编写Scala代码,使用Flink消费Kafka中Topic为order的数据并进行相应的数据统计计算(订单信息对应表结构order_info,订单详细信息对应表结构order_detail(来源类型和来源编号这两个字段不考虑,所以在实时数据中不会出现),同时计算中使用order_info或order_detail表中create_time或operate_time取两者中值较大者作为EventTime,若operate_time为空值或无此列,则使用create_time填充,允许数据延迟5s,订单状态分别为1001:创建订单、1002:支付订单、1003:取消订单、1004:完成订单、1005:申请退回、1006:退回完成。另外对于数据结果展示时,不要采用例如:1.9786518E7的科学计数法)。
- 使用Flink消费Kafka中的数据,统计商城实时订单实收金额(需要考虑订单状态,若有取消订单、申请退回、退回完成则不计入订单实收金额,其他状态的则累加),将key设置成totalprice存入Redis中。使用redis cli以get key方式获取totalprice值,将结果截图粘贴至客户端桌面【Release\任务D提交结果.docx】中对应的任务序号下,需两次截图,第一次截图和第二次截图间隔1分钟以上,第一次截图放前面,第二次截图放后面;
- 在任务1进行的同时,使用侧边流,监控若发现order_status字段为退回完成, 将key设置成totalrefundordercount存入Redis中,value存放用户退款消费额。使用redis cli以get key方式获取totalrefundordercount值,将结果截图粘贴至客户端桌面【Release\任务D提交结果.docx】中对应的任务序号下,需两次截图,第一次截图和第二次截图间隔1分钟以上,第一次截图放前面,第二次截图放后面;
- 在任务1进行的同时,使用侧边流,监控若发现order_status字段为取消订单,将数据存入MySQL数据库shtd_result的order_info表中,然后在Linux的MySQL命令行中根据id降序排序,查询列id、consignee、consignee_tel、final_total_amount、feight_fee,查询出前5条,将SQL语句复制粘贴至客户端桌面【Release\任务D提交结果.docx】中对应的任务序号下,将执行结果截图粘贴至客户端桌面【Release\任务D提交结果.docx】中对应的任务序号下。
使用Flink处理Kafka中的数据
package module_d
import org.apache.flink.api.common.eventtime.{SerializableTimestampAssigner, WatermarkStrategy}
import org.apache.flink.api.common.serialization.SimpleStringSchema
import org.apache.flink.configuration.Configuration
import org.apache.flink.streaming.api.functions.ProcessFunction
import org.apache.flink.streaming.api.functions.sink.{RichSinkFunction, SinkFunction}
import org.apache.flink.streaming.api.scala.{OutputTag, StreamExecutionEnvironment}
import org.apache.flink.streaming.connectors.kafka.FlinkKafkaConsumer
import org.apache.flink.streaming.connectors.redis.RedisSink
import org.apache.flink.streaming.connectors.redis.common.config.FlinkJedisPoolConfig
import org.apache.flink.streaming.connectors.redis.common.mapper.{RedisCommand, RedisCommandDescription, RedisMapper}
import org.apache.flink.util.Collector
import org.apache.flink.streaming.api.scala._
import java.sql.{Connection, DriverManager, PreparedStatement}
import java.text.{DecimalFormat, SimpleDateFormat}
import java.time.Duration
import java.util.Properties
/**
* 编写Scala代码,使用Flink消费Kafka中Topic为order的数据并进行相应的数据统计计算(订单信息对应表结构order_info,订单详细信息对应表结构order_detail(来源类型和来源编号这两个字段不考虑,所以在实时数据中不会出现),同时计算中使用order_info或order_detail表中create_time或operate_time取两者中值较大者作为EventTime,若operate_time为空值或无此属性,则使用create_time填充,允许数据延迟5S,订单状态分别为1001:创建订单、1002:支付订单、1003:取消订单、1004:完成订单、1005:申请退回、1006:退回完成。另外对于数据结果展示时,不要采用例如:1.9786518E7的科学计数法)。
*/
object task1 {
/**
* 一个流分成四个流
*/
lazy val statusother: OutputTag[String] = new OutputTag[String]("other")
lazy val status1003: OutputTag[String] = new OutputTag[String]("s1003")
lazy val status1005: OutputTag[String] = new OutputTag[String]("s1005")
lazy val status1006: OutputTag[String] = new OutputTag[String]("s1006")
def main(args: Array[String]): Unit = {
/**
* 1、使用Flink消费Kafka中的数据,统计商城实时订单实收金额(需要考虑订单状态,若有取消订单、申请退回、退回完成则不计入订单实收金额,其他状态的则累加),将key设置成totalprice存入Redis中。使用redis cli以get key方式获取totalprice值,将结果截图粘贴至对应报告中,需两次截图,第一次截图和第二次截图间隔1分钟以上,第一次截图放前面,第二次截图放后面;
*/
val env = StreamExecutionEnvironment.getExecutionEnvironment
env.setParallelism(1) //并行度
//Kafka配置
val properties = new Properties()
properties.setProperty("bootstrap.servers", "ngc:9092") //集群地址
properties.setProperty("group.id", "g1") //消费者组
//原始流
val stream = env.addSource(new FlinkKafkaConsumer[String]("order1", new SimpleStringSchema(), properties).setStartFromLatest())
.assignTimestampsAndWatermarks(WatermarkStrategy.forBoundedOutOfOrderness[String](Duration.ofSeconds(5))//允许数据延迟5S
.withTimestampAssigner(
new SerializableTimestampAssigner[String] {
override def extractTimestamp(t: String, l: Long): Long = {
val sdf = new SimpleDateFormat("dd/MM/yyyy HH:mm:ss")
if (t.split(",")(11).equals("")) { //如果operate_time为空
sdf.parse(t.split(",")(10)).getTime
} else {
val create_time = sdf.parse(t.split(",")(10)).getTime
val operate_time = sdf.parse(t.split(",")(11)).getTime
math.max(create_time, operate_time)
}
}
}
))
//设置自定义侧边流
val streamProcess = stream.process(new MdSplitProcessFunction)
/**
* 1、使用Flink消费Kafka中的数据,统计商城实时订单实收金额(需要考虑订单状态,若有取消订单、申请退回、
* 退回完成则不计入订单实收金额,其他状态的则累加),将key设置成totalprice存入Redis中。使用redis
* cli以get key方式获取totalprice值,将结果截图粘贴至对应报告中,需两次截图,第一次截图和第二次截图
* 间隔1分钟以上,第一次截图放前面,第二次截图放后面;
*/
val ds1 = streamProcess
.getSideOutput(statusother)
.map(line => line.split(",")(3).toDouble)
.keyBy(_ => true) //聚合到一起
.sum(0)
.map(n=>new DecimalFormat("#.#").format(n))
//redis配置
val conf = new FlinkJedisPoolConfig.Builder()
.setHost("ngc")
.setPort(6378)
.setPassword("123456")
.build()
ds1.addSink(new RedisSink[String](conf, new MyRedisMapper("totalcount")))
/**
* 2、在任务1进行的同时,使用侧边流,监控若发现order_status字段为退回完成, 将key设置成totalrefundordercount存入Redis中,value存放用户退款消费额。使用redis cli以get key方式获取totalrefundordercount值,将结果截图粘贴至对应报告中,需两次截图,第一次截图和第二次截图间隔1分钟以上,第一次截图放前面,第二次截图放后面;
*/
val ds2 = streamProcess
.getSideOutput(status1006)
.map(line => line.split(",")(3).toDouble)
.keyBy(_ => true) //聚合到一起
.sum(0)
.map(n=>new DecimalFormat("#.#").format(n))
ds2.addSink(new RedisSink[String](conf, new MyRedisMapper("totalrefundordercount")))
/**
* 3、在任务1进行的同时,使用侧边流,监控若发现order_status字段为取消订单,将数据存入MySQL数据库shtd_result的order_info表中,然后在Linux的MySQL命令行中根据id降序排序,查询列id、consignee、consignee_tel、final_total_amount、feight_fee,查询出前5条,将SQL语句与执行结果截图粘贴至对应报告中。
*/
val ds3 = streamProcess
.getSideOutput(status1003)
ds3.addSink(new RichSinkFunction[String] {
var conn: Connection = _
var insertStmt: PreparedStatement = _
override def open(parameters: Configuration): Unit = {
conn = DriverManager.getConnection("jdbc:mysql://ngc:3307/shtd_result?useSSL=false", "root", "123456")
insertStmt = conn.prepareStatement("insert into order_info (id,consignee,consignee_tel,final_total_amount,feight_fee) values (?,?,?,?,?)")
}
override def close(): Unit = {
insertStmt.close()
conn.close()
}
override def invoke(value: String, context: SinkFunction.Context): Unit = {
val arr = value.split(",")
insertStmt.setString(1, arr(0))
insertStmt.setString(2, arr(1))
insertStmt.setString(3, arr(2))
insertStmt.setString(4, arr(3))
insertStmt.setString(5, arr(19))
insertStmt.execute()
}
})
ds1.print()
ds2.print()
env.execute("kafka sink test")
}
/**
* 自定义侧边流配置
*/
class MdSplitProcessFunction extends ProcessFunction[String, String] {
override def processElement(value: String, ctx: ProcessFunction[String, String]#Context, out: Collector[String]): Unit = {
val line = value.split(",")
/**
* 订单状态order_status分别为1001:创建订单、1002:支付订单、1003:取消订单、1004:完成订单、1005:申请退回、1006:退回完成。
*/
if (line(4).equals("1003")) {
ctx.output(status1003, value)
} else if (line(4).equals("1005")) {
ctx.output(status1005, value)
} else if (line(4).equals("1006")) {
ctx.output(status1006, value)
} else {
ctx.output(statusother, value)
}
}
}
/**
* Redis key——value存储 也可用RichSinkFunction建立Redis
*/
class MyRedisMapper(key: String) extends RedisMapper[String] {
override def getCommandDescription: RedisCommandDescription = new RedisCommandDescription(RedisCommand.SET)
override def getValueFromData(data: String): String = data
override def getKeyFromData(data: String): String = key
}
}
本文转载自: https://blog.csdn.net/weixin_72084172/article/details/135834439
版权归原作者 何以解忧唯有暴富230 所有, 如有侵权,请联系我们删除。
版权归原作者 何以解忧唯有暴富230 所有, 如有侵权,请联系我们删除。