Flink系列-第02讲：Flink 入门程序 WordCount 和 SQL 实现

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：

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：

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：

<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：

    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：

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：

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：

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：

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：

$ nc -lk 9000
Flink Flink Flink 
Flink Spark Storm

可以在控制台看到：

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：

//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：

<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：

ExecutionEnvironment fbEnv = ExecutionEnvironment.getExecutionEnvironment();
BatchTableEnvironment fbTableEnv = BatchTableEnvironment.create(fbEnv);

第二步，读取一行模拟数据作为输入：

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：

//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：

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。

点击这里下载本课程源码。

---

精选评论

**武：

课程案列会上传到Github吗

    编辑回复：

    会的哦，Flink 源码地址：https://github.com/wangzhiwubigdata/quickstart

**亮：

呃，还是scala代码量少啊

**1633：

感谢，之前看flink的官方文档，虽然有示例。但是由于并没有讲清楚需要依赖的jar包，所以在环境准备上遇到了不少问题。上了这节课，感觉一下子清晰多了！😀

*星：

请问python可开发大数据嘛？

    讲师回复：

    python不适合，python是脚本语言。在大数据场景下，多用于写一些简单的脚本。

**儒：

使用flink更推荐Java而不是Scala吗

    讲师回复：

    Flink绝大多数代码是Java开发，Scala是个并不成熟的语言，虽然基于JVM但是性能不稳定，只适合高端玩家。

**滨：

sql的jar包冲突是怎么回事 

    讲师回复：

    用IDEA工具检测一下冲突的原因，可以git pull 一下最新的代码

**一：

老师，课程不是用scala讲的么？

    讲师回复：

    不建议用scala写flink job

**欢：

紧跟步伐学习，周末在家做一做，看一看源

**彬：

BatchTableEnvironment tEnv = BatchTableEnvironment.create(env);老师这个东西，BatchTableEnvironment我看api源码里是个接口啊，为啥有create方法呢，我在ide里没有create方法，请指教啊。

    讲师回复：

    注意两点， 第一：Flink版本看看是不是和我的一致，最新的版本中Flink的API发生过变动。第二点，虽然是个接口，但是看方法的签名，static default 接口是可以有默认实现方法的，是Java的语法糖。

*靖：

运行 可以出结果，但是总是会有异常产生

**街大亨：

curl https://flink.apache.org/q/quickstart.sh | bash -s 1.12.0 ,1.10.0 没用了

    讲师回复：

    亲测有效，你可以直接访问：https://flink.apache.org/q/quickstart.sh ，找到代码：-DarchetypeVersion=${1:-1.12.0}，这里说的是你指定版本的话就用你指定的版本，不指定的话就用1.12.0版本

*艺：

public static final class LineSplitter implements FlatMapFunction 老师 这个接口总是无法使用，scala 版本2.11 flink版本1.11 这是为什么呢

    讲师回复：

    不会的，你直接把我工程中的 Flink 版本换掉，然后重新导 maven 依赖，这个 FlatMapFunction 是个最基本的函数。

**武：

本地运行batchJob时 报错：Exception in thread “main” java.lang.RuntimeException: java.util.concurrent.ExecutionException: akka.pattern.AskTimeoutException: Ask timed out on [Actor[akka://flink/user/dispatcher#1330413722]] after [10000 ms]. Message of type [org.apache.flink.runtime.rpc.messages.LocalFencedMessage]. A typical reason for AskTimeoutException is that the recipient actor didn’t send a reply.请问下是什么原因引起的

    讲师回复：

    https://issues.apache.org/jira/browse/FLINK-8485 这个是Flink本身的一个bug，我们自己可以把JDK的版本升级到1.8.1 另外有一个配置可以修改下：akka.ask.timeout: 60 s

**用户1554：

我拉下来的源码 右键没有办法执行main函数，可能是什么原因呢？

    讲师回复：

    用maven编译一下，把依赖全部下载完毕。

*南：

按照课程中的，pom文件中添加依赖后，本地运行，报错：Exception in thread “main” org.apache.flink.table.api.TableException: Create BatchTableEnvironment failed.这个是依赖的版本问题？？？

    讲师回复：

    是的，要注意。Flink在1.10版本做过一些较大更新。建议从1.11开始。

**勇：

fbTableEnv.createTemporaryView(“WordCount”, table);createTemporaryView 1.9没有这个方法吗?">registerTable

    讲师回复：

    把版本更新到1.11吧。1.11又一次较大规模的更新。

**吃雪糕：

flink sql的写法，表的记录数有上限吗？比如上亿的数据数据行性能如何？

    讲师回复：

    State会变得非常大，性能并不好。我们在SQL或者多个流Join的场景下都会设置State的过期时间。

**田：

本地模式可以直接运行么

    讲师回复：

    可以

**强：

还不错

**博：

可以用windows系统吗

    讲师回复：

    最好不要

*熙：

idea本地运行，其实运行时程序本身也会启动了jobmanager，taskmanager的么？？？

    讲师回复：

    没错

**磊：

学习这大数据工具，

需要会java web 开发吗

    讲师回复：

    最好会

**6091：

开始学习

**6631：

老师 帮忙看看一个问题 https://github.com/JSQF/flink10_learn.git 

com.yyb.flink10.stream.WordCount

报错 

Error:(64, 10) value build is not a member of ?0

possible cause: maybe a semicolon is missing before `value build’?

        .build()

    讲师回复：

    value build之前缺少一个括号

**成：

有问题啊，最后的flink sql ，pom文件想复制，不能复制，而且需要的jar包无法下载，最后，使用的是Java代码，可以用Scala实现吗？

    讲师回复：

    可以复制的，可以用scala但是不建议

lumen：

赞一个，作者大大辛苦啦

**8527：

请教下，sql的window如何使用？用类解析字段的话，未来扩展字段如何解决呢？如果有嵌套的话是不是就更复杂了？

    讲师回复：

    sql高度抽象，如果掌握不好，出现问题很难排查

*强：

写的很用心，排版很优美，期待更新中😀

**6631：

StreamTable 没有示例啊

    讲师回复：

    二者API类似，把源换成流即可。