写过Spark批处理的应该都知道,有一个广播变量broadcast这样的一个算子,可以优化我们计算的过程,有效的提高效率;同样在Flink中也有broadcast,简单来说和Spark中的类似,但是有所区别,首先Spark中的broadcast是静态的数据,而Flink中的broadcast是动态的,也就是源源不断的数据流.在Flink中会将广播的数据存到state中.

  
在Flink中主流数据可以获取state中的所有状态数据,使用过window的应该都清楚,当两个streamData中的数据到达窗口的时间刚好错过时就会发生关联不上的情况,如window是2S,sreamData1到达窗口的时间刚好卡在这个2S窗口的尾端,而streamData到达窗口时,这个窗口已经结束了,这种情况就算这两条数据有相同id也无法进行关联了.
但是broadcast会将到达的数据都存储在state中,这样主流到达的每一条数据都可以和state中的广播流数据进行关联比较.

  
流程图内容可能不够准确,只是为了看起来方便理解.

数据源

# 主流数据
➜ ~ nc -lk 1234
101,浏览商品,2023-08-02
102,浏览商品,2023-08-02
103,查看商品价格,2023-08-04
101,商品加入购物车,2023-08-03
101,从购物车删除商品,2023-08-03
102,下单,2023-08-02
102,申请延期发货,2023-08-03
103,点击商品详情页,2023-08-04
104,点击收藏,2023-08-05
104,下单,2023-08-05
104,付款,2023-08-06
105,浏览商品,2023-08-07
106,浏览商品,2023-08-07
106,加入购物车,2023-08-08
107,浏览商品,2023-08-10

# 广播流数据
➜ ~ nc -lk 5678
101,小明
102,张丽
103,公孙飞天
104,王二虎
106,李四
108,赵屋面

import org.apache.flink.api.common.state.BroadcastState;
import org.apache.flink.api.common.state.MapStateDescriptor;
import org.apache.flink.api.common.state.ReadOnlyBroadcastState;
import org.apache.flink.api.common.typeinfo.TypeHint;
import org.apache.flink.api.common.typeinfo.TypeInformation;
import org.apache.flink.api.java.tuple.Tuple2;
import org.apache.flink.api.java.tuple.Tuple3;
import org.apache.flink.streaming.api.datastream.*;
import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;
import org.apache.flink.streaming.api.functions.co.BroadcastProcessFunction;
import org.apache.flink.util.Collector;

/**
 * @Author: J
 * @Version: 1.0
 * @CreateTime: 2023/8/11
 * @Description: 多流操作-广播流
 **/
public class FlinkBroadcast {
    public static void main(String[] args) throws Exception {
        // 构建流环境
        StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
        // 设置并行度
        env.setParallelism(3);
        // 数据集源1作为主流数据(用户行为日志[id,behavior,date])
        DataStreamSource<String> sourceStream1 = env.socketTextStream("localhost", 1234);
        // 将字符串切割处理
        SingleOutputStreamOperator<Tuple3<String, String, String>> mainSourceStream = sourceStream1.map(str -> Tuple3.of(str.split(",")[0], str.split(",")[1], str.split(",")[2])).returns(new TypeHint<Tuple3<String, String, String>>() {
        });
        // 数据源2作为广播流数据(用户信息(id,name))
        DataStreamSource<String> sourceStream2 = env.socketTextStream("localhost", 5678);
        // 将字符串切割处理
        SingleOutputStreamOperator<Tuple2<String, String>> mapStream2 = sourceStream2.map(str -> Tuple2.of(str.split(",")[0], str.split(",")[1])).returns(new TypeHint<Tuple2<String, String>>() {
        });
        // 将广播流数据源进行广播
        /**
         *参数说明
         * 这里需要我们传入一个MapStateDescriptor,其实就是一个Map结构的数据<k,v>
         * <String, Tuple2<String, String>>,第一个String类型就是广播流和主流连接的字段,在这个代码中就是id,由实际业务决定
         * <String, Tuple2<String, String>>,第二个Tuple2<String, String>就是实际广播数据流的数据,由实际业务决定
         * "userInfo"就是给一个名字,这个自定义无强制要求
         **/
        // 先构建一个状态,后面也会使用
        MapStateDescriptor<String, Tuple2<String, String>> userInfoState = new MapStateDescriptor<>("userInfo", TypeInformation.of(String.class), TypeInformation.of(new TypeHint<Tuple2<String, String>>() {
        }));
        BroadcastStream<Tuple2<String, String>> userInfoBroadStream = mapStream2.broadcast(userInfoState);

        // 将主流数据和广播流数据使用connect连接
        /**
         * 我们将数据转变成广播流之后,在Flink中也不知哪个数据流需要使用这个广播流(userInfoBroadStream),
         * 这个时候就需要我们自己将主流数据和该广播流数据进行连接
         **/
        BroadcastConnectedStream<Tuple3<String, String, String>, Tuple2<String, String>> connectedStream = mainSourceStream.connect(userInfoBroadStream);

        /**
         * 在process()中有两类函数供我们选择,KeyedBroadcastProcessFunction和BroadcastProcessFunction,
         * 这里要注意当"connectedStream"是KeyedStream时选择KeyedBroadcastProcessFunction
         * 当"connectedStream"不是KeyedStream时选择BroadcastProcessFunction就可以.
         * 使用keyBy算子返回的就是KeyedStream
         **/
        SingleOutputStreamOperator<String> resultStream = connectedStream.process(new BroadcastProcessFunction<Tuple3<String, String, String>, Tuple2<String, String>, String>() {

            // 这个方法写主流数据处理逻辑
            @Override
            public void processElement(Tuple3<String, String, String> value, BroadcastProcessFunction<Tuple3<String, String, String>, Tuple2<String, String>, String>.ReadOnlyContext ctx, Collector<String> out) throws Exception {
                /**
                 * 要注意,这里我们最好从ReadOnlyContext来获取广播状态数据,因为获取只读的状态数据可以保证数据的安全性,
                 * 如果是通过成员变量的方式获取可修改的状态数据,就会存在数据不安全的问题,如在代码逻辑中出现了对状态数据
                 * 修改的代码,那么共享此状态的并行算子可能看到的状态数据不一致,就会导致数据错误或者代码报错.
                 * 而使用ReadOnlyContext就可以保证processElement这个方法中我们只对状态数据进行读取.
                 **/
                ReadOnlyBroadcastState<String, Tuple2<String, String>> broadcastState = ctx.getBroadcastState(userInfoState);
                if (broadcastState != null) {
                    // 通过主流中的ID作为key获取广播变量中的用户信息
                    Tuple2<String, String> userInfo = broadcastState.get(value.f0);
                    // 输出数据的形式(id,behavior,date,name)
                    if (userInfo == null) {
                        out.collect(value.f0 + "," + value.f1 + "," + value.f2 + "," + "NULL");
                    } else {
                        out.collect(value.f0 + "," + value.f1 + "," + value.f2 + "," + userInfo.f1);
                    }
                } else {
                    out.collect(value.f0 + "," + value.f1 + "," + value.f2 + "," + "NULL");
                }

             }

            // 这个方法写广播流数据处理逻辑
            @Override
            public void processBroadcastElement(Tuple2<String, String> value, BroadcastProcessFunction<Tuple3<String, String, String>, Tuple2<String, String>, String>.Context ctx, Collector<String> out) throws Exception {
                // 使用Context获取状态
                BroadcastState<String, Tuple2<String, String>> broadcastState = ctx.getBroadcastState(userInfoState);

                // 将数据存入到状态中
                broadcastState.put(value.f0, value);
            }
        });
        // 打印结果
        resultStream.print();

        env.execute("Flink broadcast");
    }
}

3> 101,浏览商品,2023-08-02,小明
3> 101,商品加入购物车,2023-08-03,小明
3> 102,申请延期发货,2023-08-03,张丽
3> 104,下单,2023-08-05,王二虎
3> 106,浏览商品,2023-08-07,李四
1> 102,浏览商品,2023-08-02,张丽
1> 101,从购物车删除商品,2023-08-03,小明
1> 103,点击商品详情页,2023-08-04,公孙飞天
1> 104,付款,2023-08-06,王二虎
1> 106,加入购物车,2023-08-08,李四
2> 103,查看商品价格,2023-08-04,公孙飞天
2> 102,下单,2023-08-02,张丽
2> 104,点击收藏,2023-08-05,王二虎
2> 105,浏览商品,2023-08-07,NULL
2> 107,浏览商品,2023-08-10,NULL

免责申明：

本文系转载，版权归原作者所有，如若侵权请联系我们进行删除！

《数据治理行业实践白皮书》下载地址：https://fs80.cn/4w2atu

《数栈V6.0产品白皮书》下载地址：https://fs80.cn/cw0iw1

想了解或咨询更多有关袋鼠云大数据产品、行业解决方案、客户案例的朋友，浏览袋鼠云官网：https://www.dtstack.com/?src=bbs

同时，欢迎对大数据开源项目有兴趣的同学加入「袋鼠云开源框架钉钉技术群」，交流最新开源技术信息，群号码：30537511，项目地址：https://github.com/DTStack