5分鐘從零構建第一個 Apache Flink 應用

作者 | 伍翀（雲邪）

在本文中，我們將從零開始，教您如何構建第一個Apache Flink （以下簡稱Flink）應用程序。

開發環境準備

Flink 可以運行在 Linux, Max OS X, 或者是 Windows 上。為了開發 Flink 應用程序，在本地機器上需要有 Java 8.x 和 maven 環境。

如果有 Java 8 環境，運行下面的命令會輸出如下版本信息：

$ java -version
java version "1.8.0_65"
Java(TM) SE Runtime Environment (build 1.8.0_65-b17)
Java HotSpot(TM) 64-Bit Server VM (build 25.65-b01, mixed mode)

如果有 maven 環境，運行下面的命令會輸出如下版本信息：

$ mvn -version
Apache Maven 3.5.4 (1edded0938998edf8bf061f1ceb3cfdeccf443fe; 2018-06-18T02:33:14+08:00)
Maven home: /Users/wuchong/dev/maven
Java version: 1.8.0_65, vendor: Oracle Corporation, runtime: /Library/Java/JavaVirtualMachines/jdk1.8.0_65.jdk/Contents/Home/jre
Default locale: zh_CN, platform encoding: UTF-8
OS name: "mac os x", version: "10.13.6", arch: "x86_64", family: "mac"

另外我們推薦使用 ItelliJ IDEA （社區免費版已夠用）作為 Flink 應用程序的開發 IDE。Eclipse 雖然也可以，但是 Eclipse 在 Scala 和 Java 混合型項目下會有些已知問題，所以不太推薦 Eclipse。下一章節，我們會介紹如何創建一個 Flink 工程並將其導入 ItelliJ IDEA。

創建 Maven 項目

我們將使用 Flink Maven Archetype 來創建我們的項目結構和一些初始的默認依賴。在你的工作目錄下，運行如下命令來創建項目：

mvn archetype:generate \\
 -DarchetypeGroupId=org.apache.flink \\
 -DarchetypeArtifactId=flink-quickstart-java \\
 -DarchetypeVersion=1.6.1 \\
 -DgroupId=my-flink-project \\
 -DartifactId=my-flink-project \\
 -Dversion=0.1 \\
 -Dpackage=myflink \\
 -DinteractiveMode=false

你可以編輯上面的 groupId, artifactId, package 成你喜歡的路徑。使用上面的參數，Maven 將自動為你創建如下所示的項目結構：

$ tree my-flink-project
my-flink-project
├── pom.xml
└── src
 └── main
 ├── java
 │ └── myflink
 │ ├── BatchJob.java
 │ └── StreamingJob.java
 └── resources
 └── log4j.properties

我們的 pom.xml 文件已經包含了所需的 Flink 依賴，並且在 src/main/java 下有幾個示例程序框架。接下來我們將開始編寫第一個 Flink 程序。

編寫 Flink 程序

啟動 IntelliJ IDEA，選擇 “Import Project”（導入項目），選擇 my-flink-project 根目錄下的 pom.xml。根據引導，完成項目導入。

在 src/main/java/myflink 下創建 SocketWindowWordCount.java 文件：

package myflink;
public class SocketWindowWordCount {
 public static void main(String[] args) throws Exception {
 }
}

現在這程序還很基礎，我們會一步步往裡面填代碼。注意下文中我們不會將 import 語句也寫出來，因為 IDE 會自動將他們添加上去。在本節末尾，我會將完整的代碼展示出來，如果你想跳過下面的步驟，可以直接將最後的完整代碼粘到編輯器中。

Flink 程序的第一步是創建一個 StreamExecutionEnvironment 。這是一個入口類，可以用來設置參數和創建數據源以及提交任務。所以讓我們把它添加到 main 函數中：

StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();

下一步我們將創建一個從本地端口號 9000 的 socket 中讀取數據的數據源：

DataStream text = env.socketTextStream("localhost", 9000, "\\n");

這創建了一個字符串類型的 DataStream。DataStream 是 Flink 中做流處理的核心 API，上面定義了非常多常見的操作（如，過濾、轉換、聚合、窗口、關聯等）。在本示例中，我們感興趣的是每個單詞在特定時間窗口中出現的次數，比如說5秒窗口。為此，我們首先要將字符串數據解析成單詞和次數（使用Tuple2<string>表示），第一個字段是單詞，第二個字段是次數，次數初始值都設置成了1。我們實現了一個 flatmap 來做解析的工作，因為一行數據中可能有多個單詞。/<string>

DataStream> wordCounts = text
 .flatMap(new FlatMapFunction>() {
 @Override
 public void flatMap(String value, Collector> out) {
 for (String word : value.split("\\\\s")) {
 out.collect(Tuple2.of(word, 1));
 }
 }
 });

接著我們將數據流按照單詞字段（即0號索引字段）做分組，這裡可以簡單地使用 keyBy(int index) 方法，得到一個以單詞為 key 的Tuple2<string>數據流。然後我們可以在流上指定想要的窗口，並根據窗口中的數據計算結果。在我們的例子中，我們想要每5秒聚合一次單詞數，每個窗口都是從零開始統計的：/<string>

DataStream> windowCounts = wordCounts
 .keyBy(0)
 .timeWindow(Time.seconds(5))
 .sum(1);

第二個調用的 .timeWindow() 指定我們想要5秒的翻滾窗口（Tumble）。第三個調用為每個key每個窗口指定了sum聚合函數，在我們的例子中是按照次數字段（即1號索引字段）相加。得到的結果數據流，將每5秒輸出一次這5秒內每個單詞出現的次數。

最後一件事就是將數據流打印到控制檯，並開始執行：

windowCounts.print().setParallelism(1);
env.execute("Socket Window WordCount");
 

最後的 env.execute 調用是啟動實際Flink作業所必需的。所有算子操作（例如創建源、聚合、打印）只是構建了內部算子操作的圖形。只有在execute()被調用時才會在提交到集群上或本地計算機上執行。

下面是完整的代碼，部分代碼經過簡化（代碼在 GitHub 上也能訪問到）：

package myflink;
import org.apache.flink.api.common.functions.FlatMapFunction;
import org.apache.flink.api.java.tuple.Tuple2;
import org.apache.flink.streaming.api.datastream.DataStream;
import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;
import org.apache.flink.streaming.api.windowing.time.Time;
import org.apache.flink.util.Collector;
public class SocketWindowWordCount {
 public static void main(String[] args) throws Exception {
 // 創建 execution environment
 final StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
 // 通過連接 socket 獲取輸入數據，這裡連接到本地9000端口，如果9000端口已被佔用，請換一個端口
 DataStream text = env.socketTextStream("localhost", 9000, "\\n");
 // 解析數據，按 word 分組，開窗，聚合
 DataStream> windowCounts = text
 .flatMap(new FlatMapFunction>() {
 @Override
 public void flatMap(String value, Collector> out) {
 for (String word : value.split("\\\\s")) {
 out.collect(Tuple2.of(word, 1));
 }
 }
 })
 .keyBy(0)
 .timeWindow(Time.seconds(5))
 .sum(1);
 // 將結果打印到控制檯，注意這裡使用的是單線程打印，而非多線程 

 windowCounts.print().setParallelism(1);
 env.execute("Socket Window WordCount");
 }
}

運行程序

要運行示例程序，首先我們在終端啟動 netcat 獲得輸入流：

nc -lk 9000

如果是 Windows 平臺，可以通過 https://nmap.org/ncat/ 安裝 ncat 然後運行：

ncat -lk 9000

然後直接運行SocketWindowWordCount的 main 方法。

只需要在 netcat 控制檯輸入單詞，就能在 SocketWindowWordCount 的輸出控制檯看到每個單詞的詞頻統計。如果想看到大於1的計數，請在5秒內反覆鍵入相同的單詞。