时间戳

首页 > 解决方案 > Flink：在 DataStream 和“规则集”之间实现“连接”

apache-flink - Flink：在 DataStream 和“规则集”之间实现“连接”

问题描述

以下用例的最佳实践建议是什么？我们需要将流与一组“规则”进行匹配，这些规则本质上是一个 Flink DataSet 概念。对此“规则集”的更新是可能的，但并不频繁。每个流事件必须检查“规则集”中的所有记录，并且每次匹配都会在接收器数据流中产生一个或多个事件。规则集中的记录数是在 6 位数范围内。

目前，我们只是将规则加载到本地规则列表中，并在传入的 DataStream 上使用 flatMap。在 flatMap 中，我们只是遍历一个列表，将每个事件与每个规则进行比较。

为了加快迭代速度，我们还可以将列表分成几个批次，本质上是创建一个列表列表，并创建一个单独的线程来迭代每个子列表（在 Java 或 Scala 中使用 Futures）。

问题：

  1. 有没有更好的方法来进行这种加入？
  2. 如果不是，在 Flink 已经在做的事情之上，通过在每个 flatMap 操作中创建新线程来添加额外的并行性是否安全？

编辑：这是要求的示例代码：

package wikiedits

import org.apache.flink.streaming.connectors.wikiedits.{WikipediaEditEvent, WikipediaEditsSource}
import org.apache.flink.streaming.api.scala._
import org.apache.flink.streaming.api.scala.extensions._
import scala.concurrent.ExecutionContext.Implicits.global
import scala.concurrent.Future

object WikipediaEditEventProcessor {

  def main(args: Array[String])= {
    val see = StreamExecutionEnvironment.getExecutionEnvironment
    val edits = see.addSource(new WikipediaEditsSource())

    val ruleSets = Map[Int, List[String]](
      (1, List("a", "b", "c", "d", "e", "f", "g", "h", "i", "j")),
      (2, List("k", "l", "m", "n", "o", "p", "q", "r", "s", "t")),
      (3, List("u", "v", "w", "x", "y", "z", "0", "1", "2", "3"))
    )

    val result = edits.flatMap { edit =>
      ruleSets.map { ruleSet =>
        applyRuleSet(edit, ruleSet._2, ruleSet._1)
      }
    }
    see.execute
  }

  def applyRuleSet(event: WikipediaEditEvent, ruleSet: List[String], ruleSetId: Int): Future[List[String]] = {
    val title = event.getTitle
    Future(
      ruleSet.map {
        case rule if title.contains(rule) =>
          val result = s"Ruleset $ruleSetId: $rule -> exists in: $title"
          println(result) // this would be creating an output event instead
          result
        case rule =>
          val result = s"Ruleset $ruleSetId: $rule -> NO MATCH in: $title"
          println(result)
          result
      }
    )
  }
}

标签： apache-flinkflink-streaming

解决方案

每个流事件都必须检查“规则集”中的所有记录，并且每个匹配都会将一个或多个事件生成到接收器数据流中。规则集中的记录数在 6 位范围内

假设你有 K 个规则。如果输入速率快于处理单个事件的 K 条规则所花费的时间，则您的方法很好。否则，您需要一些可以并行处理这些 K 规则的方法。

将它们视为 K 收费站。将它们一个接一个地放置，而不是将它们放在一个大房间内。这将简化流引擎的事情。

换句话说，使用简单的 for 循环遍历所有规则，并为每个规则设置一个单独的 flatMap。这样，它们中的每一个都是相互独立的，因此可以并行处理。最后你会有 K 个 flatMaps 来执行。无论您为执行提供什么配置，引擎都会使用可能的最大并行度。这种方法将最大可能的并行度限制为 K。但是，这对于大量规则来说已经足够了。

通过在每个 flatMap 操作中创建新线程来增加并行性

完全不推荐。将并行性留给 flink。您定义了您希望在 flatMap 中执行的工作单元。

推荐阅读