4.Flink實時專案之資料拆分

選手一號位發表於2022-02-14

1. 摘要

我們前面採集的日誌資料已經儲存到 Kafka 中，作為日誌資料的 ODS 層，從 kafka 的ODS 層讀取的日誌資料分為 3 類, 頁面日誌、啟動日誌和曝光日誌。這三類資料雖然都是使用者行為資料，但是有著完全不一樣的資料結構，所以要拆分處理。將拆分後的不同的日誌寫回 Kafka 不同主題中，作為日誌 DWD 層。

頁面日誌輸出到主流，啟動日誌輸出到啟動側輸出流，曝光日誌輸出到曝光側輸出流

2. 識別新老使用者

本身客戶端業務有新老使用者的標識，但是不夠準確，需要用實時計算再次確認(不涉及業務操作，只是單純的做個狀態確認)。

利用側輸出流實現資料拆分

根據日誌資料內容,將日誌資料分為 3 類：頁面日誌、啟動日誌和曝光日誌。將不同流的資料推送下游的 kafka 的不同 Topic 中

3. 程式碼實現

在包app下建立flink任務BaseLogTask.java，

通過flink消費kafka 的資料，然後記錄消費的checkpoint存到hdfs中，記得要手動建立路徑，然後給許可權

checkpoint可選擇性使用，測試時可以關掉。

package com.zhangbao.gmall.realtime.app;
import com.alibaba.fastjson.JSONObject;
import com.zhangbao.gmall.realtime.utils.MyKafkaUtil;
import org.apache.flink.api.common.functions.MapFunction;
import org.apache.flink.runtime.state.filesystem.FsStateBackend;
import org.apache.flink.streaming.api.CheckpointingMode;
import org.apache.flink.streaming.api.datastream.DataStreamSource;
import org.apache.flink.streaming.api.datastream.SingleOutputStreamOperator;
import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;
import org.apache.flink.streaming.connectors.kafka.FlinkKafkaConsumer;
/**
 * @author: zhangbao
 * @date: 2021/6/18 23:29
 * @desc:
 **/
public class BaseLogTask {
    public static void main(String[] args) {
        StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
        //設定並行度，即kafka分割槽數
        env.setParallelism(4);
        //新增checkpoint，每5秒執行一次
        env.enableCheckpointing(5000, CheckpointingMode.EXACTLY_ONCE);
        env.getCheckpointConfig().setCheckpointTimeout(60000);
        env.setStateBackend(new FsStateBackend("hdfs://hadoop101:9000/gmall/flink/checkpoint/baseLogAll"));
        //指定哪個使用者讀取hdfs檔案
        System.setProperty("HADOOP_USER_NAME","zhangbao");
        //新增資料來源
        String topic = "ods_base_log";
        String group = "base_log_app_group";
        FlinkKafkaConsumer<String> kafkaSource = MyKafkaUtil.getKafkaSource(topic, group);
        DataStreamSource<String> kafkaDs = env.addSource(kafkaSource);
        //對格式進行轉換
        SingleOutputStreamOperator<JSONObject> jsonDs = kafkaDs.map(new MapFunction<String, JSONObject>() {
            @Override
            public JSONObject map(String s) throws Exception {
                return JSONObject.parseObject(s);
            }
        });
        jsonDs.print("json >>> --- ");

        try {
            //執行
            env.execute();
        } catch (Exception e) {
            e.printStackTrace();
        }

    }
}

MyKafkaUtil.java工具類

package com.zhangbao.gmall.realtime.utils;
import org.apache.flink.api.common.serialization.SimpleStringSchema;
import org.apache.flink.streaming.connectors.kafka.FlinkKafkaConsumer;
import org.apache.kafka.clients.consumer.ConsumerConfig;
import java.util.Properties;
/**
 * @author: zhangbao
 * @date: 2021/6/18 23:41
 * @desc:
 **/
public class MyKafkaUtil {
    private static String kafka_host = "hadoop101:9092,hadoop102:9092,hadoop103:9092";
    /**
     * kafka消費者
     */
    public static FlinkKafkaConsumer<String> getKafkaSource(String topic,String group){
        Properties props = new Properties();
        props.setProperty(ConsumerConfig.GROUP_ID_CONFIG,group);
        props.setProperty(ConsumerConfig.BOOTSTRAP_SERVERS_CONFIG,kafka_host);
        return new FlinkKafkaConsumer<String>(topic, new SimpleStringSchema(),props);
    }
}

4. 新老訪客狀態修復

識別新老客戶規則

識別新老訪客，前端會對新老客狀態進行記錄，可能不準，這裡再次確認，儲存mid某天狀態情況（將首次訪問日期作為狀態儲存），等後面裝置在有日誌過來，從狀態中獲取日期和日誌產生日期比較，如果狀態不為空，並且狀態日期和當前日期不相等，說明是老訪客，如果is_new標記是1，則對其狀態進行修復。

import com.alibaba.fastjson.JSONObject;
import com.zhangbao.gmall.realtime.utils.MyKafkaUtil;
import org.apache.flink.api.common.functions.MapFunction;
import org.apache.flink.api.common.functions.RichMapFunction;
import org.apache.flink.api.common.state.ValueState;
import org.apache.flink.api.common.state.ValueStateDescriptor;
import org.apache.flink.configuration.Configuration;
import org.apache.flink.runtime.state.filesystem.FsStateBackend;
import org.apache.flink.streaming.api.CheckpointingMode;
import org.apache.flink.streaming.api.datastream.DataStreamSource;
import org.apache.flink.streaming.api.datastream.KeyedStream;
import org.apache.flink.streaming.api.datastream.SingleOutputStreamOperator;
import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;
import org.apache.flink.streaming.connectors.kafka.FlinkKafkaConsumer;

import java.text.SimpleDateFormat;
import java.util.Date;

/**
 * @author: zhangbao
 * @date: 2021/6/18 23:29
 * @desc:
 **/
public class BaseLogTask {
    public static void main(String[] args) {
        StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
        //設定並行度，即kafka分割槽數
        env.setParallelism(4);
        //新增checkpoint，每5秒執行一次
        env.enableCheckpointing(5000, CheckpointingMode.EXACTLY_ONCE);
        env.getCheckpointConfig().setCheckpointTimeout(60000);
        env.setStateBackend(new FsStateBackend("hdfs://hadoop101:9000/gmall/flink/checkpoint/baseLogAll"));
        //指定哪個使用者讀取hdfs檔案
        System.setProperty("HADOOP_USER_NAME","zhangbao");
        
        //新增資料來源，來至kafka的資料
        String topic = "ods_base_log";
        String group = "base_log_app_group";
        FlinkKafkaConsumer<String> kafkaSource = MyKafkaUtil.getKafkaSource(topic, group);
        DataStreamSource<String> kafkaDs = env.addSource(kafkaSource);
        //對格式進行轉換
        SingleOutputStreamOperator<JSONObject> jsonDs = kafkaDs.map(new MapFunction<String, JSONObject>() {
            @Override
            public JSONObject map(String s) throws Exception {
                return JSONObject.parseObject(s);
            }
        });
        jsonDs.print("json >>> --- ");
        /**
         * 識別新老訪客，前端會對新老客狀態進行記錄，可能不準，這裡再次確認
         * 儲存mid某天狀態情況（將首次訪問日期作為狀態儲存），等後面裝置在有日誌過來，從狀態中獲取日期和日誌產生日期比較，
         * 如果狀態不為空，並且狀態日期和當前日期不相等，說明是老訪客，如果is_new標記是1，則對其狀態進行修復
         */
        //根據id對日誌進行分組
        KeyedStream<JSONObject, String> midKeyedDs = jsonDs.keyBy(data -> data.getJSONObject("common").getString("mid"));
        //新老訪客狀態修復，狀態分為運算元狀態和鍵控狀態，我們這裡記錄某一個裝置狀態，使用鍵控狀態比較合適
        SingleOutputStreamOperator<JSONObject> midWithNewFlagDs = midKeyedDs.map(new RichMapFunction<JSONObject, JSONObject>() {
            //定義mid狀態
            private ValueState<String> firstVisitDateState;
            //定義日期格式化
            private SimpleDateFormat sdf;
            //初始化方法
            @Override
            public void open(Configuration parameters) throws Exception {
                firstVisitDateState = getRuntimeContext().getState(new ValueStateDescriptor<String>("newMidDateState", String.class));
                sdf = new SimpleDateFormat("yyyyMMdd");
            }
            @Override
            public JSONObject map(JSONObject jsonObject) throws Exception {
                //獲取當前mid狀態
                String is_new = jsonObject.getJSONObject("common").getString("is_new");
                //獲取當前日誌時間戳
                Long ts = jsonObject.getLong("ts");
                if ("1".equals(is_new)) {
                    //訪客日期狀態
                    String stateDate = firstVisitDateState.value();
                    String nowDate = sdf.format(new Date());
                    if (stateDate != null && stateDate.length() != 0 && !stateDate.equals(nowDate)) {
                        //是老客
                        is_new = "0";
                        jsonObject.getJSONObject("common").put("is_new", is_new);
                    } else {
                        //新訪客
                        firstVisitDateState.update(nowDate);
                    }
                }
                return jsonObject;
            }
        });

        midWithNewFlagDs.print();
        try {
            //執行
            env.execute();
        } catch (Exception e) {
            e.printStackTrace();
        }
    }
}

5. 利用側輸出流實現資料拆分

經過上面的新老客戶修復後，再將日誌資料分為 3 類

啟動日誌標籤定義：OutputTag<String> startTag = new OutputTag<String>("start"){};

和曝光日誌標籤定義：OutputTag<String> displayTag = new OutputTag<String>("display"){};

頁面日誌輸出到主流，啟動日誌輸出到啟動側輸出流，曝光日誌輸出到曝光日誌側輸出流。

資料拆分後傳送到kafka

dwd_start_log：啟動日誌
dwd_display_log：曝光日誌
dwd_page_log：頁面日誌

package com.zhangbao.gmall.realtime.app;
import com.alibaba.fastjson.JSONArray;
import com.alibaba.fastjson.JSONObject;
import com.zhangbao.gmall.realtime.utils.MyKafkaUtil;
import org.apache.flink.api.common.functions.MapFunction;
import org.apache.flink.api.common.functions.RichMapFunction;
import org.apache.flink.api.common.state.ValueState;
import org.apache.flink.api.common.state.ValueStateDescriptor;
import org.apache.flink.configuration.Configuration;
import org.apache.flink.runtime.state.filesystem.FsStateBackend;
import org.apache.flink.streaming.api.CheckpointingMode;
import org.apache.flink.streaming.api.datastream.DataStream;
import org.apache.flink.streaming.api.datastream.DataStreamSource;
import org.apache.flink.streaming.api.datastream.KeyedStream;
import org.apache.flink.streaming.api.datastream.SingleOutputStreamOperator;
import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;
import org.apache.flink.streaming.api.functions.ProcessFunction;
import org.apache.flink.streaming.connectors.kafka.FlinkKafkaConsumer;
import org.apache.flink.util.Collector;
import org.apache.flink.util.OutputTag;
import java.text.SimpleDateFormat;
import java.util.Date;
/**
 * @author: zhangbao
 * @date: 2021/6/18 23:29
 * @desc:
 **/
public class BaseLogTask {
    private static final String TOPIC_START = "dwd_start_log";
    private static final String TOPIC_DISPLAY = "dwd_display_log";
    private static final String TOPIC_PAGE = "dwd_page_log";
    public static void main(String[] args) {
        StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
        //設定並行度，即kafka分割槽數
        env.setParallelism(4);
        //新增checkpoint，每5秒執行一次
        env.enableCheckpointing(5000, CheckpointingMode.EXACTLY_ONCE);
        env.getCheckpointConfig().setCheckpointTimeout(60000);
        env.setStateBackend(new FsStateBackend("hdfs://hadoop101:9000/gmall/flink/checkpoint/baseLogAll"));
        //指定哪個使用者讀取hdfs檔案
        System.setProperty("HADOOP_USER_NAME","zhangbao");

        //新增資料來源，來至kafka的資料
        String topic = "ods_base_log";
        String group = "base_log_app_group";
        FlinkKafkaConsumer<String> kafkaSource = MyKafkaUtil.getKafkaSource(topic, group);
        DataStreamSource<String> kafkaDs = env.addSource(kafkaSource);
        //對格式進行轉換
        SingleOutputStreamOperator<JSONObject> jsonDs = kafkaDs.map(new MapFunction<String, JSONObject>() {
            @Override
            public JSONObject map(String s) throws Exception {
                return JSONObject.parseObject(s);
            }
        });
        jsonDs.print("json >>> --- ");
        /**
         * 識別新老訪客，前端會對新老客狀態進行記錄，可能不準，這裡再次確認
         * 儲存mid某天狀態情況（將首次訪問日期作為狀態儲存），等後面裝置在有日誌過來，從狀態中獲取日期和日誌產生日期比較，
         * 如果狀態不為空，並且狀態日期和當前日期不相等，說明是老訪客，如果is_new標記是1，則對其狀態進行修復
         */
        //根據id對日誌進行分組
        KeyedStream<JSONObject, String> midKeyedDs = jsonDs.keyBy(data -> data.getJSONObject("common").getString("mid"));
        //新老訪客狀態修復，狀態分為運算元狀態和鍵控狀態，我們這裡記錄某一個裝置狀態，使用鍵控狀態比較合適
        SingleOutputStreamOperator<JSONObject> midWithNewFlagDs = midKeyedDs.map(new RichMapFunction<JSONObject, JSONObject>() {
            //定義mid狀態
            private ValueState<String> firstVisitDateState;
            //定義日期格式化
            private SimpleDateFormat sdf;
            //初始化方法
            @Override
            public void open(Configuration parameters) throws Exception {
                firstVisitDateState = getRuntimeContext().getState(new ValueStateDescriptor<String>("newMidDateState", String.class));
                sdf = new SimpleDateFormat("yyyyMMdd");
            }
            @Override
            public JSONObject map(JSONObject jsonObject) throws Exception {
                //獲取當前mid狀態
                String is_new = jsonObject.getJSONObject("common").getString("is_new");
                //獲取當前日誌時間戳
                Long ts = jsonObject.getLong("ts");
                if ("1".equals(is_new)) {
                    //訪客日期狀態
                    String stateDate = firstVisitDateState.value();
                    String nowDate = sdf.format(new Date());
                    if (stateDate != null && stateDate.length() != 0 && !stateDate.equals(nowDate)) {
                        //是老客
                        is_new = "0";
                        jsonObject.getJSONObject("common").put("is_new", is_new);
                    } else {
                        //新訪客
                        firstVisitDateState.update(nowDate);
                    }
                }
                return jsonObject;
            }
        });

//        midWithNewFlagDs.print();

        /**
         * 根據日誌資料內容,將日誌資料分為 3 類, 頁面日誌、啟動日誌和曝光日誌。頁面日誌
         * 輸出到主流,啟動日誌輸出到啟動側輸出流,曝光日誌輸出到曝光日誌側輸出流
         * 側輸出流：1接收遲到資料，2分流
         */
        //定義啟動側輸出流標籤，加大括號為了生成相應型別
        OutputTag<String> startTag = new OutputTag<String>("start"){};
        //定義曝光側輸出流標籤
        OutputTag<String> displayTag = new OutputTag<String>("display"){};
        SingleOutputStreamOperator<String> pageDs = midWithNewFlagDs.process(
                new ProcessFunction<JSONObject, String>() {
                    @Override
                    public void processElement(JSONObject jsonObject, Context context, Collector<String> collector) throws Exception {
                        String dataStr = jsonObject.toString();
                        JSONObject startJson = jsonObject.getJSONObject("start");
                        //判斷是否啟動日誌
                        if (startJson != null && startJson.size() > 0) {
                            context.output(startTag, dataStr);
                        } else {
                            //判斷是否曝光日誌
                            JSONArray jsonArray = jsonObject.getJSONArray("displays");
                            if (jsonArray != null && jsonArray.size() > 0) {
                                //給每一條曝光事件加pageId
                                String pageId = jsonObject.getJSONObject("page").getString("page_id");
                                //遍歷輸出曝光日誌
                                for (int i = 0; i < jsonArray.size(); i++) {
                                    JSONObject disPlayObj = jsonArray.getJSONObject(i);
                                    disPlayObj.put("page_id", pageId);
                                    context.output(displayTag, disPlayObj.toString());
                                }
                            } else {
                                //如果不是曝光日誌，則是頁面日誌，輸出到主流
                                collector.collect(dataStr);
                            }
                        }
                    }
                }
        );

        //獲取側輸出流
        DataStream<String> startDs = pageDs.getSideOutput(startTag);
        DataStream<String> disPlayDs = pageDs.getSideOutput(displayTag);
        //列印輸出
        startDs.print("start>>>");
        disPlayDs.print("display>>>");
        pageDs.print("page>>>");

        /**
         * 將不同流的日誌資料傳送到指定的kafka主題
         */
        startDs.addSink(MyKafkaUtil.getKafkaSink(TOPIC_START));
        disPlayDs.addSink(MyKafkaUtil.getKafkaSink(TOPIC_DISPLAY));
        pageDs.addSink(MyKafkaUtil.getKafkaSink(TOPIC_PAGE));

        try {
            //執行
            env.execute();
        } catch (Exception e) {
            e.printStackTrace();
        }
    }
}

6.Flink實時專案之業務資料分流
2022-02-22
5.Flink實時專案之業務資料準備
2022-02-19
flask 專案拆分
2024-10-12
Flask
大資料專案實戰之 --- 使用者畫像專案分析
2018-11-16
大資料
資料檔案合併與拆分
2020-11-19
MySQL專題：資料庫垂直、水平拆分
2020-09-23
MySql資料庫
Django 專案配置拆分獨立
2021-11-18
Django
大資料專案實踐（一）——之HDFS叢集配置
2018-08-21
大資料
11.Flink實時專案之支付寬表
2022-04-17
多專案並行開發之公共資源處理：Git Sbutree拆分子倉庫
2019-11-22
並行Git
如何用實時資料追蹤來解決專案瓶頸？
2024-11-20
9.Flink實時專案之訂單寬表
2022-03-17
ELK實時分析之php的laravel專案日誌
2019-01-03
PHPLaravel
Redis叢集資料沒法拆分時的搭建策略
2021-01-30
Redis
關於2020年個人專案【臻美_疫情實時大資料包告】（專案開源）
2020-02-08
大資料
資料結構實驗之連結串列五：單連結串列的拆分
2019-03-10
資料結構
物聯網專案接收裝置實時資料的一個想法
2020-12-14
創新專案實訓：資料爬取
2022-06-08
大資料爬蟲專案實戰教程
2018-11-14
大資料爬蟲
專案實戰之gradle在實際專案中的使用
2018-05-09
Gradle
技術分享 | TiDB 上百T資料拆分實踐
2022-05-13
TiDB
8.Flink實時專案之CEP計算訪客跳出
2022-03-09
7.Flink實時專案之獨立訪客開發
2022-03-05
專案實戰之Rxjava、RxBinding在實際專案中的使用
2018-05-24
RxJava
PDF 分割拆分 API 資料介面
2024-07-17
API
Vue專案資料動態過濾實踐
2018-09-08
Vue
大資料專案實踐（五）——Hue安裝
2018-08-27
大資料
PyQT5之PyQtGraph實時資料顯示
2024-06-13
QT
10.Flink實時專案之訂單維度表關聯
2022-03-31
D專案軼事之現場直播導主資料
2018-04-27
資料專案與erp專案的差異
2022-11-06
拉鉤專案(一)--專案流程+資料提取
2020-06-14
Docker實戰之執行專案
2020-06-08
Docker
Flutter路由專案實戰之fluro
2020-01-03
Flutter路由
3.0 阿里雲大資料專案實戰開發
2018-11-09
阿里大資料
MySQL 常見資料拆分辦法
2021-09-09
MySql
實時採集MySQL資料之輕量工具Maxwell實操
2022-12-19
MySql
實時資料庫與時序資料庫
2020-11-28
資料庫