关于pyflink的WordCount案例代码 flink example wordcount

批处理实验（DataSet API）

TestWordCount.java

/***
 * flink 批处理测试  从文件中读取单词，计数
 */
public class TestWordCount {
    public static void main(String[] args) throws Exception {
        // 获取执行环境
        ExecutionEnvironment env = ExecutionEnvironment.getExecutionEnvironment();
        // 读取文件
        String inputPath = "E:\\Projects\\bigdata\\flink\\flink-study\\demo01\\src\\main\\resources\\textfile.txt";
        DataSource<String> dataSource = env.readTextFile(inputPath);
        // 处理数据
        DataSet<Tuple2<String, Integer>> wordCount = dataSource
                .flatMap(new LineToWordOne())
                .groupBy(0)
                .sum(1);
        // output
        wordCount.print();
    }

    // 处理数据：每一条记录用空格隔开，每个单词组成一个二元组（word , 1）
    public static class LineToWordOne implements FlatMapFunction<String, Tuple2<String,Integer>> {

        @Override
        public void flatMap(String line, Collector<Tuple2<String,Integer>> out) throws Exception {
            String[] split = line.split(" ");
            for (String wold: split){
                out.collect(new Tuple2<String,Integer>(wold,1));
            }
        }
    }
}

流处理实验 （DataStream API）

有界流处理

将文件中的数据读取成数据流，然后提交任务到 Flink 执行，以此来模拟有界流数据处理。

StreamWordCount .java

public class StreamWordCount {
    public static void main(String[] args) throws Exception {
        // 获取启动参数
        ParameterTool parameters = ParameterTool.fromArgs(args);
        boolean isNetcat = parameters.getBoolean("isNetcat");
		
        // 获取流处理环境
        StreamExecutionEnvironment streamEnv 
        	= StreamExecutionEnvironment.getExecutionEnvironment();
        // 设置并行度
        streamEnv.setParallelism(3);

		// 读取数据流
        String filePath = parameters.get("filepath");
        DataStreamSource<String> dataSource = streamEnv.readTextFile(filePath);

        // 处理流数据
        SingleOutputStreamOperator<Tuple2<String, Integer>> resultStream 
        	= dataSource.flatMap(new LineToWordOne())
                .keyBy(0)
                .sum(1);

        resultStream.print();

        /**
         * 上面都是在定义一个数据处理的逻辑流程
         * 执行任务
         */
        streamEnv.execute();
    }

    // 处理数据：每一条记录用空格隔开，每个单词组成一个二元组（word , 1）
    public static class LineToWordOne implements FlatMapFunction<String, Tuple2<String,Integer>> {

        @Override
        public void flatMap(String line, Collector<Tuple2<String,Integer>> out) throws Exception {
            String[] split = line.split(" ");
            for (String wold: split){
                out.collect(new Tuple2<String,Integer>(wold,1));
            }
        }
    }
}

对比批处理的代码逻辑可以看出，流处理需要先定义好一个数据处理的流程，然后将任务提交到 Flink 中执行，数据是一个一个实时处理的，即使是有界流，也是根据定义好的逻辑读取数据流，然后攒到界限后一个一个处理，而批处理中，使用 DataSetAPI 数据先汇聚到一个数据集再分组计算：

无界流数据处理实验

修改 StreamWordCount.java 类，让它可选择的处理有界流或者无界流

package org.flink.study.practice01;

import org.apache.flink.api.common.functions.FlatMapFunction;
import org.apache.flink.api.java.tuple.Tuple2;
import org.apache.flink.api.java.utils.ParameterTool;
import org.apache.flink.streaming.api.datastream.DataStreamSource;
import org.apache.flink.streaming.api.datastream.SingleOutputStreamOperator;
import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;
import org.apache.flink.util.Collector;

/**
 * 流处理 word count
 * 有界流模拟：读取文件流  （--isNetcat false）
 * 无界流模拟：利用远程Linux主机的 netcat 工具开启一个 socket 端口，实时的输入数据  命令： nc -lk 9999
 * 故障恢复后不漏算演示：关闭程序，在 netcat 开启的 socket 中继续追加输入，然后启动程序，发现程序会从之前的位置继续处理数据
 *
 * @param 配置启动参数
 *    --isNetcat true
 *    --filepath E:\Projects\bigdata\flink\flink-study\demo01\src\main\resources\textfile.txt
 *    --host 192.168.116.100
 *    --port 9999
 */
public class StreamWordCount {
    public static void main(String[] args) throws Exception {
        // 获取启动参数
        ParameterTool parameters = ParameterTool.fromArgs(args);
        boolean isNetcat = parameters.getBoolean("isNetcat");

        // 获取流处理环境
        StreamExecutionEnvironment streamEnv = StreamExecutionEnvironment.getExecutionEnvironment();
        // 设置并行度
        streamEnv.setParallelism(3);

        DataStreamSource<String> dataSource;
        if (!isNetcat ){
            System.out.println("测试 1：从文件中读取文件流，其实还是一个有界流");
            String filePath = parameters.get("filepath");
            dataSource = streamEnv.readTextFile(filePath);
        } else {
            System.out.println("测试 2：从中 socket 中读取流，无界流，实时处理");
            String host = parameters.get("host");
            int port = parameters.getInt("port");
            dataSource = streamEnv.socketTextStream(host,port);
        }

        // 处理流数据
        SingleOutputStreamOperator<Tuple2<String, Integer>> resultStream = dataSource.flatMap(new LineToWordOne())
                .keyBy(0)
                .sum(1);

        resultStream.print();

        //执行任务
        streamEnv.execute();
    }

    // 处理数据：每一条记录用空格隔开，每个单词组成一个二元组（word , 1）
    public static class LineToWordOne implements FlatMapFunction<String, Tuple2<String,Integer>> {

        @Override
        public void flatMap(String line, Collector<Tuple2<String,Integer>> out) throws Exception {
            String[] split = line.split(" ");
            for (String wold: split){
                out.collect(new Tuple2<String,Integer>(wold,1));
            }
        }
    }
}

idea开发环境启动参数，使用无界流数据：

在虚拟机上开启一个 socket 监听 9999 端口，用来发数据：

nc -lk 9999

启动应用程序，向 Socket 中实时输入数据

输入数据：

程序控制台实时输出：

不漏算测试

关闭程序，在 netcat 开启的 socket 中继续追加输入，然后启动程序，发现程序会从之前的位置继续处理数据：

可以看到数据不会漏算，如果要实现故障恢复，还需要将状态定期持久化，并设置检查点。