专栏原创出处:github-源笔记文件 github-源码 ,欢迎 Star,转载请附上原文出处链接和本声明。

# DataSet分配唯一标识符

在某些算法中,可能需要为数据集元素分配唯一标识符。[[org.apache.flink.api.scala.utils.DataSetUtils]] scala 包装类
具体实现源码可参考 DataSetUtils

# zipWithIndex 方式分配

为元素分配连续的标签,接收数据集作为输入并返回 DataSet[(Long, T)] 2 元组的新数据集。
此过程需要两步操作,首先是计数,然后是标记元素,由于计数同步,因此无法进行流水线处理。
替代方法 zipWithUniqueId 以流水线方式工作,当唯一的标签足够时,它是首选方法。

# zipWithUniqueId 方式分配

在许多情况下,可能不需要分配连续的标签。
zipWithUniqueId 以管道方式工作,加快了标签分配过程。
此方法接收一个数据集作为输入,并返回一个新的 DataSet[(Long, T)] 2 元组数据集

代码示例 ZippingElements

import io.gourd.flink.scala.api.BatchExecutionEnvironmentApp

/** 在某些算法中,可能需要为数据集元素分配唯一标识符。
  * 本文档说明了如何将
  * [[org.apache.flink.api.scala.utils.DataSetUtils]]
  * [[org.apache.flink.api.java.utils.DataSetUtils.zipWithIndex()]]
  * [[org.apache.flink.api.java.utils.DataSetUtils.zipWithUniqueId()]]
  * 用于此目的。
  *
  * @author Li.Wei by 2019/11/12
  */
object ZippingElements extends BatchExecutionEnvironmentApp {

  import org.apache.flink.api.scala._

  val input: DataSet[String] = bEnv.fromElements("A", "B", "C", "D", "E", "F", "G", "H")
  bEnv.setParallelism(2)

  /*
  zipWithIndex 为元素分配连续的标签,接收数据集作为输入并返回 DataSet[(Long, T)] 2 元组的新数据集。
  此过程需要两步操作,首先是计数,然后是标记元素,由于计数同步,因此无法进行流水线处理。
  替代方法 zipWithUniqueId 以流水线方式工作,当唯一的标签足够时,它是首选方法。
   */

  import org.apache.flink.api.scala.utils.DataSetUtils

  input.zipWithIndex.print()
/*
(0,A)
(1,B)
(2,C)
(3,D)
(4,E)
(5,F)
(6,G)
(7,H)
 */
  println()
  /*
  在许多情况下,可能不需要分配连续的标签。
  zipWithUniqueId 以管道方式工作,加快了标签分配过程。
  此方法接收一个数据集作为输入,并返回一个新的 DataSet[(Long, T)] 2 元组数据集
  
  本机执行,未发生并行,实际情况参考分布式测试结果
   */
  input.zipWithUniqueId.print()
  /*
(0,A)
(1,B)
(2,C)
(3,D)
(4,E)
(5,F)
(6,G)
(7,H)
   */
}
最后修改时间: 2/17/2020, 4:43:04 AM