第02讲:Flink 入门程序 WordCount 和 SQL 实现

Posted 大数据技术派

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了第02讲:Flink 入门程序 WordCount 和 SQL 实现相关的知识,希望对你有一定的参考价值。

Flink系列文章

  1. 第01讲:Flink 的应用场景和架构模型
  2. 第02讲:Flink 入门程序 WordCount 和 SQL 实现
  3. 第03讲:Flink 的编程模型与其他框架比较
  4. 第04讲:Flink 常用的 DataSet 和 DataStream API
  5. 第05讲:Flink SQL & Table 编程和案例
  6. 第06讲:Flink 集群安装部署和 HA 配置
  7. 第07讲:Flink 常见核心概念分析
  8. 第08讲:Flink 窗口、时间和水印
  9. 第09讲:Flink 状态与容错

我们右键运行时相当于在本地启动了一个单机版本。生产中都是集群环境,并且是高可用的,生产上提交任务需要用到flink run 命令,指定必要的参数。

本课时我们主要介绍 Flink 的入门程序以及 SQL 形式的实现。

上一课时已经讲解了 Flink 的常用应用场景和架构模型设计,这一课时我们将会从一个最简单的 WordCount 案例作为切入点,并且同时使用 SQL 方式进行实现,为后面的实战课程打好基础。

我们首先会从环境搭建入手,介绍如何搭建本地调试环境的脚手架;然后分别从DataSet(批处理)和 DataStream(流处理)两种方式如何进行单词计数开发;最后介绍 Flink Table 和 SQL 的使用。

Flink 开发环境

通常来讲,任何一门大数据框架在实际生产环境中都是以集群的形式运行,而我们调试代码大多数会在本地搭建一个模板工程,Flink 也不例外。

Flink 一个以 Java 及 Scala 作为开发语言的开源大数据项目,通常我们推荐使用 Java 来作为开发语言,Maven 作为编译和包管理工具进行项目构建和编译。对于大多数开发者而言,JDK、Maven 和 Git 这三个开发工具是必不可少的。

关于 JDK、Maven 和 Git 的安装建议如下表所示:

工程创建

一般来说,我们在通过 IDE 创建工程,可以自己新建工程,添加 Maven 依赖,或者直接用 mvn 命令创建应用:

复制代码

mvn   archetype:generate  \\

        -DarchetypeGroupId=org.apache.flink \\

        -DarchetypeArtifactId=flink-quickstart-java \\

        -DarchetypeVersion=1.10.0

通过指定 Maven 工程的三要素,即 GroupId、ArtifactId、Version 来创建一个新的工程。同时 Flink 给我提供了更为方便的创建 Flink 工程的方法:

复制代码

curl https://flink.apache.org/q/quickstart.sh | bash -s 1.10.0

我们在终端直接执行该命令:

直接出现 Build Success 信息,我们可以在本地目录看到一个已经生成好的名为 quickstart 的工程。

这里需要的主要的是,自动生成的项目 pom.xml 文件中对于 Flink 的依赖注释掉 scope:

复制代码

<dependency>

   <groupId>org.apache.flink</groupId>

   <artifactId>flink-java</artifactId>

   <version>$flink.version</version>

   <!--<scope>provided</scope>-->

</dependency>

<dependency>

   <groupId>org.apache.flink</groupId>

   <artifactId>flink-streaming-java_$scala.binary.version</artifactId>

   <version>$flink.version</version>

   <!--<scope>provided</scope>-->

</dependency>

DataSet WordCount

WordCount 程序是大数据处理框架的入门程序,俗称“单词计数”。用来统计一段文字每个单词的出现次数,该程序主要分为两个部分:一部分是将文字拆分成单词;另一部分是单词进行分组计数并打印输出结果。

整体代码实现如下:

复制代码

 public static void main(String[] args) throws Exception 

      // 创建Flink运行的上下文环境
      final ExecutionEnvironment env = ExecutionEnvironment.getExecutionEnvironment();

      // 创建DataSet,这里我们的输入是一行一行的文本
      DataSet<String> text = env.fromElements(
            "Flink Spark Storm",
            "Flink Flink Flink",
            "Spark Spark Spark",
            "Storm Storm Storm"
      );
      // 通过Flink内置的转换函数进行计算
      DataSet<Tuple2<String, Integer>> counts =
            text.flatMap(new LineSplitter())
                  .groupBy(0)
                  .sum(1);
      //结果打印
      counts.printToErr();

   
public static final class LineSplitter implements FlatMapFunction<String, Tuple2<String, Integer>> 

      @Override
      public void flatMap(String value, Collector<Tuple2<String, Integer>> out) 
         // 将文本分割
         String[] tokens = value.toLowerCase().split("\\\\W+");

         for (String token : tokens) 
            if (token.length() > 0) 
               out.collect(new Tuple2<String, Integer>(token, 1));
            
         
      
    

实现的整个过程中分为以下几个步骤。

首先,我们需要创建 Flink 的上下文运行环境:

复制代码

ExecutionEnvironment env = ExecutionEnvironment.getExecutionEnvironment();

然后,使用 fromElements 函数创建一个 DataSet 对象,该对象中包含了我们的输入,使用 FlatMap、GroupBy、SUM 函数进行转换。

最后,直接在控制台打印输出。

我们可以直接右键运行一下 main 方法,在控制台会出现我们打印的计算结果:

DataStream WordCount

为了模仿一个流式计算环境,我们选择监听一个本地的 Socket 端口,并且使用 Flink 中的滚动窗口,每 5 秒打印一次计算结果。代码如下:

复制代码

public class StreamingJob 

    public static void main(String[] args) throws Exception 

        // 创建Flink的流式计算环境

        final StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();

        // 监听本地9000端口

        DataStream<String> text = env.socketTextStream("127.0.0.1", 9000, "\\n");

        // 将接收的数据进行拆分,分组,窗口计算并且进行聚合输出

        DataStream<WordWithCount> windowCounts = text

                .flatMap(new FlatMapFunction<String, WordWithCount>() 

                    @Override

                    public void flatMap(String value, Collector<WordWithCount> out) 

                        for (String word : value.split("\\\\s")) 

                            out.collect(new WordWithCount(word, 1L));

                        

                    

                )

                .keyBy("word")

                .timeWindow(Time.seconds(5), Time.seconds(1))

                .reduce(new ReduceFunction<WordWithCount>() 

                    @Override

                    public WordWithCount reduce(WordWithCount a, WordWithCount b) 

                        return new WordWithCount(a.word, a.count + b.count);

                    

                );

        // 打印结果

        windowCounts.print().setParallelism(1);

        env.execute("Socket Window WordCount");

    

    // Data type for words with count

    public static class WordWithCount 

        public String word;

        public long count;

        public WordWithCount() 

        public WordWithCount(String word, long count) 

            this.word = word;

            this.count = count;

        

        @Override

        public String toString() 

            return word + " : " + count;

        

    

整个流式计算的过程分为以下几步。

首先创建一个流式计算环境:

复制代码

StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();

然后进行监听本地 9000 端口,将接收的数据进行拆分、分组、窗口计算并且进行聚合输出。代码中使用了 Flink 的窗口函数,我们在后面的课程中将详细讲解。

我们在本地使用 netcat 命令启动一个端口:

复制代码

nc -lk 9000

然后直接运行我们的 main 方法:

可以看到,工程启动后开始监听 127.0.0.1 的 9000 端口。

在 nc 中输入:

复制代码

$ nc -lk 9000

Flink Flink Flink 

Flink Spark Storm

可以在控制台看到:

复制代码

Flink : 4

Spark : 1

Storm : 1

Flink Table & SQL WordCount

Flink SQL 是 Flink 实时计算为简化计算模型,降低用户使用实时计算门槛而设计的一套符合标准 SQL 语义的开发语言。

一个完整的 Flink SQL 编写的程序包括如下三部分。

  • Source Operator:是对外部数据源的抽象, 目前 Apache Flink 内置了很多常用的数据源实现,比如 mysql、Kafka 等。
  • Transformation Operators:算子操作主要完成比如查询、聚合操作等,目前 Flink SQL 支持了 Union、Join、Projection、Difference、Intersection 及 window 等大多数传统数据库支持的操作。
  • Sink Operator:是对外结果表的抽象,目前 Apache Flink 也内置了很多常用的结果表的抽象,比如 Kafka Sink 等。

我们也是通过用一个最经典的 WordCount 程序作为入门,上面已经通过 DataSet/DataStream API 开发,那么实现同样的 WordCount 功能, Flink Table & SQL 核心只需要一行代码:

复制代码

//省略掉初始化环境等公共代码

SELECT word, COUNT(word) FROM table GROUP BY word;

首先,整个工程中我们 pom 中的依赖如下图所示:

复制代码

<dependency>

         <groupId>org.apache.flink</groupId>

         <artifactId>flink-java</artifactId>

         <version>1.10.0</version>

     </dependency>

<dependency>

         <groupId>org.apache.flink</groupId>

         <artifactId>flink-streaming-java_2.11

         <version>1.10.0</version>

</dependency>

<dependency>

         <groupId>org.apache.flink</groupId>

         <artifactId>flink-table-api-java-bridge_2.11</artifactId>

         <version>1.10.0</version>

</dependency>

<dependency>

         <groupId>org.apache.flink</groupId>

         <artifactId>flink-table-planner-blink_2.11</artifactId>

         <version>1.10.0</version>

</dependency>

<dependency>

         <groupId>org.apache.flink</groupId>

         <artifactId>flink-table-planner_2.11</artifactId>

         <version>1.10.0</version>

</dependency>

     <dependency>

         <groupId>org.apache.flink</groupId>

         <artifactId>flink-table-api-scala-bridge_2.11</artifactId>

         <version>1.10.0</version>

</dependency>

第一步,创建上下文环境:

复制代码

ExecutionEnvironment fbEnv = ExecutionEnvironment.getExecutionEnvironment();

BatchTableEnvironment fbTableEnv = BatchTableEnvironment.create(fbEnv);

第二步,读取一行模拟数据作为输入:

复制代码

String words = "hello flink hello lagou";

String[] split = words.split("\\\\W+");

ArrayList<WC> list = new ArrayList<>();

for(String word : split)

    WC wc = new WC(word,1);

    list.add(wc);



DataSet<WC> input = fbEnv.fromCollection(list);

第三步,注册成表,执行 SQL,然后输出:

复制代码

//DataSet 转sql, 指定字段名

Table table = fbTableEnv.fromDataSet(input, "word,frequency");

table.printSchema();

//注册为一个表

fbTableEnv.createTemporaryView("WordCount", table);

Table table02 = fbTableEnv.sqlQuery("select word as word, sum(frequency) as frequency from WordCount GROUP BY word");

//将表转换DataSet

DataSet<WC> ds3  = fbTableEnv.toDataSet(table02, WC.class);

ds3.printToErr();

整体代码结构如下:

复制代码

public class WordCountSQL 

    public static void main(String[] args) throws Exception

        //获取运行环境

        ExecutionEnvironment fbEnv = ExecutionEnvironment.getExecutionEnvironment();

        //创建一个tableEnvironment

        BatchTableEnvironment fbTableEnv = BatchTableEnvironment.create(fbEnv);

        String words = "hello flink hello lagou";

        String[] split = words.split("\\\\W+");

        ArrayList<WC> list = new ArrayList<>();

        for(String word : split)

            WC wc = new WC(word,1);

            list.add(wc);

        

        DataSet<WC> input = fbEnv.fromCollection(list);

        //DataSet 转sql, 指定字段名

        Table table = fbTableEnv.fromDataSet(input, "word,frequency");

        table.printSchema();

        //注册为一个表

        fbTableEnv.createTemporaryView("WordCount", table);

        Table table02 = fbTableEnv.sqlQuery("select word as word, sum(frequency) as frequency from WordCount GROUP BY word");

        //将表转换DataSet

        DataSet<WC> ds3  = fbTableEnv.toDataSet(table02, WC.class);

        ds3.printToErr();

    

    public static class WC 

        public String word;

        public long frequency;

        public WC() 

        public WC(String word, long frequency) 

            this.word = word;

            this.frequency = frequency;

        

        @Override

        public String toString() 

            return  word + ", " + frequency;

        

    

我们直接运行该程序,在控制台可以看到输出结果:

总结

本课时介绍了 Flink 的工程创建,如何搭建调试环境的脚手架,同时以 WordCount 单词计数这一最简单最经典的场景用 Flink 进行了实现。第一次体验了 Flink SQL 的强大之处,让你有一个直观的认识,为后续内容打好基础。

以上是关于第02讲:Flink 入门程序 WordCount 和 SQL 实现的主要内容,如果未能解决你的问题,请参考以下文章

第12讲:Flink 常用的 Source 和 Connector

大数据——Flink 入门程序(wordcount)

Flink入门wordCount

Flink 1.9 Table & SQL 第一个程序 WordCount

Flink 1.9 Table & SQL 第一个程序 WordCount

Flink 1.14 Table & SQL 第一个程序 WordCount