DataStream API是 Flink的核心层 API。一个 Flink 程序，其实就是对 DataStream 的各种转换，具体来说，代码基本上都由以下几部分构成：
从 Flink 1.12 开始，官方推荐的做法是直接使用 DataStream API，在提交任务时通过将执行模式设为 BATCH 来进行批处理。不建议使用 DataSet API，所以本章以 DataStream API 为核心讲述。
4.1、执行环境
Flink程序可以在各种上下文环境中运行：我们可以在本地JVM中执行程序，也可以提交 到远程集群上运行。 不同的环境，代码的提交运行的过程会有所不同。这就要求我们在提交作业执行计算时， 首先必须获取当前 Flink 的运行环境，从而建立起与 Flink 框架之间的联系。
4.1.1、创建执行环境
DataSet API 的执行入口
ExecutionEnvironment env = ExecutionEnvironment.getExecutionEnvironment();
DataStream API 的执行入口
我们要获取的执行环境，是 StreamExecutionEnvironment 类的对象，这是所有 Flink 程序 的基础。在代码中创建执行环境的方式，就是调用这个类的静态方法，具体有以下四种。
1）getExecutionEnvironment
最简单的方式，就是直接调用 getExecutionEnvironment 方法。它会根据当前运行的上下文直接得到正确的结果，如果程序是独立运行的，就返回一个本地执行环境；如果是创建了 jar 包，然后从命令行调用它并提交到集群执行，那么就返回集群的执行环境。也就是说，这 个方法会根据当前运行的方式，自行决定该返回什么样的运行环境。 这种方式用起来简单高效，是最常用的一种创建执行环境的方式。
StreamExecutionEnvironment env = StreamExecutionEnvironment.*getExecutionEnvironment*();
2）createLocalEnvironment
这个方法返回一个本地执行环境。可以在调用时传入一个参数，指定默认的并行度，如果不传入，则默认并行度就是本地的 CPU 核心数。
StreamExecutionEnvironment localEnv = StreamExecutionEnvironment.createLocalEnvironment();
3）createRemoteEnvironment
这个方法返回集群执行环境。需要在调用时指定 JobManager 的主机名和端口号，并指定要在集群中运行的 Jar 包。
StreamExecutionEnvironment remoteEnv = StreamExecutionEnvironment .createRemoteEnvironment(
"host", // JobManager 主机名
1234, // JobManager 进程端口号
"path/to/jarFile.jar" // 提交给 JobManager 的 JAR 包
);
在获取到程序执行环境后，我们还可以对执行环境进行灵活的设置。比如可以全局设置 程序的并行度、禁用算子链，还可以定义程序的时间语义、配置容错机制等。
4）createLocalEnvironmentWithWebUI
在 IDE 中运行编写的代码就能够通过这个方法能够查看到 Flink Web-UI ，开启本地 UI,需要添加依赖
<dependency>
<groupId>org.apache.flink</groupId>
<artifactId>flink-runtime-web</artifactId>
<version>${flink.version}</version>
</dependency>
具体代码
package org.mochi.wc;
import org.apache.flink.api.common.ExecutionConfig;
import org.apache.flink.api.common.ExecutionMode;
import org.apache.flink.api.common.RuntimeExecutionMode;
import org.apache.flink.configuration.Configuration;
import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;
import org.apache.flink.streaming.api.functions.source.SourceFunction;
import java.text.SimpleDateFormat;
public class StreamWebUI {
public static void main(String[] args) throws Exception {
// 1、创建并含有WebUI的执行环境
// Configuration configuration = new Configuration();
//
// configuration.setInteger("rest.port",8081);
//
// StreamExecutionEnvironment env = StreamExecutionEnvironment.createLocalEnvironmentWithWebUI(configuration);
// or
StreamExecutionEnvironment env = StreamExecutionEnvironment.createLocalEnvironmentWithWebUI(new Configuration());
env.addSource(new SourceFunction<String>() {
boolean flag = true;
SimpleDateFormat format = new SimpleDateFormat("yyyy-MM-dd HH:mm:ss");
@Override
public void run(SourceContext<String> sourceContext) throws Exception {
while (flag) {
sourceContext.collect(format.format(System.currentTimeMillis()));
Thread.sleep(1000);
}
}
@Override
public void cancel() {
flag = false;
}
})
.print("WebUI >>>>>");
// 启动执行
env.execute("WebUI");
}
}
IDE 控制台结果如下：
Flink WEB UI 结果如下：
4.1.2、 执行模式（Execution Mode）
DataStream API 执行模式包括：流执行模式、批执行模式和自动模式。
1）流执行模式（Streaming）
这是 DataStream API 最经典的模式，一般用于需要持续实时处理的无界数据流。默认情况下，程序使用的就是 Streaming 执行模式。
2）批执行模式（Batch）
专门用于批处理的执行模式，批执行模式的使用。主要有两种方式：
- 通过命令行配置
在提交作业时，增加 execution.runtime-mode 参数，指定值为 BATCH
bin/flink run -Dexecution.runtime-mode=BATCH ...
- 通过代码配置
StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
env.setRuntimeMode(RuntimeExecutionMode.BATCH);
在代码中，直接基于执行环境调用 setRuntimeMode 方法，传入 BATCH 模式。 实际应用中一般不会在代码中配置，而是使用命令行，这样更加灵活。
3）自动模式（AutoMatic）
在这种模式下，将由程序根据输入数据源是否有界，来自动选择执行模式。
