Apache Beam WordCount程式設計實戰及原始碼解讀
概述：Apache Beam WordCount程式設計實戰及原始碼解讀,並通過intellij IDEA和terminal兩種方式除錯執行WordCount程式，Apache Beam對大資料的批處理和流處理，提供一套先進的統一的程式設計模型，並可以執行大資料處理引擎上。完整專案Github原始碼
負責公司大資料處理相關架構，但是具有多樣性，極大的增加了開發成本，急需統一程式設計處理，Apache Beam，一處程式設計，處處執行，故將折騰成果分享出來。
1.Apache Beam程式設計實戰–前言，Apache Beam的特點與關鍵概念。
Apache Beam 於2017年1月10日成為Apache新的頂級專案。
1.1.Apache Beam 特點：
統一：對於批處理和流媒體用例使用單個程式設計模型。
方便：支援多個pipelines環境執行，包括：Apache Apex, Apache Flink, Apache Spark, 和 Google Cloud Dataflow。
可擴充套件：編寫和分享新的SDKs，IO聯結器和transformation庫
部分翻譯摘自官網：Apacher Beam 官網
1.2.Apache Beam關鍵概念：
1.2.1.Apache Beam SDKs
主要是開發API，為批處理和流處理提供統一的程式設計模型。目前(2017)支援JAVA語言，而Python正在緊張開發中。
1.2.2. Apache Beam Pipeline Runners(Beam的執行器/執行者們)，支援Apache Apex，Apache Flink，Apache Spark，Google Cloud Dataflow多個大資料計算框架。可謂是一處Apache Beam程式設計，多計算框架執行。
1.2.3. 他們的對如下的支援情況詳見
2.Apache Beam程式設計實戰–Apache Beam原始碼解讀
基於maven,intellij IDEA，pom.xm檢視 完整專案Github原始碼 。直接通過IDEA的專案匯入功能即可匯入完整專案，等待MAVEN下載依賴包，然後按照如下解讀步驟即可順利執行。
2.1.原始碼解析-Apache Beam 資料流處理原理解析：
關鍵步驟：
建立Pipeline
將轉換應用於Pipeline
讀取輸入檔案
應用ParDo轉換
應用SDK提供的轉換（例如：Count）
寫出輸出
執行Pipeline
2.2.原始碼解析，完整專案Github原始碼,附WordCount，pom.xml等
/**
* MIT.
* Author: wangxiaolei(王小雷).
* Date:17-2-20.
* Project:ApacheBeamWordCount.
*/
import org.apache.beam.sdk.Pipeline;
import org.apache.beam.sdk.io.TextIO;
import org.apache.beam.sdk.options.Default;
import org.apache.beam.sdk.options.Description;
import org.apache.beam.sdk.options.PipelineOptions;
import org.apache.beam.sdk.options.PipelineOptionsFactory;
import org.apache.beam.sdk.options.Validation.Required;
import org.apache.beam.sdk.transforms.Aggregator;
import org.apache.beam.sdk.transforms.Count;
import org.apache.beam.sdk.transforms.DoFn;
import org.apache.beam.sdk.transforms.MapElements;
import org.apache.beam.sdk.transforms.PTransform;
import org.apache.beam.sdk.transforms.ParDo;
import org.apache.beam.sdk.transforms.SimpleFunction;
import org.apache.beam.sdk.transforms.Sum;
import org.apache.beam.sdk.values.KV;
import org.apache.beam.sdk.values.PCollection;
public class WordCount {
/**
*1.a.通過Dofn程式設計Pipeline使得程式碼很簡潔。b.對輸入的文字做單詞劃分，輸出。
*/
static class ExtractWordsFn extends DoFn<String, String> {
private final Aggregator<Long, Long> emptyLines =
createAggregator("emptyLines", Sum.ofLongs());
@ProcessElement
public void processElement(ProcessContext c) {
if (c.element().trim().isEmpty()) {
emptyLines.addValue(1L);
}
// 將文字行劃分為單詞
String[] words = c.element().split("[^a-zA-Z']+");
// 輸出PCollection中的單詞
for (String word : words) {
if (!word.isEmpty()) {
c.output(word);
}
}
}
}
/**
*2.格式化輸入的文字資料，將轉換單詞為並計數的列印字串。
*/
public static class FormatAsTextFn extends SimpleFunction<KV<String, Long>, String> {
@Override
public String apply(KV<String, Long> input) {
return input.getKey() + ": " + input.getValue();
}
}
/**
*3.單詞計數，PTransform(PCollection Transform)將PCollection的文字行轉換成格式化的可計數單詞。
*/
public static class CountWords extends PTransform<PCollection<String>,
PCollection<KV<String, Long>>> {
@Override
public PCollection<KV<String, Long>> expand(PCollection<String> lines) {
// 將文字行轉換成單個單詞
PCollection<String> words = lines.apply(
ParDo.of(new ExtractWordsFn()));
// 計算每個單詞次數
PCollection<KV<String, Long>> wordCounts =
words.apply(Count.<String>perElement());
return wordCounts;
}
}
/**
*4.可以自定義一些選項（Options），比如檔案輸入輸出路徑
*/
public interface WordCountOptions extends PipelineOptions {
/**
* 檔案輸入選項，可以通過命令列傳入路徑引數，路徑預設為gs://apache-beam-samples/shakespeare/kinglear.txt
*/
@Description("Path of the file to read from")
@Default.String("gs://apache-beam-samples/shakespeare/kinglear.txt")
String getInputFile();
void setInputFile(String value);
/**
* 設定結果檔案輸出路徑,在intellij IDEA的執行設定選項中或者在命令列中指定輸出檔案路徑，如./pom.xml
*/
@Description("Path of the file to write to")
@Required
String getOutput();
void setOutput(String value);
}
/**
* 5.執行程式
*/
public static void main(String[] args) {
WordCountOptions options = PipelineOptionsFactory.fromArgs(args).withValidation()
.as(WordCountOptions.class);
Pipeline p = Pipeline.create(options);
p.apply("ReadLines", TextIO.Read.from(options.getInputFile()))
.apply(new CountWords())
.apply(MapElements.via(new FormatAsTextFn()))
.apply("WriteCounts", TextIO.Write.to(options.getOutput()));
p.run().waitUntilFinish();
}
}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
3.支援Spark，Flink，Apex等大資料資料框架來執行該WordCount程式。完整專案Github原始碼（推薦，注意pom.xml模組載入是否成功，在工具中開發大資料程式，利於除錯，開發體驗較好）
3.1.intellij IDEA（社群版）中Spark大資料框架執行Pipeline計算程式
Spark執行
設定VM options
-DPspark-runner
1
設定Programe arguments
--inputFile=pom.xml --output=counts
1
3.2.intellij IDEA（社群版）中Apex，Flink等支援的大資料框架均可執行WordCount的Pipeline計算程式,完整專案Github原始碼
Apex執行
設定VM options
-DPapex-runner
1
設定Programe arguments
--inputFile=pom.xml --output=counts
1
Flink執行等等
設定VM options
-DPflink-runner
1
設定Programe arguments
--inputFile=pom.xml --output=counts
1
4.終端執行（Terminal）（不推薦，第一次下載過程很慢，開發體驗較差）
4.1.以下命令是下載官方示例原始碼，第一次執行下載較慢，如果失敗了就多執行幾次，（推薦下載，完整專案Github原始碼）直接用上述解讀在intellij IDEA中執行。
mvn archetype:generate -DarchetypeRepository=https://repository.apache.org/content/groups/snapshots -DarchetypeGroupId=org.apache.beam -DarchetypeArtifactId=beam-sdks-java-maven-archetypes-examples -DarchetypeVersion=LATEST -DgroupId=org.example -DartifactId=word-count-beam -Dversion="0.1" -Dpackage=org.apache.beam.examples -DinteractiveMode=false
1
2
4.2.打包並執行
mvn compile exec:java -Dexec.mainClass=org.apache.beam.examples.WordCount -Dexec.args="--runner=SparkRunner --inputFile=pom.xml --output=counts" -Pspark-runner
1
4.3.成功執行結果
4.3.1.顯示執行成功
4.3.2.WordCount輸出計算結果
-----------------