在Flink中，我們可以使用FlinkKafkaConsumer來讀取Kafka中的數據進行統計。以下是一個示例代碼，展示了如何使用FlinkKafkaConsumer和KeyedStream來統計Kafka數據中每個鍵的數量。

首先，需要引入相關的依賴：

<dependency>
    <groupId>org.apache.flink</groupId>
    <artifactId>flink-streaming-java_2.11</artifactId>
    <version>${flink.version}</version>
</dependency>
<dependency>
    <groupId>org.apache.flink</groupId>
    <artifactId>flink-connector-kafka_2.11</artifactId>
    <version>${flink.version}</version>
</dependency>

然后，可以使用以下代碼讀取Kafka數據進行統計：

import org.apache.flink.api.java.tuple.Tuple2;
import org.apache.flink.streaming.api.datastream.DataStream;
import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;
import org.apache.flink.streaming.api.functions.KeyedProcessFunction;
import org.apache.flink.streaming.connectors.kafka.FlinkKafkaConsumer;
import org.apache.flink.util.Collector;

import java.util.Properties;

public class KafkaDataStatistics {

    public static void main(String[] args) throws Exception {
        // 設置執行環境
        StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();

        // 配置Kafka連接相關信息
        Properties props = new Properties();
        props.setProperty("bootstrap.servers", "localhost:9092");
        props.setProperty("group.id", "flink-consumer");

        // 從Kafka讀取數據
        FlinkKafkaConsumer<String> kafkaConsumer = new FlinkKafkaConsumer<>("topic", new SimpleStringSchema(), props);
        DataStream<String> kafkaStream = env.addSource(kafkaConsumer);

        // 對數據進行統計
        DataStream<Tuple2<String, Integer>> result = kafkaStream
                .keyBy(value -> value) // 根據鍵分組
                .process(new CountProcessFunction());

        // 打印結果
        result.print();

        // 執行程序
        env.execute("Kafka Data Statistics");
    }

    // 自定義ProcessFunction進行統計
    public static class CountProcessFunction extends KeyedProcessFunction<String, String, Tuple2<String, Integer>> {
        private ValueState<Integer> countState;

        @Override
        public void open(Configuration parameters) throws Exception {
            ValueStateDescriptor<Integer> countDescriptor = new ValueStateDescriptor<>("count", Integer.class);
            countState = getRuntimeContext().getState(countDescriptor);
        }

        @Override
        public void processElement(String value, Context ctx, Collector<Tuple2<String, Integer>> out) throws Exception {
            Integer count = countState.value();
            if (count == null) {
                count = 0;
            }
            count++;
            countState.update(count);
            out.collect(new Tuple2<>(ctx.getCurrentKey(), count));
        }
    }
}

上述代碼中，FlinkKafkaConsumer從Kafka中讀取數據，并將其轉化為DataStream。然后，使用keyBy()方法將數據按鍵進行分組。接下來，通過自定義的KeyedProcessFunction進行統計，將統計結果輸出到DataStream中。最后，使用print()方法打印結果，并執行程序。

請注意，上述示例中的代碼僅提供了一個簡單的統計例子。根據實際需求，您可能需要根據您的數據格式和統計邏輯進行適當的調整。