hadoop is logging to log4j! -->
<dependency>
<groupId>org.slf4j</groupId>
<artifactId>log4j-over-slf4j</artifactId>
<version>1.7.7</version>
</dependency>
<dependency>
<groupId>org.apache.flink</groupId>
<artifactId>flink-java</artifactId>
<version>1.7-SNAPSHOT</version>
<exclusions>
<exclusion>
<groupId>log4j</groupId>
<artifactId>*</artifactId>
</exclusion>
<exclusion>
<groupId>org.slf4j</groupId>
<artifactId>slf4j-log4j12</artifactId>
</exclusion>
</exclusions>
</dependency>
<dependency>
<groupId>org.apache.flink</groupId>
<artifactId>flink-streaming-java_2.11</artifactId>
<version>1.7-SNAPSHOT</version>
<exclusions>
<exclusion>
<groupId>log4j</groupId>
<artifactId>*</artifactId>
</exclusion>
<exclusion>
<groupId>org.slf4j</groupId>
<artifactId>slf4j-log4j12</artifactId>
</exclusion>
</exclusions>
</dependency>
<dependency>
<groupId>org.apache.flink</groupId>
<artifactId>flink-clients_2.11</artifactId>
<version>1.7-SNAPSHOT</version>
<exclusions>
<exclusion>
<groupId>log4j</groupId>
<artifactId>*</artifactId>
</exclusion>
<exclusion>
<groupId>org.slf4j</groupId>
<artifactId>slf4j-log4j12</artifactId>
</exclusion>
</exclusions>
</dependency>
</dependencies>
该<dependencies>
部分进行了以下更改:
log4j
从所有Flink依赖项中排除所有依赖项:这会导致Maven忽略Flink对log4j的传递依赖项。slf4j-log4j12
从Flink的依赖项中排除工件:由于我们将使用slf4j进行logback绑定,因此我们必须将slf4j删除为log4j绑定。- 添加Logback依赖项:
logback-core
和logback-classic
- 添加依赖项
log4j-over-slf4j
。log4j-over-slf4j
是一种工具,允许直接使用Log4j API的遗留应用程序使用Slf4j接口。Flink依赖于Hadoop,它直接使用Log4j进行日志记录。因此,我们需要将所有记录器调用从Log4j重定向到Slf4j,后者又记录到Logback。
请注意,您需要手动将排除项添加到要添加到pom文件的所有新Flink依赖项中。
您可能还需要检查其他(非Flink)依赖项是否正在引入log4j绑定。您可以使用分析项目的依赖关系mvn dependency:tree
。
在群集上运行Flink时使用Logback
本教程适用于在YARN上运行Flink或作为独立群集。
要使用Logback而不是使用Flink的Log4j,您需要从目录中删除log4j-1.2.xx.jar
和。sfl4j-log4j12-xxx.jar``lib/
接下来,您需要将以下jar文件放入该lib/
文件夹:
logback-classic.jar
logback-core.jar
log4j-over-slf4j.jar
:此桥接器需要存在于类路径中,以便将日志记录调用从Hadoop(使用Log4j)重定向到Slf4j。
请注意,lib/
在使用每个作业的YARN群集时,需要显式设置目录。
使用自定义记录器在YARN上提交Flink的命令是: ./bin/flink run -yt $FLINK_HOME/lib <... remaining arguments ...>