Java ApacheFlink：使用mapPartition按顺序处理数据

我正在尝试一个简单的Flink程序，它只需要获取一个文件，反转文件中的字符串并写出它

程序运行时，只有各行出现故障

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

我期待着：

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

下面是我为实现这一目标而编写的程序：

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");
    }
}

包testflink；
导入java.util.Iterator；
导入java.util.StringJoiner；
导入org.apache.flink.api.java.ExecutionEnvironment；
导入org.apache.flink.api.java.operators.DataSource；
导入org.apache.flink.core.fs.FileSystem.WriteMode；
导入org.apache.flink.util.Collector；
公共类批处理作业{
公共静态void main（字符串[]args）引发异常{
final ExecutionEnvironment env=ExecutionEnvironment.getExecutionEnvironment（）；
System.err.println（env.getParallelism（））；
数据源文件=env.readTextFile（“./data.csv”）；
file.mapPartition（（Iterable值，收集器输出）->{
System.err.println（“**********”+out.hashCode（）+“Begin”）；
迭代器迭代器=值。迭代器（）；
while（iterator.hasNext（））{
字符串元组=迭代器.next（）；
System.err.println（“***********”+out.hashCode（）+元组）；
String[]split=tuple.split（“，”）；
字符串tuple1Rev=新的StringBuilder（拆分[1]）.reverse（）.toString（）；
out.collect（新StringJoiner（“，”）.add（split[0]）.add（tuple1Rev.toString（））；
}
System.err.println（“**********”+out.hashCode（）+“End”）；
}).returns（String.class）.writesText（“./dataO.csv”，WriteMode.OVERWRITE）.setParallelism（1）；
execute（“Flink批处理Java API框架”）；
系统输出打印项次（“完成”）；
}
}

• 是否可以维护输入顺序？附近有什么好工作吗
• 我知道当有可用的

  readAsCsv（）

  方法时，我正在读取csv&拆分字符串。问题是csv每行/元组可以有一个动态的COMLUMN数。我无法理解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-如何在运行时替换

  Tuple0

  -

  Tuple25

• 还有最后一个问题-我可以限制分区在

  Iterable values

  参数中的值不超过n吗

---

提前感谢！：）

Flink的

mapPartition

维护每个并行分区中记录的顺序。但是，用例中的问题是如何将数据分配给MapPartition操作符的并行任务

您使用的是一个

TextInputFormat

，它将输入文件划分为多个输入拆分，这些拆分由数据源操作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给后续的MapPartition操作符，这会将其结果记录转发给接收器。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，从源代码开始，所有记录都按顺序处理。但是，由于输入拆分是随机分配给源任务的，而接收器是独立运行的（没有协调），因此输出只是部分排序（从同一拆分读取的记录是有序的）

---

将源的并行度设置为1没有帮助，因为它将以循环方式将其结果记录发送给后续任务，以利用后续操作符的并行度。另外，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在写入结果之前对每个输入记录进行编号。

Flink的

mapPartition

维护每个并行分区中记录的顺序。但是，用例中的问题是如何将数据分配给MapPartition操作符的并行任务

您使用的是一个

TextInputFormat

，它将输入文件划分为多个输入拆分，这些拆分由数据源操作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给后续的MapPartition操作符，这会将其结果记录转发给接收器。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，从源代码开始，所有记录都按顺序处理。但是，由于输入拆分是随机分配给源任务的，而接收器是独立运行的（没有协调），因此输出只是部分排序（从同一拆分读取的记录是有序的）

---

将源的并行度设置为1没有帮助，因为它将以循环方式将其结果记录发送给后续任务，以利用后续操作符的并行度。另外，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在写入结果之前对每个输入记录进行编号。

除此之外？：）除此之外？：）我现在有了一个csv，在上面我进行了排序。第一列是行号。它按字典分类。如何使其成为正确的数字排序？将该行拆分为一个

Tuple2

，其中行号为整数，其余行为字符串。然后你可以在整型字段上排序。我现在有一个csv，我在上面排序。第一列是行号。它按字典分类。如何使其成为正确的数字排序？将该行拆分为一个

Tuple2

，其中行号为整数，其余行为字符串。然后可以在整数字段上排序。