标签：停止 版本 过滤 变化 ref 代码结构 展示 word 网络
前 言
拖了蛮久了，一直说要接着上一部分写设计思路以及代码，因为自己技术底子薄弱，加上人又懒，所以一直没能继续，今天补上设计思路及部分代码，后面有时间我会再补充一些应用性的功能，的确有些忙，希望对大家有用；欢迎大家提意见或者拍砖；
之前，我说了，网上蛮多例子都是基于WordCount或者基于展示内存使用率来的，也没什么不对，只是我个人觉得没有太大的实用性；毕竟咱们是码农，凡事讲个应用及场景，脱离场景谈开发都是扯淡；
场景：
通过爬虫从网络获取数据，不停的插入Kafka中，Flink及时获取数据，数据打印出来。时间原因，我没有继续做Flink的复杂处理，例如过滤重复、统计数据等，回头再完善，欢迎大家拍砖；
设计思路：
逻辑上，三个模块，一个是网络爬虫，提供基础数据，一个插入Kafka，一个Flink接受处理；
为了爬数据，我花了点时间。
爬新闻数据，没意思；没有什么加工的价值，如果要加工，还要做分词拆解，麻烦；
爬图片数据，更没意思；
后来突然想起来一个数据：股市交易数据；挺好，一个更新快，大多是数字，加工计算还是有点价值的；
话不多说，继续；
股市交易数据URL如下：
这个网页类似如下：
它有几个特点：
（1） 数据条数是不停变化的；
（2） 数据可能会有重复的；
（3） 数据总条数还是有些量的，查询条件变化后，数据总条数可以变得更多；
具体大家自己研究吧；
如果我不停的抓取这些数据，不就不用for循环10000次了吗，不再像网上那些WordCount的例子咯。
怎么样不停的抓呢？Quartz啊，每隔几分钟抓一次啊（如果不知道Quartz，请自行补脑）
这个部分，有人不停的插入数据就好了，这里几乎不用做啥，甚至可以与上面的合并在一次了；
这个打印的部分，上一篇就有实现了，不赘述；
开发环境
JDK1.8+IDEA+Maven+SpringBoot
Kafka 版本：kafka_2.12-2.4.0 ； 基于Windows
Flink 版本：flink-1.9.1 基于Windows
（1）Quartz本身是可以并发的，最初我设计的时候，想通过浏览器发送申请，用于启动或者暂停爬虫抓取，本身技术上实现也不算大，但是我考虑的是，实际应用中，如果多个不同用户发送不同命令，有的人发送开始执行，有的人发送停止执行，而后台其实目前就规定抓一个页面，那么到底该听谁的？难道要做一个每个人启动每个人自己的任务？然后每个人抓的数据只给每个人用？想到这儿，我就暂停了这个部分的实现；
感觉不是太实用；
（2）按照设计，我只考虑一个任务进行执行，所以实际执行过程中，建议把间隔时间调的稍微长点，否则，上一个任务还没有完成，下一个任务又启动了，这样下去只会把服务器给玩宕机了；
（3）我觉得还是需要有个暂停的功能，初步觉得还是用网页参数方式，
（4）单独写一个Quartz的应用没啥意思，我觉得还是把它放到SpringBoot，随着系统一起启动，这样会比较方便；
爬虫其实没有太多的技术难度，无非就是用HttpClient进行页面数据解析，唯一的小难点，就是要能够自动翻页，如果不能自动翻页，要它何用？
（1）flink的使用，我就做了打印，实现方法学习于网络，为什么打印4个文件，而只有第4个文件会被打印出来，还没研究。
（2）当我把Kafka停止供应数据时，Flink会出现Reblance的异常，所以这段代码可以考虑再优化；
目前，我这里仅仅是打印出来，后续我会找时间再做汇总加工的逻辑；
文件内容
注：
我代码功底若，写的又比较仓促，刚刚开始研究Kafka及Flink就不贴在此处丢脸了。
如果需要代码，评论区留下邮件地址。我晚上抽空一并发了。
标签：停止 版本 过滤 变化 ref 代码结构 展示 word 网络
原文地址：https://www.cnblogs.com/alexgl2008/p/12452587.html
