Flink（一）【WordCount 快速入门】
前言
学完了 Hadoop、Spark，本想着先把 Kafka、Flume 这些工具先学完的，但想了想还是把核心的技术先学完最后再去把那些工具学学。
最近心有点累哈哈哈，偷偷立个 flag，反正也没人看，明年的今天来这里还愿哈，愿望这种事情我是从来是不会说出来的，毕竟言以泄败，事以密成嘛。
那我隐晦低表达一下，摘录自《解忧杂货店》的一条句子：
这是克朗对自己梦想的描述，其实他不是自不量力，而是假如放弃了这个梦想，他的生活就失去了光，他未来的几十年生活会枯燥无味，会活的没有一点激情。
就像一个曾经自己深爱过的姑娘一样，明明无法在一起，却还是始终记挂着，因为心里眼里只有她，所以别人在你眼中，都会黯然失色的，没有色彩的东西，又怎么能投入激情去爱呢？
我的愿望有两个，在上面中有所体现，但我希望结果不要是遗憾，第一个愿望明年这会大概知道结果了，第二个愿望应该会晚一点，也许在2025年的春天，也许会更早一点...
API 环境搭建
添加依赖
pom.xml
1.13.0
1.8
2.12
1.7.30
org.apache.flink
flink-java
${flink.version}
org.apache.flink
flink-streaming-java_${scala.binary.version}
${flink.version}
org.apache.flink
flink-clients_${scala.binary.version}
${flink.version}
org.slf4j
slf4j-api
${slf4j.version}
org.slf4j
slf4j-log4j12
${slf4j.version}
org.apache.logging.log4j
log4j-to-slf4j
2.14.0
log4j.properties
log4j.rootLogger=error, stdout
log4j.appender.stdout=org.apache.log4j.ConsoleAppender
log4j.appender.stdout.layout=org.apache.log4j.PatternLayout
log4j.appender.stdout.layout.ConversionPattern=%-4r [%t] %-5p %c %x - %m%n
入门案例
0、数据准备
在 根目录下创建 words.txt
hello flink
hello java
hello spark
hello hadoop1、批处理
批处理所用到的算子API 都继承自 DataSet，而新版的 Flink 已经做到了流批一体，这里只做演示，以后这类 API 应该是要被弃用了。
import org.apache.flink.api.common.typeinfo.Types;
import org.apache.flink.api.java.ExecutionEnvironment;
import org.apache.flink.api.java.operators.AggregateOperator;
import org.apache.flink.api.java.operators.DataSource;
import org.apache.flink.api.java.operators.FlatMapOperator;
import org.apache.flink.api.java.operators.UnsortedGrouping;
import org.apache.flink.api.java.tuple.Tuple2;
import org.apache.flink.util.Collector;
public class BatchWordCount {
public static void main(String[] args) throws Exception {
// 1. 创建一个执行批式数据处理环境
ExecutionEnvironment env = ExecutionEnvironment.getExecutionEnvironment();
// 2. 从文件中读取数据 String类型 批式数据处理环境得到的 DataSource 继承自 DataSet
DataSource lineDS = env.readTextFile("input/words.txt");
// 3. 将每行数据转换成一个二元组类型
// 输入类型: String 输出类型: Tuple2
FlatMapOperator> wordAndOne =
// String lines: 输入数据行 Collector> out: 输出类型
lineDS.flatMap((String line, Collector> out) -> {
String[] words = line.split(" ");
for (String word : words) {
out.collect(Tuple2.of(word, 1L));
}
}).returns(Types.TUPLE(Types.STRING, Types.LONG)); //使用 Java 泛型的时候, 由于泛型擦除的存在, 需要显示信息返回返回值类型
// 4. 根据 word 分组
UnsortedGrouping> wordGroup = wordAndOne.groupBy(0); // 0 是索引位置
// 5. 分组内进行聚合
AggregateOperator> res = wordGroup.sum(1); // 1 也是索引位置
// 6. 打印结果
res.print();
}
}
运行结果：
(hadoop,1)
(flink,1)
(hello,4)
(java,1)
(spark,1)
Process finished with exit code 0因为现在已经是流批一体的框架了，所以提交 Flink 批处理任务需要用下面的语句：
$ bin/flink run -Dexecution.runtime-mode=BATCH BatchWordCount.jar2、流处理
2.1、有界数据流处理
这里我们用离线数据（提前创建好的文件）用流处理API DataStream 的算子来做处理。
import org.apache.flink.api.common.typeinfo.Types;
import org.apache.flink.api.java.tuple.Tuple2;
import org.apache.flink.streaming.api.datastream.DataStreamSource;
import org.apache.flink.streaming.api.datastream.KeyedStream;
import org.apache.flink.streaming.api.datastream.SingleOutputStreamOperator;
import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;
import org.apache.flink.util.Collector;
public class BoundedStreamWordCount {
public static void main(String[] args) throws Exception {
// 1. 创建一个流式的执行环境
StreamExecutionEnvironment env = StreamExecutionEnvironment.createLocalEnvironment();
// 2. 流式数据处理环境得到的 DataSource 继承自 DataStream
DataStreamSource lineDS = env.readTextFile("input/words.txt");
// 3. flatMap 打散数据 返回元组
SingleOutputStreamOperator> wordAndOne = lineDS.flatMap((String line, Collector> out) -> {
String[] words = line.split(" ");
for (String word : words) {
out.collect(Tuple2.of(word, 1L));
}
}).returns(Types.TUPLE(Types.STRING, Types.LONG));
// 4. 根据 word 分组
KeyedStream, String> wordGroupByKey = wordAndOne.keyBy(t -> t.f0);
// 5. 根据键对索引为 1 处的值进行合并
SingleOutputStreamOperator> res = wordGroupByKey.sum(1);
// 6. 输出结果
res.print();
// 7. 执行
env.execute(); // 这里我们的数据是有界的,但是真正开发环境是无界的,这里需要用execute方法等待新数据的到来
}
}
运行结果：
3> (java,1)
13> (flink,1)
1> (spark,1)
5> (hello,1)
5> (hello,2)
5> (hello,3)
5> (hello,4)
15> (hadoop,1)我们可以发现，输出的单词的顺序是乱序的，因为集群模式下数据流不是在本地执行的，而是在多个节点中执行，所以也就无法保证先输入的单词最先输出。
Idea下Flink API 会使用多线程来模拟集群下的多节点并行处理，而我们每行数据前面的 "编号>" 代表的就是线程的 id（对应 Flink 运行时占据的最小资源，也叫任务槽），默认使用当前电脑的所有 CPU 数。
我们还可以发现，hello是同一个节点上处理的，这是因为我们在做分组的时候，把分组后的数据分到了同一个节点（子任务）上。
2.2、无界数据流处理
这里我们使用 netcat 来模拟产生数据流
import org.apache.flink.api.common.typeinfo.Types;
import org.apache.flink.api.java.tuple.Tuple2;
import org.apache.flink.streaming.api.datastream.DataStreamSource;
import org.apache.flink.streaming.api.datastream.KeyedStream;
import org.apache.flink.streaming.api.datastream.SingleOutputStreamOperator;
import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;
import org.apache.flink.util.Collector;
public class UnBoundedStreamWordCount {
public static void main(String[] args) throws Exception {
// 1. 创建一个流式的执行环境
StreamExecutionEnvironment env = StreamExecutionEnvironment.createLocalEnvironment();
// 2. 流式数据处理环境得到的 DataSource 继承自 DataStream
ParameterTool parameterTool = ParameterTool.fromArgs(args);
String host = parameterTool.get("host");
Integer port = parameterTool.getInt("port");
DataStreamSource lineDS = env.socketTextStream(host,port);
// 3. flatMap 打散数据 返回元组
SingleOutputStreamOperator> wordAndOne = lineDS.flatMap((String line, Collector> out) -> {
String[] words = line.split(" ");
for (String word : words) {
out.collect(Tuple2.of(word, 1L));
}
}).returns(Types.TUPLE(Types.STRING, Types.LONG));
// 4. 根据 word 分组
KeyedStream, String> wordGroupByKey = wordAndOne.keyBy(t -> t.f0);
// 5. 根据键对索引为 1 处的值进行合并
SingleOutputStreamOperator> res = wordGroupByKey.sum(1);
// 6. 输出结果
res.print();
// 7. 执行
env.execute(); // 这里我们的数据是有界的,但是真正开发环境是无界的,这里需要用execute方法等待新数据的到来
}
}
运行结果：
可以看到，处理是相当快的，毕竟数据量很小，但是会想到 SparkStreaming 的处理过程，我们之前用 SparkStreaming 的时候还需要设置 Reciver 的接收间隔，而我们的 Flink 则是真正的实时处理。
总结
Flink 的学习终于开始了，还是一样的要求，不照搬视频课件内容，每行代码要有自己的思考，每行博客也要是自己思考的总结。
还有，最近感觉愈发词穷，该多看书了，以后养成每次博客加一条书摘的习惯。