Flink实现词频统计

概述：Apache Flink是由Apache软件基金会开发的开源流处理框架，其核心是用Java和Scala编写的分布式流数据流引擎。Flink以数据并行和流水线方式执行任意流数据程序，Flink的流水线运行时系统可以执行批处理和流处理程序。本文主要介绍Flink下使用Java和Scala程序分别实现塞缪尔·厄尔曼《青春》的词频统计。

1、使用mvn命令创建Flink工程

(1) Java模板

mvn archetype:generate -DarchetypeGroupId=org.apache.flink -DarchetypeArtifactId=flink-quickstart-java -DarchetypeVersion=1.8.0 -DarchetypeCatalog=local

说明：需要自定义groupId、artifactId和version，如图

进入flink-example-java目录，查看生成的目录树

2、将maven工程导入IDE(IDEA或Eclipse等)

3、开发流程

• set up the batch execution environment
• create execution plan for Flink(get some data from the environment)
• transform the resulting DataSet using operations
• execute program

4、词频统计程序

（1）java程序

• 批处理

public static void main(String[] args) throws Exception {
    String filePath = "E:\\Youth.txt";
    //set up the batch execution environment
    ExecutionEnvironment env = ExecutionEnvironment.getExecutionEnvironment();
    //get some data from the environment
    DataSource text = env.readTextFile(filePath);
​
    //text.print();
​
    //transform the resulting DataSet using operations
    text.flatMap(new FlatMapFunction>() {
        @Override
        public void flatMap(String value, Collector> collector) throws Exception {
            String[] tokens = value.toLowerCase().split(" ");
            for (String token : tokens) {
                if (token.length() > 0) {
                    collector.collect(new Tuple2<>(token, 1));
                }
            }
        }
    }).groupBy(0).sum(1).print();
}

• 实时流处理

public static void main(String[] args) throws Exception {
​
    StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
​
    DataStreamSource text = env
        .socketTextStream("localhost", 9999);
    text.flatMap(new FlatMapFunction>(){
​
        @Override
        public void flatMap(String value, Collector> collector) throws Exception {
            for (String token: value.split(" ")) {
                collector.collect(new Tuple2(token, 1));
            }
        }
    } ).keyBy(0).timeWindow(Time.seconds(5)).sum(1).print().setParallelism(1);
​
    text.print();
​
    env.execute("Window WordCount");
}

运行上述程序前，可以使用nc -l -p 9999命令实现(windows)服务器监听9999端口并将数据返回给客户端

• 重构实时流处理程序

public static void main(String[] args) throws Exception {
    int port=0;
    try {
        ParameterTool tool = ParameterTool.fromArgs(args);
        port=tool.getInt("port");
    }catch (Exception e){
        System.err.println("端口未设置，使用默认端口9999");
        port=9999;
    }
    StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
​
    DataStreamSource text = env
        .socketTextStream("localhost", port);
    text.flatMap(new FlatMapFunction>(){
​
        @Override
        public void flatMap(String value, Collector> collector) throws Exception {
            for (String token: value.split(" ")) {
                collector.collect(new Tuple2<>(token, 1));
            }
        }
    } ).keyBy(0).timeWindow(Time.seconds(5)).sum(1).print().setParallelism(1);
​
    text.print();
​
    env.execute("Window WordCount");
}

（2）Scala程序

• 批处理

def main(args: Array[String]): Unit = {
    val filePath = "E:\\Youth.txt"
    val env = ExecutionEnvironment.getExecutionEnvironment
    val text = env.readTextFile(filePath)
    //text.print()
​
    //引入隐式转换
    import org.apache.flink.api.scala._
    text.flatMap(_.toLowerCase().split(" "))
    .filter(_.nonEmpty)
    .map((_, 1))
    .groupBy(0)
    .sum(1).print()
}

• 流处理

def main(args: Array[String]): Unit = {
    val env = StreamExecutionEnvironment.getExecutionEnvironment
    val text = env.socketTextStream("localhost", 9999)
​
    import org.apache.flink.api.scala._
​
    text.flatMap(_.split(" "))
    .map((_, 1))
    .keyBy(0)
    .timeWindow(Time.seconds(5))
    .sum(1)
    .print().setParallelism(1)
    env.execute("StreamingWCScalaApp")
}

部分统计结果如图