Flink實時大數(shù)據(jù)處理技術(shù) 試卷及答案 試卷B

試卷B卷單選題(30道)1.()層負責(zé)實現(xiàn)Flink的執(zhí)行模型和運行時環(huán)境，為用戶提供高效穩(wěn)定的運行時支持。A.Runtime核心層 B.API&Libraries層C.DataStreamAPI D.TableAPI&SQL2.()在Flink中，數(shù)據(jù)緩沖區(qū)采用了基于內(nèi)存的零拷貝技術(shù)，可以高效地實現(xiàn)數(shù)據(jù)傳輸。A.TaskManager B.JobManager C.數(shù)據(jù)緩沖區(qū)（Buffer） D.運行時優(yōu)化器3.()旨在提供一種高效的方式來進行大規(guī)模圖計算。它提供了許多圖計算算法。A.FlinkCDC B.FlinkSQL C.FlinkAPI D.FlinkGelly4.當函數(shù)參數(shù)只使用了一次且在函數(shù)體中只出現(xiàn)了一次時，可以使用()替代該參數(shù)。A._ B./ C.* D\5.在Scala中，方法重寫需要使用()關(guān)鍵字。A.override B.animal C.sound D.abstract6.Scala中可以使用()來創(chuàng)建對象，主要應(yīng)用場景是在一些只使用一次的場景中，避免顯式地定義一個有名稱的子類，從而簡化代碼。A.方法重寫 B.抽象類 C.匿名子類 D.伴生對象7.()組件是Flink依賴的外部存儲系統(tǒng)，用于檢查點的存儲與恢復(fù)A.JobManager B.Flink客戶端 C.TaskManager D.持久化存儲8.JobManager是Flink應(yīng)用程序的主進程,負責(zé)協(xié)調(diào)和調(diào)度程序的執(zhí)行，一個Flink應(yīng)用程序只能有一個()。A.ResourceManage B.TaskManage C.FlinkManager D.JobManager 9.以下那個不是數(shù)據(jù)流特點()A.連續(xù)性 B.實時性 C.可變性 D.確定性10.()工具能夠從多種數(shù)據(jù)源收集數(shù)據(jù)，并將其轉(zhuǎn)發(fā)到目標存儲中，支持多種數(shù)據(jù)格式和插件，能夠自定義數(shù)據(jù)處理邏輯，同時具有較高的可擴展性和靈活性。A.Flume B.Fluentd C.Logstash D.Kafka11.()算子對數(shù)據(jù)流中的事件進行分組，并按照給定的鍵對事件進行分組A.Window B.Filter C.KeyBy D.Reduce12.常見的分布式計算框架不包括()A.Hadoop B.Spark C.Flink D.Window13.Flink中的DataStream核心類代表（C）A.代表一個被分區(qū)為KeyedStream的數(shù)據(jù)流，可以進行按Key分組的操作B.代表一個經(jīng)過窗口劃分的數(shù)據(jù)流，可以進行按窗口操作C.代表一個數(shù)據(jù)流，可以對其進行轉(zhuǎn)換和操作D.觸發(fā)器，定義如何在窗口中觸發(fā)計算操作14.()獲取運行時上下文對象，可以用來獲取一些運行時信息，比如subtask的ID、任務(wù)名稱、配置信息等。A.getRuntimeContext() B.open() C.setRuntimeContext() D.close()15.SourceFunction接口()繼承自SourceFunction，并且提供了open和close方法，可以在啟動SourceFunction之前和之后執(zhí)行一些操作，比如建立連接、初始化資源，訪問運行時上下文等16.()什么觸發(fā)器用戶可以根據(jù)自己的業(yè)務(wù)邏輯自定義窗口觸發(fā)器。通過不同窗口類型和觸發(fā)器的組合，F(xiàn)link可以滿足不同場景下的窗口計算需求。A.自定義觸發(fā)器 B.基于混合條件的觸發(fā)器 C.基于時間的觸發(fā)器D.基于數(shù)量的觸發(fā)器17.()方法在窗口中的當前事件時間到達觸發(fā)時間時調(diào)用。在該方法中，可以更新內(nèi)部狀態(tài)，以決定是否觸發(fā)窗口計算。A.onMerge(window:W,ctx:TriggerContext):TriggerResultB.onElement(element:IN,timestamp:Long,window:W,ctx:TriggerContext):TriggerResultC.onProcessingTime(time:Long,window:W,ctx:TriggerContext):TriggerResult D.onEventTime(time:Long,window:W,ctx:TriggerContext):TriggerResult18.()可以在數(shù)據(jù)元素數(shù)量達到一定數(shù)量時觸發(fā)窗口計算，可以用于實現(xiàn)計數(shù)窗口A.CountTrigger B.PurgingTrigger C.ContinuousTrigge D.GlobalWindows19.CheckpointCoordinator的主要職責(zé)不包括()A.啟動檢查點流程并為其分配一個唯一的ID。B.確保所有的TaskManager在Barrier上實現(xiàn)同步，從而確保他們都準備好進行檢查點操作。C.監(jiān)控檢查點的進行，當TaskManager遭遇問題時，負責(zé)任務(wù)的重新啟動。D.不保留檢查點的元數(shù)據(jù)，為了應(yīng)對潛在的故障進行恢復(fù)。20.在Flink中，()是一個特殊的算子，允許我們在ConnectedStreams上分別對兩個輸入流進行映射操作，并將結(jié)果合并為一個流A.CoMap B.CoFlatMap C.ConnectedStreams D.Stream21.如圖所示，是()WindowJoinA.滾動WindowJoin B.滑動WindowJoin C.會話WindowJoin D.拖動WindowJoin 22.以下哪項描述了TableAPI和SQL之間的主要區(qū)別()A.TableAPI是一種編程接口，而SQL是一種聲明式查詢語言B.TableAPI只能用于Java，而SQL是跨平臺的C.TableAPI不支持復(fù)雜查詢，而SQL支持D.TableAPI是基于行的，而SQL是基于列的23.在Flink中，TableAPI和SQL可以互操作，這意味著什么()A.可以使用TableAPI編寫程序，然后將其轉(zhuǎn)換為SQLB.可以在同一個查詢中混合使用TableAPI和SQL表達式C.可以使用SQL查詢TableAPI創(chuàng)建的表D.以上都是24.SQL語句SELECT*FROMtable_nameWHEREcolumn_name='value';的作用是什么()A.插入新的記錄到表中B.從表中選擇所有列的數(shù)據(jù)，但只包括特定列值等于'value'的行C.更新表中的記錄D.刪除表中的記錄25.Flink與Kafka整合時，如何處理Kafka中的大量小消息()A.合并小消息B.忽略小消息C.批量處理小消息D.單獨處理每個小消息26.Flink如何支持Kafka的分布式部署()A.通過Kafka的BrokerB.通過Flink的JobManagerC.通過Flink的TaskManagerD.需要額外的中間件27.Flink與Kafka整合時，如何避免消息重復(fù)消費()A.啟用Kafka的事務(wù)支持B.啟用Flink的Exactly-Once語義C.禁用Kafka的自動提交D.啟用Kafka的冪等性支持28.Flink如何處理Kafka中的消息丟失問題()A.啟用Kafka的持久化存儲B.啟用Flink的容錯機制C.啟用Kafka的復(fù)制因子D.啟用Flink的分布式緩存29.Flink與Kafka整合時，如何監(jiān)控Kafka的消費情況()A.通過Kafka的WebUIB.通過Flink的WebUIC.通過第三方監(jiān)控工具D.無法監(jiān)控30.Flink與Kafka整合的主要目的是()A.數(shù)據(jù)存儲B.實時數(shù)據(jù)處理C.批處理D.離線分析多選題（20道）Flink支持()機制。A.保留點B.保存點C.刪除點D.檢查點Lambda架構(gòu)的優(yōu)點()。A.低延遲B.高容錯性C.可擴展性D.高效率性Netflix使用Flink進行實時數(shù)據(jù)處理提供()服務(wù)。A.實時推薦B.實時監(jiān)控C.實時分析D.實時記錄Kafka具有()特點。A.高吞吐量B.可靠性C.靈活性D.持久化Flink和SparkStreaming主要區(qū)別()。A.系統(tǒng)架構(gòu)不同B.數(shù)據(jù)處理方式不同C.儲存方法不同D.內(nèi)存管理方式不同Scala是一種多范式編程語言，具有()特點。A.面向?qū)ο驜.JVM兼容性C.函數(shù)式編程D.模式匹配Scala集合體系結(jié)構(gòu)可以分為()層次。A.高層B.頂層C.中層D.底層伴生類和伴生對象有()特點。A.伴生類是普通的類B.伴生對象中的成員都是靜態(tài)的C.伴生類和伴生對象的名稱必須相同D.需要創(chuàng)建對象數(shù)據(jù)流一般從()方面產(chǎn)生。A.外部數(shù)據(jù)源B.實時傳感器數(shù)據(jù)C.用戶行為數(shù)據(jù)D.業(yè)務(wù)數(shù)據(jù)批處理和流處理的差異主要表現(xiàn)在()方面。A.數(shù)據(jù)處理方式B.處理時延C.處理精度D.處理結(jié)果輸出方式常見的流處理優(yōu)化技術(shù)()。A.算子融合B.數(shù)據(jù)本地性C.負載均衡D.數(shù)據(jù)壓縮Flink中的數(shù)據(jù)流可以分成()數(shù)據(jù)分區(qū)。A.范圍分區(qū)B.哈希分區(qū)C.隨機分區(qū)D.廣播分區(qū)DataStreamConnectors可以分為()和三部分。A.內(nèi)置的DataSourcesB.ApacheBahir中的連接器C.附帶的連接器D.外部系統(tǒng)集成DataStreamAPI中SourceFunction接口包括()。A.ParallelSourceFunctionB.SourceFunctionC.RichSourceFunctionD.RichParallelSourceFunctionRichFunction提供了()生命周期方法。A.open(Configurationparameters):B.close():C.getRuntimeContext():D.setRuntimeContext(RuntimeContextt):Flink提供了多種內(nèi)置的sinks，其中一些最常用的包括()。A.ToErr()B.writeAsCsv()C.writeToSocketD.SinkWatermarkStrategy的主要功能包括()。A.資源分配B.定義水位線生成方式C.水位線分配D.時間戳提取窗口是由()組合而成的。A.窗口分配器B.窗口觸動器C.窗口觸發(fā)器D.窗口分發(fā)器常見的多流操作包括()。A.UnionB.ConnectC.ConnectD.WindowJoin根據(jù)窗口類型的不同，可以將Windowjoin分為()。A.滾動WindowJoinB.滑動WindowJoinC.交互WindowJoinD.會話WindowJoin填空題（20道）Lambda架構(gòu)的主要組成部分包括_____、_____、_____三層。ApacheDruid是一個_____、列存儲、實時數(shù)據(jù)處理系統(tǒng)，旨在快速查詢大型數(shù)據(jù)集并實時分析實時數(shù)據(jù)。Storm的核心是一個_____實時流處理引擎，可以將處理邏輯分布在集群中不同的節(jié)點上并實現(xiàn)高效的數(shù)據(jù)流傳輸和處理。List是_____的序列，可以使用::操作符在頭部添加元素，但不能在尾部添加元素。在Scala中，_____是一個集合，用于存儲唯一的元素。Map是Scala集合框架中的一種集合類型，用于存儲_____。它可以用于各種應(yīng)用場景，如緩存、配置文件、數(shù)據(jù)存儲等。Scala的_____指的是一種編程范式，它強調(diào)函數(shù)的重要性和使用不可變值來構(gòu)建應(yīng)用程序。在Flink中，每個算子的并行度可以通過_____方法來設(shè)置，默認值為當前任務(wù)管理器的最大并行度。Flink運行時由兩種類型的進程組成：一個_____和一個或多個任務(wù)管理器_____。_____專門為一個作業(yè)運行集群，作業(yè)的主方法（或客戶端）僅在創(chuàng)建集群之前運行。DataStreamAPI可以處理_____和無界數(shù)據(jù)集（unbounded），并且支持各種類型的數(shù)據(jù)源（如消息隊列、套接字流和文件等）。_____方法會生成一個DataStream，接著可以在此DataStream的基礎(chǔ)上，完成各類轉(zhuǎn)換操作派生出新的DataStream，可以調(diào)用DataStream上具有轉(zhuǎn)換功能的方法來應(yīng)用轉(zhuǎn)換。窗口函數(shù)一般可以分為三類：_____、_____、_____。_____可以訪問Flink中的鍵控狀態(tài)，鍵控狀態(tài)（keyedstate）是指在Flink中與某個鍵（key）相關(guān)聯(lián)的狀態(tài)。Kafka是一個分布式流處理平臺，主要用于處理海量的實時數(shù)據(jù)流，具有高可用、高可擴展性和_____等特點。Flink提供了多種內(nèi)置的數(shù)據(jù)生成器來生成數(shù)據(jù)流，例如_____、_____、_____等。_____是Scala中一種特殊的抽象類型，類似于Java中的接口（interface），但是比接口更加強大。_____用于限制類型參數(shù)的取值范圍，從而增強代碼的類型安全和可讀性。HDFS是一個可靠的大數(shù)據(jù)存儲系統(tǒng)，而Flink則提供了快速的_____能力，兩者的結(jié)合可以使企業(yè)在大數(shù)據(jù)處理方面具有更強的競爭力。Scala支持隱式參數(shù)和隱式轉(zhuǎn)換，這些特性可以讓開發(fā)者擴展現(xiàn)有類型的功能，提高代碼的_____和可讀性。判斷題（20道）Runtime核心層是Flink分布式計算框架的核心實現(xiàn)層。Flink的TimeCharacteristic決定了事件時間的生成和watermark的處理。Flink主要設(shè)計用于實時流處理，而不是批處理。Flink的批處理模型是基于Spark的RDD（彈性分布式數(shù)據(jù)集）實現(xiàn)的。Flink的狀態(tài)始終保存在TaskManager的內(nèi)存中。Flink的滾動時間窗口在窗口結(jié)束時觸發(fā)計算，并且窗口之間沒有重疊。Flink的DataStreamAPI主要用于構(gòu)建有狀態(tài)的流處理應(yīng)用程序。Flink的TableAPI和SQL只支持批處理，不支持流處理。ProcessFunction只能用于KeyedStream，不能用于普通的DataStream。在ProcessFunction中，處理每個事件都是同步的，即下一個事件必須等待當前事件處理完成后才能開始處理。Flink的DataStreamAPI主要用于構(gòu)建有狀態(tài)的流處理應(yīng)用程序。Flink的TableAPI允許用戶以表的方式查詢和操作數(shù)據(jù)，而無需編寫復(fù)雜的DataStreamAPI代碼。ProcessFunction只能用于KeyedStream，不能用于普通的DataStream。Flink的集群管理器負責(zé)調(diào)度任務(wù)到TaskManager上執(zhí)行。Flink的TaskManager節(jié)點只負責(zé)執(zhí)行Task，不負責(zé)管理資源。Flink的并行度可以在作業(yè)運行過程中動態(tài)調(diào)整。MemoryStateBackend適用于生產(chǎn)環(huán)境，因為它具有高性能和容錯能力。Flink的延遲時間主要受網(wǎng)絡(luò)傳輸和狀態(tài)后端的影響。Flink的吞吐量可以通過增加并行度和優(yōu)化數(shù)據(jù)處理邏輯來提升。Flink支持從Kafka的多個分區(qū)中并行讀取數(shù)據(jù)。簡答題（10道）簡述Kafka具有的特點。簡述傳統(tǒng)的機器學(xué)習(xí)庫相比，F(xiàn)linkML具有的優(yōu)點。簡述Scala集合體系結(jié)構(gòu)可以分為三個層次。簡述高階函數(shù)的應(yīng)用場景。簡述隱式方法。簡述高可用服務(wù)。簡述增量計算。簡述常見的Flink算子。簡述riggerResult枚舉類型。簡述KeyedProcessFunction。編碼題（5道）Cat類重寫了Animal類中的sound()方法，將其實現(xiàn)改為返回"m-eow"，而不是"animalsound"。當我們通過Cat類創(chuàng)建對象并調(diào)用sound()方法時，會輸出"meow"。定義一個繼承自RichMapFunction的自定義Map函數(shù)類MapFunctionWithIndex，該類中的map方法將輸入數(shù)據(jù)加上一個任務(wù)編號。其中任務(wù)編號是在open方法中通過getRuntimeContext.getIndexOfThisSubtask獲取的。在open方法中，我們將任務(wù)編號打印出來，以便于調(diào)試和查看。編寫一個Scala函數(shù)，接受一個整數(shù)列表作為參數(shù)，將列表中的每個元素乘以2，然后返回結(jié)果列表中大于10的元素。編寫一個函數(shù)，接受一個字符串作為參數(shù)，并判斷該字符串是否是回文。編寫一個函數(shù)，接受一個整數(shù)列表作為參數(shù)，并返回該列表所有元素的和。試卷B卷-參考答案單選題(30道)1-5ACDAA6-10CDDDC11-15CDCAD16-20ADCDA21-25AADBC26-30ABBBB多選題（20道）1.BD 2.ABC 3.ABC 4.ABCD 5.ABD 6.ABCD 7.BCD 8.ABC 9.ABCD 10.ABCD 11.ABCD 12.ABCD 13.ABC 14.ABCD 15.ABCD 16.BC 17.BCD 18.AC 19.ABCD 20.ABD填空題（20道）數(shù)據(jù)層速度層批處理層 分布式 分布式 不可變 Set鍵值對函數(shù)式編程 setParallelism()JobManagerTaskManager 單作業(yè)模式 有界數(shù)據(jù)集（bounded）readTextFileReduceFunctionAggregateFunctionProcessWindowFunctionProcessFunction高性能 隨機數(shù)據(jù)生成器（RandomSource） 周期性數(shù)據(jù)生成器（SequenceSource） 有界數(shù)據(jù)生成器（CollectionSource）特質(zhì)（Trait） 上下界 流處理可重用性判斷題（20道）1.√ 2.√ 3.√ 4.× 5.× 6.√ 7.√ 8.× 9.× 10.× 11.√ 12.√ 13.× 14.√ 15.× 16.√ 17.× 18.× 19.√ 20.√簡答題（10道）簡述Kafka具有的特點。答：1）分布式：Kafka可以在多個節(jié)點上運行，數(shù)據(jù)可以分布式存儲，同時具備水平擴展能力。2）高吞吐量：Kafka支持每秒數(shù)百萬條消息的高吞吐量處理。3）持久化：Kafka中的消息可以持久化存儲，并且支持數(shù)據(jù)備份和數(shù)據(jù)復(fù)制。4）可靠性：Kafka在數(shù)據(jù)傳輸過程中會進行數(shù)據(jù)校驗和復(fù)制，以確保數(shù)據(jù)不會丟失。5）可擴展性：Kafka支持多個消費者和多個生產(chǎn)者，同時也支持水平擴展。6）靈活性：Kafka支持多種數(shù)據(jù)格式和編碼方式，可以適應(yīng)不同的應(yīng)用場景。簡述傳統(tǒng)的機器學(xué)習(xí)庫相比，F(xiàn)linkML具有的優(yōu)點。答：1）支持大規(guī)模數(shù)據(jù)集的機器學(xué)習(xí)，通過Flink的分布式計算能力，可以處理PB級別的數(shù)據(jù)集。2）支持在線學(xué)習(xí)模式，能夠?qū)崟r對數(shù)據(jù)進行學(xué)習(xí)，并適應(yīng)數(shù)據(jù)的變化。3）具有與Flink本身集成的優(yōu)點，可以方便地與Flink的數(shù)據(jù)流處理模塊結(jié)合使用，實現(xiàn)更加高效的機器學(xué)習(xí)流水線。簡述Scala集合體系結(jié)構(gòu)可以分為三個層次。答：頂層：集合的最頂層是scala.collection包，該包中定義了所有集合相關(guān)的基礎(chǔ)特性和通用接口。中層：集合的中層包括scala.collection.immutable和scala.collection.mutable兩個包。immutable包中定義了不可變集合類型，而mutable包中定義了可變集合類型。底層：集合的底層是scala.collection.mutable和scala.collection.immutable包中的具體集合類實現(xiàn)。簡述高階函數(shù)的應(yīng)用場景。答：1）函數(shù)組合：將多個函數(shù)組合成一個新函數(shù)，實現(xiàn)函數(shù)復(fù)用和代碼簡潔化。2）回調(diào)函數(shù)：將函數(shù)作為參數(shù)傳遞給其他函數(shù)，以實現(xiàn)回調(diào)機制。3）函數(shù)柯里化：將接收多個參數(shù)的函數(shù)轉(zhuǎn)化為接收一個參數(shù)的函數(shù)序列，以實現(xiàn)函數(shù)的分步傳遞和復(fù)用。4）控制抽象：將函數(shù)作為參數(shù)傳遞給高階函數(shù)，以實現(xiàn)控制程序流程和代碼抽象化。簡述隱式方法。答：隱式方法（implicitmethods）是指在函數(shù)或方法調(diào)用時，如果該調(diào)用無法通過編譯，編譯器會在當前作用域內(nèi)尋找隱式方法來嘗試完成調(diào)用。隱式方法通常用于增強類型轉(zhuǎn)換、為函數(shù)提供額外的參數(shù)或者為函數(shù)提供缺失的參數(shù)等場景。簡述高可用服務(wù)。答：Flink的JobManager可以在高可用性模式下運行，允許Flink從JobManager故障中恢復(fù)。為了更快地進行故障切換，可以啟動多個備用JobManager作為備份。簡述增量計算。答：流式計算模型通常采用增量計算的方式進行計算。增量計算是指在不斷輸入新的數(shù)據(jù)時，不斷更新計算結(jié)果的過程。相比于批量計算，增量計算可以更快地響應(yīng)新數(shù)據(jù)的到來，在不重新計算全部數(shù)據(jù)的情況下，通過對新數(shù)據(jù)的處理，更新先前計算結(jié)果的過程。它在大規(guī)模數(shù)據(jù)處理中得到了廣泛的應(yīng)用，可以有效地減少計算量和計算時間。簡述常見的Flink算子。答：1）Map：對數(shù)據(jù)流中的每個事件應(yīng)用函數(shù)，生成一個新的事件。2）Filter：通過使用給定的函數(shù)，從數(shù)據(jù)流中選擇所需的事件。3）Reduce：對數(shù)據(jù)流中的事件進行分組和聚合，以生成一個更小的數(shù)據(jù)集。4）Window：通過對數(shù)據(jù)流中的事件進行分組，在給定的時間窗口內(nèi)對事件進行聚合和處理。5）KeyBy：對數(shù)據(jù)流中的事件進行分組，并按照給定的鍵對事件進行分組。Aggregate：對數(shù)據(jù)流中的事件進行分組和聚合，生成一個更小的數(shù)據(jù)集。簡述riggerResult枚舉類型。答：CONTINUE：觸發(fā)器繼續(xù)等待更多數(shù)據(jù)。FIRE：觸發(fā)器觸發(fā)窗口計算，并清除窗口狀態(tài)。PURGE：觸發(fā)器清除窗口狀態(tài)，但不觸發(fā)窗口計算。FIRE_AND_PURGE：觸發(fā)器觸發(fā)窗口計算，并清除窗口狀態(tài)。簡述KeyedProcessFunction。答：KeyedProcessFunction是ProcessFunction的一個擴展，它在ProcessFunction的基礎(chǔ)上提供了對鍵控狀態(tài)的訪問和操作，并且允許在定時器回調(diào)時訪問事件的鍵值。KeyedProcessFunction主要用于實現(xiàn)需要對鍵控狀態(tài)進行操作的應(yīng)用場景，例如對每個key維護一個計數(shù)器或者對每個key維護一個時間窗口等。編碼題（5道）Cat類重寫了Animal類中的sound()方法，將其實現(xiàn)改為返回"m-eow"，而不是"animalsound"。當我們通過Cat類創(chuàng)建對象并調(diào)用sound()方法時，會輸出"meow"。答：classAnimal{defsound():String="animalsound"}classCatextendsAnimal{overridedefsound():String="meow"}valanimal:Animal=newAnimal()println(animal.sound())//輸出:"animalsound"valcat:Animal=newCat()println(cat.sound())//輸出:"meow"定義一個繼承自RichMapFunction的自定義Map函數(shù)類MapFunctionWithIndex，該類中的map方法將輸入數(shù)據(jù)加上一個任務(wù)編號。其中任務(wù)編號是在open方法中通過getRuntimeContext.getIndexOfThisSubtask獲取的。在open方法中，我們將任務(wù)編號打印出來，以便于調(diào)試和查看。答：classMapFunctionWithIndexextendsRichMapFunction[String,String]{privatevartaskNumber=0overridedefopen(parameters:Configuration):Unit={taskNumber=getRuntimeContext.getIndexOfThisSubtaskprintln(s"Task$taskNumberisstarting...")}overridedefmap(input:String):String={s"Task$taskNumber:$input"}}objectRichFunctionExample{defmain(args:Array[String]):Unit={valenv=StreamExecutionEnvironment.getExecutionEnvironmentvalstream=env.fromElements("a","b","c")valresult=stream.map(newMapFunctionWithIndex)res