Flink 可以将结果写入多个文件(如 Hadoop 的 MultipleOutputFormat)吗？

Question

我使用的是Apache Flink的数据集API。我想实现一个将多个结果写入不同文件的作业。

我该怎么做？

Answer 1

您可以根据需要向DataSet程序添加任意数量的数据接收器。

例如，在这样的程序中：

ExecutionEnvironment env = ExecutionEnvironment.getExecutionEnvironment();
DataSet<Tuple3<String, Long, Long>> data = env.readFromCsv(...);
// apply MapFunction and emit
data.map(new YourMapper()).writeToText("/foo/bar");
// apply FilterFunction and emit
data.filter(new YourFilter()).writeToCsv("/foo/bar2");

您从CSV文件中读取了DataSet data。这个data被赋予两个后续的变换：

1. 到MapFunction，其结果被写入文本文件
2. 到FilterFunction，并且未过滤的元组被写入CSV文件

您还可以根据需要拥有多个数据源以及分支和合并数据集（使用union、join、coGroup、cross或广播集）。

Answer 2

您可以在Flink中使用HadoopOutputFormat API，如下所示：

class IteblogMultipleTextOutputFormat[K, V] extends MultipleTextOutputFormat[K, V] {
override def generateActualKey(key: K, value: V): K =
  NullWritable.get().asInstanceOf[K]
override def generateFileNameForKeyValue(key: K, value: V, name: String): String =
  key.asInstanceOf[String]
}

并且我们可以如下使用CCD_ 12：

val multipleTextOutputFormat = new IteblogMultipleTextOutputFormat[String, String]()
val jc = new JobConf()
FileOutputFormat.setOutputPath(jc, new Path("hdfs:///user/iteblog/"))
val format = new HadoopOutputFormat[String, String](multipleTextOutputFormat,   jc)
val batch = env.fromCollection(List(("A", "1"), ("A", "2"), ("A", "3"),
  ("B", "1"), ("B", "2"), ("C", "1"), ("D", "2")))
batch.output(format)

有关详细信息，您可以查看：http://www.iteblog.com/archives/1667