[Scala] Flink项目实时热门商品统计（一）

传送区

[Scala] Flink项目实例系列（零）
[Scala] Flink项目实时热门商品统计（一）
[Scala] Flink项目实时流量统计（二）
[Scala] Flink项目恶意登录监控（三）
[Scala] Flink项目订单支付失效监控（四）
[Scala] Flink项目订单支付实时对账（五）
[Scala] Flink项目小彩蛋（六）
本项目的代码及文件见这这这，友情码是：3n9z。

项目需求

统计最近1小时的热门商品，每5分钟更新一次

思路

首先看到跟时间相关的需求，肯定需要使用于Window相关的算子，另外需要统计的主体是商品，所以需要针对商品的标识（也就是itemId做keyBy），然后窗口内聚合，再使用process进行排序处理。

代码

热门商品统计

数据源结构

因为是第一份码，所以我在这里写了较多的注释，之后类似的地方会省略。

[code]import java.sql.Timestamp
import java.util.Properties

import org.apache.flink.api.common.functions.AggregateFunction
import org.apache.flink.api.common.serialization.SimpleStringSchema
import org.apache.flink.api.common.state.{ListState, ListStateDescriptor}
import org.apache.flink.api.java.tuple.{Tuple, Tuple1, Tuple2}
import org.apache.flink.configuration.Configuration
import org.apache.flink.streaming.api.TimeCharacteristic
import org.apache.flink.streaming.api.functions.KeyedProcessFunction
import org.apache.flink.streaming.api.scala._
import org.apache.flink.streaming.api.scala.function.WindowFunction
import org.apache.flink.streaming.api.windowing.time.Time
import org.apache.flink.streaming.api.windowing.windows.TimeWindow
import org.apache.flink.streaming.connectors.kafka.FlinkKafkaConsumer
import org.apache.flink.util.Collector

import scala.collection.mutable.ListBuffer

case class UserBehavior(userId: Long, itemId: Long, categoryId: Int, behavior: String, timestamp: Long)

// 定义窗口聚合结果样例类，这里主要作用还是当成一个数据结构来使用，方便管理内部的数据
case class ItemViewCount(itemId: Long, windowEnd: Long, count: Long)

object HotItems {
def main(args: Array[String]) {
val env = StreamExecutionEnvironment.getExecutionEnvironment
// 设置时间语义，EventTime简单理解就是以时间戳的时间为准，因为需要考虑网络延迟等
env.setStreamTimeCharacteristic(TimeCharacteristic.EventTime)

// 实际项目多用kafka，以下是配置方法示例
val properties = new Properties()
properties.setProperty("bootstrap.servers", "localhost:9092")
properties.setProperty("group.id", "consumer-group")
properties.setProperty("key.deserializer", "org.apache.kafka.common.serialization.StringDeserializer")
properties.setProperty("value.deserializer", "org.apache.kafka.common.serialization.StringDeserializer")
properties.setProperty("auto.offset.reset", "latest")

// 构建数据结构，指定EventTime字段
val source = getClass.getResource("/UserBehavior.csv") // 获取相对路径
// val dataStream = env.addSource(new FlinkKafkaConsumer[String]("hotitems", new SimpleStringSchema(), properties))
val dataStream = env.readTextFile(source.getPath)
.map(data => {
val dataArray = data.split(",")
UserBehavior(dataArray(0).trim.toLong, dataArray(1).trim.toLong, dataArray(2)
.trim.toInt, dataArray(3).trim, dataArray(4).trim.toLong)
}) // 将数据转为UserBehavior，理解为打包成一个整体作为流的一个单位（数据包？）
// 因为源数据时间戳为升序，所以直接用下边这个API，乘1000转单位为秒，默认是以秒为单位；乱序时间会在下个案例中使用
.assignAscendingTimestamps(_.timestamp * 1000)
.filter(_.behavior == "pv") // 筛出pv数据
.keyBy(_.itemId) // 用itemId划出keyedStream，简单理解就是变成多个流了
.timeWindow(Time.hours(1), Time.minutes(5)) // 对流进行窗口操作，前参为窗口大小，后为步长
.aggregate(new CountAgg(), new WindowResult()) // 窗口聚合，前为预聚合，可以提高效率，不至于把数据全摞到一起计算

val processedStream = dataStream
.keyBy(_.windowEnd) // 因前边逻辑已经划好了1小时内的窗口，所以这里直接按窗口进行分组统计
.process(new TopNHotItems(3)) // 自定义ProcessFunction

// Sink直接输出
processedStream.print("process")

// 执行
env.execute("HotItems job")
}
}

// 自定义预聚合是，减少State压力，效率更高
class CountAgg() extends AggregateFunction[UserBehavior, Long, Long] {
override def createAccumulator(): Long = 0L // 初始值

override def merge(acc: Long, acc1: Long): Long = acc + acc1

override def getResult(acc: Long): Long = acc // 输出终值

override def add(in: UserBehavior, acc: Long): Long = acc + 1
}

// 自定义预聚合函数计算平均数，仅是个例子，与项目无关
class AverageAgg() extends AggregateFunction[UserBehavior, (Long, Int), Double] {
override def add(value: UserBehavior, accumulator: (Long, Int)): (Long, Int) = (
accumulator._1 + value.timestamp, accumulator._2 + 1
)

override def createAccumulator(): (Long, Int) = (0L, 0)

override def getResult(accumulator: (Long, Int)): Double = accumulator._1 / accumulator._2

override def merge(a: (Long, Int), b: (Long, Int)): (Long, Int) = (a._1 + b._1, a._2 + b._2)
}

// 将每个Key每个窗口聚合后的结果带上其它信息输出
// 注意WindowFunction源码第四个参数中<: Window，意思是参数必须要为Window的子类，<:表示上界
// WindowFunction接收的四个参数分别是IN OUT KEY Window，IN是CountAgg聚合后的结果，OUT一个ItemViewCount
// key是keyBy所用的字段，最后一个不是很懂，只知道是Window的子类即可，传TimeWindow就完事儿了
// 输出ItemViewCount需要有三个字段，注意CountAgg保存在Iterable中，注意取出方式
class WindowResult() extends WindowFunction[Long, ItemViewCount, Long, TimeWindow] {
override def apply(key: Long, w: TimeWindow, iterable: Iterable[Long],
collector: Collector[ItemViewCount]): Unit = {
collector.collect(ItemViewCount(key, w.getEnd, iterable.iterator.next))
}
}

// KeyedProcessFunction会处理流的每一个元素，输出0到多个元素
// KeyedProcessFunction需要的三个参数分别是key, in, out
class TopNHotItems(topSize: Int) extends KeyedProcessFunction[Long, ItemViewCount, String] {

// 定义列表状态，就是用来保存数据流的数据结构，共有四种，初始化在open中完成，后续案例有简化写法
private var itemState: ListState[ItemViewCount] = _

// 初始化，定义列表状态中内容
override def open(parameters: Configuration): Unit = {
itemState = getRuntimeContext
.getListState(new ListStateDescriptor[ItemViewCount]("item-state", classOf[ItemViewCount]))
}

override def processElement(i: ItemViewCount, context: KeyedProcessFunction[Long, ItemViewCount, String]#Context,
collector: Collector[String]): Unit = {
// 把每条数据存入状态列表
itemState.add(i)
// 注册一个定时器，+ 100表示延迟100毫秒触发，触发指启动onTimer方法
context.timerService().registerEventTimeTimer(i.windowEnd + 100)
}

// 定时器触发时，对所有数据排序，并输出结果
override def onTimer(timestamp: Long, ctx: KeyedProcessFunction[Long, ItemViewCount, String]#OnTimerContext,
out: Collector[String]): Unit = {
// 将所有State中数据取出放到一个List Buffer中
val allItems: ListBuffer[ItemViewCount] = new ListBuffer()
// 注意遍历ListState需要引入下边这个包
import scala.collection.JavaConversions._
for (item <- itemState.get()) {
allItems += item
}

// 按照count大小排序，并取前N个
val sortedItems = allItems.sortBy(_.count)(Ordering.Long.reverse).take(topSize)

// 清空状态
itemState.clear()

// 将排名结果格式化输出
val result: StringBuilder = new StringBuilder()
// 此处的- 100与定时器呼应，结果会保持0；Timestamp是格式化用的
result.append("时间：").append(new Timestamp(timestamp - 100)).append("\n")
// 输出每一个商品的信息
for (i <- sortedItems.indices) {
val currentItem = sortedItems(i)
result.append("No").append(i + 1).append(":")
.append(" 商品ID=").append(currentItem.itemId)
.append(" 浏览量=").append(currentItem.count)
.append("\n")
}
result.append("================================")
// 控制输出频率
Thread.sleep(1000)
out.collect(result.toString())
}
}

Kafka生产者示例

实际工作中会有很多时候需要对接Kafka，上述代码中有consumer，正面再贴个生产者，方便今后查阅。

[code]import java.util.Properties
import scala.io

import org.apache.kafka.clients.producer.{KafkaProducer, ProducerRecord}

object KafkaProducer {
def main(args: Array[String]): Unit = {
writeToKafka("hotItems")
}
def writeToKafka(topic: String): Unit ={
val properties = new Properties()
properties.put("bootstrap.servers", "localhost:9092")
properties.setProperty("key.serializer", "org.apache.kafka.common.serialization.StringSerializer")
properties.setProperty("value.serializer", "org.apache.kafka.common.serialization.StringSerializer")

// 定义一个kafka producer
val producer = new KafkaProducer[String, String](properties)
// 从文件中读取数据，发送
val bufferedSource = io.Source.fromFile("yourPath/UserBehavior.csv")
for (line <- bufferedSource.getLines()) {
val record = new ProducerRecord[String, String](topic, line)
producer.send(record)
}
producer.close()
}
}

• 点赞
• 收藏
• 分享
• 文章举报