实时数据处理实战:使用 Apache Flink 消费 Kafka 数据并进行窗口聚合

news2026/4/4 2:05:08
在大数据时代实时处理流式数据已经成为企业级应用的标配。无论是用户行为分析、实时监控告警还是金融风控系统都离不开低延迟、高吞吐的流处理引擎。本文将带你从零开始使用Apache Flink和Kafka构建一个完整的实时数据处理流水线涵盖数据模拟、流式消费、窗口聚合及结果输出所有代码均可直接运行。为什么选择 Flink KafkaKafka分布式消息队列擅长缓冲和分发海量实时数据保证数据可靠性和顺序性。Flink领先的流处理框架支持事件时间处理、精确一次语义Exactly-Once、毫秒级延迟和复杂状态管理。两者结合可以轻松搭建生产级的实时数仓或监控系统。实战场景我们模拟一个电商网站的用户点击流每个用户点击商品时产生一条 JSON 日志包含userId、productId、eventTypeclick/buy、timestamp。我们需要每隔 1 分钟统计一次所有商品的点击量PV并将结果实时写入 Elasticsearch 便于可视化。环境准备为了专注代码逻辑我们使用 Docker 快速启动 Kafka 和 Elasticsearch。Flink 程序可在本地 IDE 运行或提交到集群。1. 启动 Kafka 和 ES创建docker-compose.ymlyamlversion: 3 services: zookeeper: image: confluentinc/cp-zookeeper:latest environment: ZOOKEEPER_CLIENT_PORT: 2181 kafka: image: confluentinc/cp-kafka:latest depends_on: - zookeeper environment: KAFKA_BROKER_ID: 1 KAFKA_ZOOKEEPER_CONNECT: zookeeper:2181 KAFKA_ADVERTISED_LISTENERS: PLAINTEXT://localhost:9092 KAFKA_OFFSETS_TOPIC_REPLICATION_FACTOR: 1 ports: - 9092:9092 elasticsearch: image: docker.elastic.co/elasticsearch/elasticsearch:8.6.0 environment: - discovery.typesingle-node - xpack.security.enabledfalse ports: - 9200:9200运行docker-compose up -d2. 创建 Maven 项目新建一个 Java 项目pom.xml关键依赖xmlproperties flink.version1.17.1/flink.version kafka.version3.4.0/kafka.version jackson.version2.15.2/jackson.version /properties dependencies !-- Flink 核心依赖 -- dependency groupIdorg.apache.flink/groupId artifactIdflink-streaming-java/artifactId version${flink.version}/version /dependency dependency groupIdorg.apache.flink/groupId artifactIdflink-clients/artifactId version${flink.version}/version /dependency !-- Flink Kafka 连接器 -- dependency groupIdorg.apache.flink/groupId artifactIdflink-connector-kafka/artifactId version${flink.version}/version /dependency !-- JSON 序列化 -- dependency groupIdcom.fasterxml.jackson.core/groupId artifactIdjackson-databind/artifactId version${jackson.version}/version /dependency !-- Elasticsearch 8.x 连接器 -- dependency groupIdorg.apache.flink/groupId artifactIdflink-connector-elasticsearch8/artifactId version${flink.version}/version /dependency !-- 日志 -- dependency groupIdorg.slf4j/groupId artifactIdslf4j-simple/artifactId version2.0.9/version /dependency /dependencies第一步模拟数据生产者我们编写一个独立的 Kafka 生产者每秒随机生成 100~500 条点击事件发送到click-events主题。javaimport org.apache.kafka.clients.producer.*; import com.fasterxml.jackson.databind.node.ObjectNode; import com.fasterxml.jackson.databind.ObjectMapper; import java.util.Properties; import java.util.Random; import java.util.concurrent.TimeUnit; public class ClickEventProducer { private static final String TOPIC click-events; private static final String BOOTSTRAP_SERVERS localhost:9092; private static final Random random new Random(); private static final ObjectMapper mapper new ObjectMapper(); public static void main(String[] args) throws Exception { Properties props new Properties(); props.put(ProducerConfig.BOOTSTRAP_SERVERS_CONFIG, BOOTSTRAP_SERVERS); props.put(ProducerConfig.KEY_SERIALIZER_CLASS_CONFIG, org.apache.kafka.common.serialization.StringSerializer); props.put(ProducerConfig.VALUE_SERIALIZER_CLASS_CONFIG, org.apache.kafka.common.serialization.StringSerializer); try (KafkaProducerString, String producer new KafkaProducer(props)) { long userIdCounter 0; while (true) { int eventsThisSecond 100 random.nextInt(401); // 100-500 条/秒 for (int i 0; i eventsThisSecond; i) { String event generateEvent(userIdCounter); producer.send(new ProducerRecord(TOPIC, event)); } TimeUnit.SECONDS.sleep(1); } } } private static String generateEvent(long userId) { long now System.currentTimeMillis(); ObjectNode json mapper.createObjectNode(); json.put(userId, userId % 100000); // 模拟 10 万用户 json.put(productId, random.nextInt(500)); json.put(eventType, random.nextBoolean() ? click : buy); json.put(timestamp, now); return json.toString(); } }运行这个类之前先在 Kafka 中创建主题生产环境一般自动创建也可手动bashdocker exec -it kafka-container-id kafka-topics --create --topic click-events --bootstrap-server localhost:9092 --partitions 3 --replication-factor 1第二步定义数据实体和反序列化器Flink 从 Kafka 消费的是二进制数据我们需要将其解析为 POJO。这里定义一个简单的ClickEvent类javaimport java.sql.Timestamp; public class ClickEvent { public long userId; public int productId; public String eventType; public long timestamp; // 毫秒 public ClickEvent() {} // 必须有无参构造 public ClickEvent(long userId, int productId, String eventType, long timestamp) { this.userId userId; this.productId productId; this.eventType eventType; this.timestamp timestamp; } Override public String toString() { return String.format(ClickEvent{user%d, product%d, type%s, ts%s}, userId, productId, eventType, new Timestamp(timestamp)); } }反序列化器使用 Jackson 将 JSON 字符串转成ClickEventjavaimport org.apache.flink.api.common.serialization.DeserializationSchema; import org.apache.flink.api.common.typeinfo.TypeInformation; import com.fasterxml.jackson.databind.ObjectMapper; import java.io.IOException; public class ClickEventDeserializer implements DeserializationSchemaClickEvent { private static final ObjectMapper mapper new ObjectMapper(); Override public ClickEvent deserialize(byte[] message) throws IOException { return mapper.readValue(message, ClickEvent.class); } Override public boolean isEndOfStream(ClickEvent nextElement) { return false; } Override public TypeInformationClickEvent getProducedType() { return TypeInformation.of(ClickEvent.class); } }第三步编写 Flink 核心作业这是文章的核心——实时统计每分钟每个商品的点击次数PV并写入 Elasticsearch。3.1 构建执行环境并设置时间特性javaimport org.apache.flink.streaming.api.datastream.DataStream; import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment; import org.apache.flink.streaming.api.windowing.assigners.TumblingEventTimeWindows; import org.apache.flink.streaming.api.windowing.time.Time; import org.apache.flink.streaming.connectors.kafka.FlinkKafkaConsumer; import org.apache.flink.api.common.eventtime.WatermarkStrategy; import java.time.Duration; import java.util.Properties; public class RealTimePVJob { public static void main(String[] args) throws Exception { StreamExecutionEnvironment env StreamExecutionEnvironment.getExecutionEnvironment(); env.setParallelism(1); // 为了方便演示设置并行度为1 // 设置 Kafka 消费属性 Properties kafkaProps new Properties(); kafkaProps.setProperty(bootstrap.servers, localhost:9092); kafkaProps.setProperty(group.id, flink-pv-group); // 创建 Kafka 消费者 FlinkKafkaConsumerClickEvent consumer new FlinkKafkaConsumer( click-events, new ClickEventDeserializer(), kafkaProps ); // 为了处理乱序数据设置最大允许延迟 5 秒 WatermarkStrategyClickEvent watermarkStrategy WatermarkStrategy .ClickEventforBoundedOutOfOrderness(Duration.ofSeconds(5)) .withTimestampAssigner((event, timestamp) - event.timestamp); DataStreamClickEvent clickStream env .addSource(consumer) .assignTimestampsAndWatermarks(watermarkStrategy); // 后续操作... env.execute(Real-time PV Statistics); } }3.2 计算每分钟每个商品的点击量我们需要按productId分组然后在 1 分钟的滚动窗口内统计click事件的数量。javaimport org.apache.flink.streaming.api.datastream.KeyedStream; import org.apache.flink.streaming.api.datastream.WindowedStream; import org.apache.flink.streaming.api.windowing.windows.TimeWindow; import org.apache.flink.api.common.functions.MapFunction; import org.apache.flink.api.java.tuple.Tuple2; import org.apache.flink.util.Collector; // 接上面代码 DataStreamTuple2Integer, Long productClickCounts clickStream .filter(event - click.equals(event.eventType)) // 只统计点击 .map(new MapFunctionClickEvent, Tuple2Integer, Long() { Override public Tuple2Integer, Long map(ClickEvent event) { return Tuple2.of(event.productId, 1L); } }) .keyBy(tuple - tuple.f0) // 按 productId 分组 .window(TumblingEventTimeWindows.of(Time.minutes(1))) .reduce((a, b) - Tuple2.of(a.f0, a.f1 b.f1));或者使用更清晰的sum聚合javaimport org.apache.flink.streaming.api.datastream.DataStream; import org.apache.flink.api.common.functions.MapFunction; import org.apache.flink.api.java.tuple.Tuple2; DataStreamTuple2Integer, Long counts clickStream .filter(e - click.equals(e.eventType)) .map(e - Tuple2.of(e.productId, 1L)) .returns(Types.TUPLE(Types.INT, Types.LONG)) .keyBy(t - t.f0) .window(TumblingEventTimeWindows.of(Time.minutes(1))) .sum(1);3.3 将结果输出到控制台调试用javacounts.print();3.4 写入 Elasticsearch生产常用Flink 提供了 Elasticsearch 8 的 Sink。我们定义一个ElasticsearchSink将每个窗口的统计结果以 JSON 形式存入索引product_pv。javaimport org.apache.flink.streaming.connectors.elasticsearch8.ElasticsearchSink; import org.apache.flink.streaming.connectors.elasticsearch8.RequestIndexer; import org.apache.flink.api.common.functions.RuntimeContext; import org.apache.http.HttpHost; import org.elasticsearch.action.index.IndexRequest; import org.elasticsearch.client.Requests; import java.util.HashMap; import java.util.Map; public static ElasticsearchSinkTuple2Integer, Long createESSink() { // ES 服务器地址 HttpHost httpHost new HttpHost(localhost, 9200, http); ElasticsearchSink.BuilderTuple2Integer, Long esBuilder new ElasticsearchSink.Builder(java.util.Collections.singletonList(httpHost), (Tuple2Integer, Long element, RuntimeContext ctx, RequestIndexer indexer) - { MapString, Object json new HashMap(); json.put(productId, element.f0); json.put(clickCount, element.f1); json.put(windowEnd, System.currentTimeMillis()); // 可改用窗口结束时间 IndexRequest indexRequest Requests.indexRequest() .index(product_pv) .source(json); indexer.add(indexRequest); }); // 可选配置批量写入参数 esBuilder.setBulkFlushMaxActions(10); return esBuilder.build(); } // 在 main 方法中添加 counts.sinkTo(createESSink());注意Elasticsearch 索引product_pv需要提前创建动态创建也可建议在 Kibana 或通过 REST API 创建映射以优化性能。第四步完整可运行代码整合为了方便复制下面给出完整的RealTimePVJob.java省略 package 和 imports但核心逻辑已全javapublic class RealTimePVJob { public static void main(String[] args) throws Exception { StreamExecutionEnvironment env StreamExecutionEnvironment.getExecutionEnvironment(); env.setParallelism(2); // 可以根据 CPU 调整 Properties kafkaProps new Properties(); kafkaProps.setProperty(bootstrap.servers, localhost:9092); kafkaProps.setProperty(group.id, flink-pv-group); FlinkKafkaConsumerClickEvent consumer new FlinkKafkaConsumer( click-events, new ClickEventDeserializer(), kafkaProps ); WatermarkStrategyClickEvent watermarkStrategy WatermarkStrategy .ClickEventforBoundedOutOfOrderness(Duration.ofSeconds(5)) .withTimestampAssigner((event, recordTimestamp) - event.timestamp); DataStreamClickEvent source env .addSource(consumer) .assignTimestampsAndWatermarks(watermarkStrategy); DataStreamTuple2Integer, Long pvStream source .filter(event - click.equals(event.eventType)) .map(e - Tuple2.of(e.productId, 1L)) .returns(Types.TUPLE(Types.INT, Types.LONG)) .keyBy(t - t.f0) .window(TumblingEventTimeWindows.of(Time.minutes(1))) .sum(1); pvStream.print(PV per product every minute); pvStream.sinkTo(createESSink()); env.execute(Flink Kafka to ES PV Job); } private static ElasticsearchSinkTuple2Integer, Long createESSink() { HttpHost httpHost new HttpHost(localhost, 9200, http); ElasticsearchSink.BuilderTuple2Integer, Long builder new ElasticsearchSink.Builder(Collections.singletonList(httpHost), (element, ctx, indexer) - { MapString, Object doc new HashMap(); doc.put(productId, element.f0); doc.put(pv, element.f1); doc.put(timestamp, System.currentTimeMillis()); IndexRequest request Requests.indexRequest() .index(product_pv) .source(doc); indexer.add(request); }); builder.setBulkFlushMaxActions(10); return builder.build(); } }运行与验证启动 Docker 容器Kafka ES运行ClickEventProducer开始发送模拟数据运行RealTimePVJob观察控制台输出每分钟打印一次统计结果查询 Elasticsearch验证数据写入bashcurl -X GET localhost:9200/product_pv/_search?pretty你会看到类似下面的文档json{ productId: 123, pv: 342, timestamp: 1743249876000 }进阶优化与常见问题1. 使用事件时间 vs 处理时间本例使用了事件时间基于数据中的timestamp字段能正确处理乱序和延迟数据。如果使用处理时间只需将TumblingEventTimeWindows换成TumblingProcessingTimeWindows但这样会丢失事件时间的语义。2. 检查点Checkpoint配置为了达到 Exactly-Once 语义建议启用 checkpointjavaenv.enableCheckpointing(60000); // 每分钟一次 env.getCheckpointConfig().setMinPauseBetweenCheckpoints(30000);3. Kafka 消费者的 offset 提交Flink 默认在 checkpoint 完成时提交 offset保证一致性。如果未开启 checkpoint则依赖setCommitOffsetsOnCheckpoints参数。4. Elasticsearch 连接优化增大setBulkFlushMaxActions和setBulkFlushInterval提高吞吐。如果 ES 开启安全认证需要添加HttpHost的凭证。5. 处理乱序和迟到数据除了 Watermark 的延迟容忍可以使用allowedLateness让窗口等待一段时间java.window(TumblingEventTimeWindows.of(Time.minutes(1))) .allowedLateness(Time.seconds(10)) .sideOutputLateData(lateTag) // 将迟到数据输出到侧输出流6. 状态后端选择如果窗口状态很大例如按用户、商品多维聚合建议使用 RocksDB 作为状态后端避免 OOM。扩展从 PV 到 UV只需修改 keyBy 和聚合逻辑即可计算每分钟独立访客数UV。例如javaDataStreamTuple2Integer, Long uvStream source .filter(e - click.equals(e.eventType)) .map(e - Tuple2.of(e.productId, e.userId)) .keyBy(t - t.f0) .window(TumblingEventTimeWindows.of(Time.minutes(1))) .aggregate(new AggregateFunctionTuple2Integer,Long, SetLong, Long() { Override public SetLong createAccumulator() { return new HashSet(); } Override public SetLong add(Tuple2Integer,Long value, SetLong acc) { acc.add(value.f1); return acc; } Override public Long getResult(SetLong acc) { return (long) acc.size(); } Override public SetLong merge(SetLong a, SetLong b) { a.addAll(b); return a; } });总结本文带你完整实现了一条基于 Kafka Flink Elasticsearch 的实时数据处理管道。从模拟数据生成、事件时间窗口聚合到结果持久化每一步都提供了可直接运行的代码。你可以基于此模板轻松适配其他业务场景如实时推荐、监控报警、大屏展示等。Flink 的强大远不止于此——状态存储、CEP 模式匹配、SQL 动态分析等都能与 Kafka 无缝集成。希望这篇文章能成为你踏入实时流处理世界的扎实一步。动手试试你会爱上数据流过的每一毫秒。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/2462606.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

SpringBoot-17-MyBatis动态SQL标签之常用标签

文章目录 1 代码1.1 实体User.java1.2 接口UserMapper.java1.3 映射UserMapper.xml1.3.1 标签if1.3.2 标签if和where1.3.3 标签choose和when和otherwise1.4 UserController.java2 常用动态SQL标签2.1 标签set2.1.1 UserMapper.java2.1.2 UserMapper.xml2.1.3 UserController.ja…

wordpress后台更新后 前端没变化的解决方法

使用siteground主机的wordpress网站,会出现更新了网站内容和修改了php模板文件、js文件、css文件、图片文件后,网站没有变化的情况。 不熟悉siteground主机的新手,遇到这个问题,就很抓狂,明明是哪都没操作错误&#x…

网络编程(Modbus进阶)

思维导图 Modbus RTU(先学一点理论) 概念 Modbus RTU 是工业自动化领域 最广泛应用的串行通信协议,由 Modicon 公司(现施耐德电气)于 1979 年推出。它以 高效率、强健性、易实现的特点成为工业控制系统的通信标准。 包…

UE5 学习系列(二)用户操作界面及介绍

这篇博客是 UE5 学习系列博客的第二篇,在第一篇的基础上展开这篇内容。博客参考的 B 站视频资料和第一篇的链接如下: 【Note】:如果你已经完成安装等操作,可以只执行第一篇博客中 2. 新建一个空白游戏项目 章节操作,重…

IDEA运行Tomcat出现乱码问题解决汇总

最近正值期末周,有很多同学在写期末Java web作业时,运行tomcat出现乱码问题,经过多次解决与研究,我做了如下整理: 原因: IDEA本身编码与tomcat的编码与Windows编码不同导致,Windows 系统控制台…

利用最小二乘法找圆心和半径

#include <iostream> #include <vector> #include <cmath> #include <Eigen/Dense> // 需安装Eigen库用于矩阵运算 // 定义点结构 struct Point { double x, y; Point(double x_, double y_) : x(x_), y(y_) {} }; // 最小二乘法求圆心和半径 …

使用docker在3台服务器上搭建基于redis 6.x的一主两从三台均是哨兵模式

一、环境及版本说明 如果服务器已经安装了docker,则忽略此步骤,如果没有安装,则可以按照一下方式安装: 1. 在线安装(有互联网环境): 请看我这篇文章 传送阵>> 点我查看 2. 离线安装(内网环境):请看我这篇文章 传送阵>> 点我查看 说明&#xff1a;假设每台服务器已…

XML Group端口详解

在XML数据映射过程中&#xff0c;经常需要对数据进行分组聚合操作。例如&#xff0c;当处理包含多个物料明细的XML文件时&#xff0c;可能需要将相同物料号的明细归为一组&#xff0c;或对相同物料号的数量进行求和计算。传统实现方式通常需要编写脚本代码&#xff0c;增加了开…

LBE-LEX系列工业语音播放器|预警播报器|喇叭蜂鸣器的上位机配置操作说明

LBE-LEX系列工业语音播放器|预警播报器|喇叭蜂鸣器专为工业环境精心打造&#xff0c;完美适配AGV和无人叉车。同时&#xff0c;集成以太网与语音合成技术&#xff0c;为各类高级系统&#xff08;如MES、调度系统、库位管理、立库等&#xff09;提供高效便捷的语音交互体验。 L…

(LeetCode 每日一题) 3442. 奇偶频次间的最大差值 I (哈希、字符串)

题目&#xff1a;3442. 奇偶频次间的最大差值 I 思路 &#xff1a;哈希&#xff0c;时间复杂度0(n)。 用哈希表来记录每个字符串中字符的分布情况&#xff0c;哈希表这里用数组即可实现。 C版本&#xff1a; class Solution { public:int maxDifference(string s) {int a[26]…

【大模型RAG】拍照搜题技术架构速览:三层管道、两级检索、兜底大模型

摘要 拍照搜题系统采用“三层管道&#xff08;多模态 OCR → 语义检索 → 答案渲染&#xff09;、两级检索&#xff08;倒排 BM25 向量 HNSW&#xff09;并以大语言模型兜底”的整体框架&#xff1a; 多模态 OCR 层 将题目图片经过超分、去噪、倾斜校正后&#xff0c;分别用…

【Axure高保真原型】引导弹窗

今天和大家中分享引导弹窗的原型模板&#xff0c;载入页面后&#xff0c;会显示引导弹窗&#xff0c;适用于引导用户使用页面&#xff0c;点击完成后&#xff0c;会显示下一个引导弹窗&#xff0c;直至最后一个引导弹窗完成后进入首页。具体效果可以点击下方视频观看或打开下方…

接口测试中缓存处理策略

在接口测试中&#xff0c;缓存处理策略是一个关键环节&#xff0c;直接影响测试结果的准确性和可靠性。合理的缓存处理策略能够确保测试环境的一致性&#xff0c;避免因缓存数据导致的测试偏差。以下是接口测试中常见的缓存处理策略及其详细说明&#xff1a; 一、缓存处理的核…

龙虎榜——20250610

上证指数放量收阴线&#xff0c;个股多数下跌&#xff0c;盘中受消息影响大幅波动。 深证指数放量收阴线形成顶分型&#xff0c;指数短线有调整的需求&#xff0c;大概需要一两天。 2025年6月10日龙虎榜行业方向分析 1. 金融科技 代表标的&#xff1a;御银股份、雄帝科技 驱动…

观成科技:隐蔽隧道工具Ligolo-ng加密流量分析

1.工具介绍 Ligolo-ng是一款由go编写的高效隧道工具&#xff0c;该工具基于TUN接口实现其功能&#xff0c;利用反向TCP/TLS连接建立一条隐蔽的通信信道&#xff0c;支持使用Let’s Encrypt自动生成证书。Ligolo-ng的通信隐蔽性体现在其支持多种连接方式&#xff0c;适应复杂网…

铭豹扩展坞 USB转网口 突然无法识别解决方法

当 USB 转网口扩展坞在一台笔记本上无法识别,但在其他电脑上正常工作时,问题通常出在笔记本自身或其与扩展坞的兼容性上。以下是系统化的定位思路和排查步骤,帮助你快速找到故障原因: 背景: 一个M-pard(铭豹)扩展坞的网卡突然无法识别了,扩展出来的三个USB接口正常。…

未来机器人的大脑:如何用神经网络模拟器实现更智能的决策?

编辑&#xff1a;陈萍萍的公主一点人工一点智能 未来机器人的大脑&#xff1a;如何用神经网络模拟器实现更智能的决策&#xff1f;RWM通过双自回归机制有效解决了复合误差、部分可观测性和随机动力学等关键挑战&#xff0c;在不依赖领域特定归纳偏见的条件下实现了卓越的预测准…

Linux应用开发之网络套接字编程(实例篇)

服务端与客户端单连接 服务端代码 #include <sys/socket.h> #include <sys/types.h> #include <netinet/in.h> #include <stdio.h> #include <stdlib.h> #include <string.h> #include <arpa/inet.h> #include <pthread.h> …

华为云AI开发平台ModelArts

华为云ModelArts&#xff1a;重塑AI开发流程的“智能引擎”与“创新加速器”&#xff01; 在人工智能浪潮席卷全球的2025年&#xff0c;企业拥抱AI的意愿空前高涨&#xff0c;但技术门槛高、流程复杂、资源投入巨大的现实&#xff0c;却让许多创新构想止步于实验室。数据科学家…

深度学习在微纳光子学中的应用

深度学习在微纳光子学中的主要应用方向 深度学习与微纳光子学的结合主要集中在以下几个方向&#xff1a; 逆向设计 通过神经网络快速预测微纳结构的光学响应&#xff0c;替代传统耗时的数值模拟方法。例如设计超表面、光子晶体等结构。 特征提取与优化 从复杂的光学数据中自…