WordCount
需求：统计一段文字中，每个单词出现的频次
添加依赖
<properties>
<flink.version>1.17.0</flink.version>
</properties>
<dependencies>
<dependency>
<groupId>org.apache.flink</groupId>
<artifactId>flink-streaming-java</artifactId>
<version>${flink.version}</version>
</dependency>
<dependency>
<groupId>org.apache.flink</groupId>
<artifactId>flink-clients</artifactId>
<version>${flink.version}</version>
</dependency>
</dependencies>
1.批处理
基本思路：先逐行读入文件数据，然后将每一行文字拆分成单词；接着按照单词分组，统计每组数据的个数。
1.1.数据准备
resources目录下新建一个 input 文件夹，并在下面创建文本文件words.txt
words.txt
hello flink
hello world
hello java
1.2.代码编写
public class BatchWordCount {
public static void main(String[] args) throws Exception {
// 1. 创建执行环境
ExecutionEnvironment env = ExecutionEnvironment.getExecutionEnvironment();
// 2. 从文件读取数据 按行读取(存储的元素就是每行的文本)
String filePath = Objects.requireNonNull(
BatchWordCount.class.getClassLoader().getResource("input/words.txt")).getPath();
DataSource<String> lineDS = env.readTextFile(filePath);
// 3. 转换数据格式
FlatMapOperator<String, Tuple2<String, Long>> wordAndOne = lineDS.flatMap(
new FlatMapFunction<String, Tuple2<String, Long>>() {
@Override
public void flatMap(String line, Collector<Tuple2<String, Long>> out) {
String[] words = line.split(" ");
for (String word : words) {
out.collect(Tuple2.of(word, 1L));
}
}
});
// 4. 按照 word 进行分组
UnsortedGrouping<Tuple2<String, Long>> wordAndOneUG = wordAndOne.groupBy(0);
// 5. 分组内聚合统计
AggregateOperator<Tuple2<String, Long>> sum = wordAndOneUG.sum(1);
// 6. 打印结果
sum.print();
}
}
打印结果如下：（结果正确）
上述代码是基于 DataSet API 的，也就是对数据的处理转换，是看作数据集来进行操作的。
事实上 Flink 本身是流批统一的处理架构，批量的数据集本质上也是流，没有必要用两套不同的 API 来实现。从Flink 1.12 开始，官方推荐的做法是直接使用 DataStream API，在提交任务时通过将执行模式设为BATCH来进行批处理：
bin/flink run -Dexecution.runtime-mode=BATCH BatchWordCount.jar
2.流处理
DataStreamAPI可以直接处理批处理和流处理的所有场景
2.1读取文件
还是上述words.txt文件
代码实现：
public class StreamWordCount {
public static void main(String[] args) throws Exception {
// 1. 创建流式执行环境
StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
// 2.读取文件
String filePath = Objects.requireNonNull(
StreamWordCount.class.getClassLoader().getResource("input/words.txt")).getPath();
DataStreamSource<String> lineStream = env.readTextFile(filePath);
// 3. 转换、分组、求和，得到统计结果
SingleOutputStreamOperator<Tuple2<String, Long>> sum = lineStream.flatMap(new FlatMapFunction<String, Tuple2<String, Long>>() {
@Override
public void flatMap(String line, Collector<Tuple2<String, Long>> out) throws Exception {
String[] words = line.split(" ");
for (String word : words) {
out.collect(Tuple2.of(word, 1L));
}
}
}).keyBy(data -> data.f0)
.sum(1);
// 4. 打印
sum.print();
// 5. 执行
env.execute();
}
}
与批处理程序BatchWordCount有几点不同：
- 创建执行环境的不同，流处理程序使用的是
StreamExecutionEnvironment。 - 转换处理之后，得到的数据对象类型不同。
- 分组操做调用的是 keyBy 方法，可以传入一个匿名函数作为键选择器（KeySelector），指定当前分组的key。
- 最后执行execute方法，开始执行任务。
2.2读取Socket文件流
实际生产中，真正的数据多是无界的，需要持续地捕获数据。为了模拟这种场景，可以监听 socket 端口，然后向该端口不断的发送数据。
- 简单改动，只需将StreamWordCount 代码中读取文件数据的
readTextFile方法，替换成读取socket文本流的方法socketTextStream。
public class StreamSocketWordCount {
public static void main(String[] args) throws Exception {
// 1. 创建流式执行环境
StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
// 2.读取文件
DataStreamSource<String> lineStream = env.socketTextStream("124.222.253.33", 7777);
// 3. 转换、分组、求和，得到统计结果
SingleOutputStreamOperator<Tuple2<String, Long>> sum = lineStream.flatMap(new FlatMapFunction<String, Tuple2<String, Long>>() {
@Override
public void flatMap(String line, Collector<Tuple2<String, Long>> out) throws Exception {
String[] words = line.split(" ");
for (String word : words) {
out.collect(Tuple2.of(word, 1L));
}
}
}).keyBy(data -> data.f0)
.sum(1);
// 4. 打印
sum.print();
// 5. 执行
env.execute();
}
}
- 在 Linux 环境的主机 124.222.253.33 上，执行下列命令，发送数据进行测试
nc -lk 7777
注意：要先启动端口，后启动 StreamSocketWordCount 程序，否则会报超时连接异常。
- 从Linux发送数据
1、输入“hello flink”，输出如下内容
2、再输入“hello world”，输出如下内容
Flink 还具有一个类型提取系统，可以分析函数的输入和返回类型，自动获取类型信息，从而获得对应的序列化器和反序列化器。但是，由于 Java 中泛型擦除的存在，在某些特殊情况下（比如 Lambda 表达式中），自动提取的信息是不够精细的，对于 flatMap 里传入的 Lambda 表达式，系统只能推断出返回的是Tuple2类型，而无法得到 Tuple2<String, Long>。需要显式地告诉系统当前的返回类型，才能正确地解析出完整数据
