最近在项目中需要用到Flink，关于Flink的基本介绍就不啰嗦了，官方文档传送门 。
由于是第一次接触，我花了一些时间整理了几个小demo（java）当作笔记。对Flink很多地方的理解有些片面甚至错误的，路过的朋友权当参考，不能保证说得都对。
之前接触过Spark的都知道，数据处理是在RDD中进行的（无论是批处理还是流处理）。Flink则不同，批处理用DataSet，流处理用DataStream，而且批处理和流处理的api也是不一样的。
先来看一下第一个demo 经典的 word count
我笔记中的例子都是基于 JDK1.8 ，Flink 1.6 编写的
import org.apache.flink.api.common.functions.FlatMapFunction;
import org.apache.flink.api.java.DataSet;
import org.apache.flink.api.java.ExecutionEnvironment;
import org.apache.flink.api.java.aggregation.Aggregations;
import org.apache.flink.api.java.tuple.Tuple2;
import org.apache.flink.util.Collector;
import java.util.List;
/**
* 从本地文件读取字符串，按空格分割单词，统计每个分词出现的次数并输出
*/
public class Demo1 {
public static void main(String[] args) {
//获取执行环境 ExecutionEnvironment （批处理用这个对象）
final ExecutionEnvironment env = ExecutionEnvironment.getExecutionEnvironment();
//加载数据源到 DataSet
DataSet<String> text = env.readTextFile("test.txt");
DataSet<Tuple2<String, Integer>> counts =
text.flatMap(new FlatMapFunction<String, Tuple2<String, Integer>>() {
@Override
public void flatMap(String s, Collector<Tuple2<String, Integer>> collector) throws Exception {
//s 即从文本中读取到一行字符串，按空格分割后得到数组tokens
String[] tokens = s.toLowerCase().split("\\s+");
for (String token : tokens) {
if (token.length() > 0) {
//初始化每一个单词，保存为元祖对象
collector.collect(new Tuple2<String, Integer>(token, 1));
}
}
}
})
.groupBy(0) //0表示Tuple2<String, Integer> 中的第一个元素，即分割后的单词
.aggregate(Aggregations.SUM, 1); //同理，1表示Tuple2<String, Integer> 中的第二个元素，即出现次数
try {
//从DataSet 中获得集合，并遍历
List<Tuple2<String,Integer>> list = counts.collect();
for (Tuple2<String,Integer> tuple2:list){
System.out.println(tuple2.f0 + ":" + tuple2.f1);
}
} catch (Exception e) {
e.printStackTrace();
}
}
}
其中，groupBy(0) 表示按照DataSet中保存的元祖的第一个字段分组，aggregate 是聚合函数，Aggregations.SUM 指定了求和，1 表示对元祖的第二个字段进行求和计算。
//test.txt
hello world
flink demo
this is a flink demo file
//控制台输出
demo:2
is:1
this:1
a:1
file:1
world:1
hello:1
flink:2
可以看到，Flink程序已经成功工作了。但是有一个问题，DataSet中的对象使用元祖Tuple来保存的，如果字段比较多，肯定不如pojo 更加方便，所以第二个demo 我用pojo来改造一下。
import org.apache.flink.api.common.functions.FlatMapFunction;
import org.apache.flink.api.common.functions.ReduceFunction;
import org.apache.flink.api.java.DataSet;
import org.apache.flink.api.java.ExecutionEnvironment;
import org.apache.flink.util.Collector;
import java.util.List;
/**
* 用pojo 改造 demo1
*/
public class Demo2 {
public static void main(String[] args) {
final ExecutionEnvironment env = ExecutionEnvironment.getExecutionEnvironment();
DataSet<String> text = env.readTextFile("test.txt");
//用 WordWithCount 保存单词和次数信息
DataSet<WordWithCount> counts =
text.flatMap(new FlatMapFunction<String, WordWithCount>() {
@Override
public void flatMap(String s, Collector<WordWithCount> collector) throws Exception {
String[] tokens = s.toLowerCase().split("\\s+");
for (String token : tokens) {
if (token.length() > 0) {
collector.collect(new WordWithCount(token, 1));
}
}
}
})
.groupBy("word")//直接指定字段名称
.reduce(new ReduceFunction<WordWithCount>() {
@Override
public WordWithCount reduce(WordWithCount wc, WordWithCount t1) throws Exception {
return new WordWithCount(wc.word, wc.count + t1.count);
}
});
try {
List<WordWithCount> list = counts.collect();
for (WordWithCount wc: list) {
System.out.println(wc.toString());
}
} catch (Exception e) {
e.printStackTrace();
}
}
// pojo
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;
}
}
}
运行结果和demo1完全一致。但是你可能会注意到，demo1中的aggregate聚合函数被替换成了reduce，这是因为aggregate函数只接受int来表示filed。同时，.groupBy(0) 也相应改成用.groupBy("word")直接指定字段。
请注意，如果你的pojo demo 运行失败，你可能需要做以下检查工作：
1、pojo 有没有声明为public，如果是内部类必须是static的
2、有没有为pojo创建一个无参的构造函数
3、有没有声明pojo的字段为public，或者生成public的get，set方法
4、必须使用Flink 支持的数据类型
如果你有提供public 的 get,set 方法，比如：
public String getWord() {
return word;
}
public void setWord(String word) {
this.word = word;
}
那么，.groupBy("word") 还可以用.groupBy(WordWithCount::getWord)替换
