第二次计算中第一次计算的重用结果

Question

我试图用Flink编写一个计算，它需要两个阶段。

在第一阶段，我从文本文件开始，并执行一些参数估计，从而获得一个表示数据统计模型的Java对象。

在第二阶段，我想使用这个对象来生成模拟数据。

我不知道该怎么做。我尝试使用LocalCollectionOutputFormat，它在本地工作，但是当我在集群上部署作业时，我得到了一个NullPointerException --这并不奇怪。

做这件事的方式是什么？

这是我的代码：

ExecutionEnvironment env = ExecutionEnvironment.getExecutionEnvironment();
GlobalConfiguration.includeConfiguration(configuration);

// Phase 1: read file and estimate model
DataSource<Tuple4<String, String, String, String>> source = env
        .readCsvFile(args[0])
        .types(String.class, String.class, String.class, String.class);

List<Tuple4<Bayes, Bayes, Bayes, Bayes>> bayesResult = new ArrayList<>();
// Processing here...
....output(new LocalCollectionOutputFormat<>(bayesResult));

env.execute("Bayes");

DataSet<BTP> btp = env
        .createInput(new BayesInputFormat(bayesResult.get(0)))
// Phase 2: BayesInputFormat generates data for further calculations
// ....

这是我得到的例外：

Error: The program execution failed: java.lang.NullPointerException
    at org.apache.flink.api.java.io.LocalCollectionOutputFormat.close(LocalCollectionOutputFormat.java:86)
    at org.apache.flink.runtime.operators.DataSinkTask.invoke(DataSinkTask.java:176)
    at org.apache.flink.runtime.execution.RuntimeEnvironment.run(RuntimeEnvironment.java:257)
    at java.lang.Thread.run(Thread.java:745)

org.apache.flink.client.program.ProgramInvocationException: The program execution failed: java.lang.NullPointerException
    at org.apache.flink.api.java.io.LocalCollectionOutputFormat.close(LocalCollectionOutputFormat.java:86)
    at org.apache.flink.runtime.operators.DataSinkTask.invoke(DataSinkTask.java:176)
    at org.apache.flink.runtime.execution.RuntimeEnvironment.run(RuntimeEnvironment.java:257)
    at java.lang.Thread.run(Thread.java:745)

    at org.apache.flink.client.program.Client.run(Client.java:328)
    at org.apache.flink.client.program.Client.run(Client.java:294)
    at org.apache.flink.client.program.Client.run(Client.java:288)
    at org.apache.flink.client.program.ContextEnvironment.execute(ContextEnvironment.java:55)
    at it.list.flink.test.Test01.main(Test01.java:62)
    ...

Answer 1

随着最新的版本(0.9-里程碑-1)，collect()方法被添加到Flink中。

public List<T> collect()

将DataSet<T>作为List<T>获取到驱动程序。collect()还将触发程序的立即执行(不需要调用ExecutionEnvironment.execute())。现在，数据集的大小限制在10 MB左右。

如果不对驱动程序中的模型进行评估，还可以将两个程序链接在一起，并通过附加数据接收器将模型发送到侧面。这将更有效，因为数据不会在客户端机器上执行往返操作。

Answer 2

如果在0.9之前使用Flink，则可以使用以下代码段将数据集收集到本地集合：

val dataJavaList = new ArrayList[K]
val outputFormat = new LocalCollectionOutputFormat[K](dataJavaList)
dataset.output(outputFormat)
env.execute("collect()")

其中K是要收集的对象的类型。