为Apache Flink中的每个已处理输入文件生成单个输出文件

Question

我正在使用Scala和Apache Flink构建一个ETL，它定期读取本地文件系统中目录下的所有文件，并将每个文件的处理结果写入另一个目录下的单个输出文件中。

所以这方面的一个例子是：

/dir/to/input/files/file1
/dir/to/intput/files/fil2
/dir/to/input/files/file3

并且ETL的输出将完全符合：

/dir/to/output/files/file1
/dir/to/output/files/file2
/dir/to/output/files/file3

我尝试了各种方法，包括在写入dataSink时将并行处理减少到一个，但我仍然无法达到所需的结果。

这是我目前的代码：

   val path = "/path/to/input/files/"
   val format = new TextInputFormat(new Path(path))
   val socketStream = env.readFile(format, path, FileProcessingMode.PROCESS_CONTINUOUSLY, 10)


   val wordsStream = socketStream.flatMap(value => value.split(",")).map(value => WordWithCount(value,1))

   val keyValuePair = wordsStream.keyBy(_.word)

   val countPair = keyValuePair.sum("count")

   countPair.print()

   countPair.writeAsText("/path/to/output/directory/"+
     DateTime.now().getHourOfDay.toString
     +
     DateTime.now().getMinuteOfHour.toString
     +
     DateTime.now().getSecondOfMinute.toString
     , FileSystem.WriteMode.NO_OVERWRITE)

// The first write method I trid:

   val sink = new BucketingSink[WordWithCount]("/path/to/output/directory/")
   sink.setBucketer(new DateTimeBucketer[WordWithCount]("yyyy-MM-dd--HHmm"))

// The second write method I trid:

   val sink3 = new BucketingSink[WordWithCount]("/path/to/output/directory/")
   sink3.setUseTruncate(false)
   sink3.setBucketer(new DateTimeBucketer("yyyy-MM-dd--HHmm"))
   sink3.setWriter(new StringWriter[WordWithCount])
   sink3.setBatchSize(3)
   sink3.setPendingPrefix("file-")
   sink3.setPendingSuffix(".txt")

两种写入方法都无法产生想要的结果。

有一些有Apache Flink经验的人可以指导我编写方法吗。

Answer 1

我解决了导入下一个依赖项以在本地计算机上运行的问题：

• Hadoop的AWS-2.7.3.jar
• AWS-Java的SDK-s3-1.11.183.jar
• AWS-Java的SDK-核心1.11.183.jar
• AWS-Java的SDK-公里，1.11.183.jar
• 杰克逊的注解 - 2.6.7.jar
• 杰克逊核心2.6.7.jar
• 杰克逊 - 数据绑定 - 2.6.7.jar
• 双时间281yara
• 的HttpCore-4.4.4.jar
• HttpClient的-4.5.3.jar

---

你可以查看：

https://ci.apache.org/projects/flink/flink-docs-stable/ops/deployment/aws.html

“提供S3文件系统依赖性”部分