flink 流处理 词频统计

在 Flink 中进行词频统计，可以通过以下步骤来实现：

1. 读取数据：从 Kafka、文件或其他数据源中读取数据流。
2. 数据转换：将数据流中的数据进行转换，将每个单词拆分出来并转换成小写。
3. 分组聚合：将转换后的数据流按单词进行分组，然后对每个单词进行计数操作。
4. 结果输出：将计数结果输出到 Kafka、文件或其他数据源中。

以下是一个简单的 Flink 词频统计示例代码：

import org.apache.flink.api.common.functions.FlatMapFunction;
import org.apache.flink.api.java.utils.ParameterTool;
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 WordCount {

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

        // 获取执行环境
        final StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();

        // 从命令行参数中获取配置项
        final ParameterTool params = ParameterTool.fromArgs(args);

        // 从指定数据源读取数据
        DataStream<String> text;
        if (params.has("input")) {
            text = env.readTextFile(params.get("input"));
        } else {
            System.out.println("Executing WordCount example with default input data set.");
            System.out.println("Use --input to specify file input.");
            text = env.fromElements("hello world", "hello flink", "hello world");
        }

        // 对数据流进行转换，将每个单词拆分出来并转换成小写
        DataStream<WordWithCount> wordCounts = 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.toLowerCase(), 1L));
                        }
                    }
                })
                // 对转换后的数据流按单词进行分组，然后对每个单词进行计数操作
                .keyBy("word")
                .timeWindow(Time.seconds(5))
                .sum("count");

        // 输出计数结果
        if (params.has("output")) {
            wordCounts.writeAsText(params.get("output"));
        } else {
            System.out.println("Printing result to stdout. Use --output to specify output path.");
            wordCounts.print();
        }

        // 执行程序
        env.execute("Streaming WordCount");
    }

    // 存储单词和计数的 POJO 类
    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;
        }
    }
}

在以上代码中，我们首先获取执行环境，然后从指定数据源中读取数据流。接着，我们对数据流进行转换，将每个单词拆分出来并转换成小写。然后，我们对转换后的数据流按单词进行分组，然后对每个单词进行计数操作。最后，我们将计数结果输出到指定数据源中。

该示例代码中使用了 Flink 的时间窗口功能，将计数操作限制在 5 秒的时间窗口内。这样可以保证每个时间窗口内的计数结果都是独立的，并且不会受到前后时间窗口内的数据影响。

需要注意的是，该示例代码中的计数操作是在内存中进行的。如果要对大规模数据进行计数操作，可以考虑使用 Flink 的状态管理功能，将计数结果存储在状态中，然后通过定时器或其他方式对状态进行定期清理。