Apache Beam是一个用于分布式数据处理的开源框架，它提供了一种统一的编程模型，可以在不同的大数据处理引擎上运行，其中包括Flink。下面是一个示例，展示了如何在Apache Beam中使用DirectRunner和FlinkRunner来运行一个简单的WordCount程序。

首先，我们需要安装Apache Beam和Flink的Python SDK。可以使用以下命令来安装它们：

pip install apache-beam[flink]

接下来，我们创建一个Python脚本，名为wordcount.py，其中包含以下代码：

import apache_beam as beam
from apache_beam.options.pipeline_options import PipelineOptions

class WordCountOptions(PipelineOptions):
    @classmethod
    def _add_argparse_args(cls, parser):
        parser.add_argument('--input', required=True, help='Input file')
        parser.add_argument('--output', required=True, help='Output file')

def run_wordcount(options):
    with beam.Pipeline(options=options) as pipeline:
        lines = pipeline | 'ReadFile' >> beam.io.ReadFromText(options.input)
        words = lines | 'Split' >> beam.FlatMap(lambda line: line.split(' '))
        word_counts = words | 'CountWords' >> beam.combiners.Count.PerElement()
        output = word_counts | 'FormatOutput' >> beam.Map(lambda word_count: f'{word_count[0]}: {word_count[1]}')
        output | 'WriteFile' >> beam.io.WriteToText(options.output)

if __name__ == '__main__':
    options = WordCountOptions()
    options.view_as(WordCountOptions).input = 'input.txt'
    options.view_as(WordCountOptions).output = 'output.txt'
    options.view_as(WordCountOptions).runner = 'DirectRunner'  # 或者 'FlinkRunner'
    run_wordcount(options)

在上述代码中，我们定义了一个WordCountOptions类，继承自PipelineOptions，用于指定输入文件和输出文件。然后，我们定义了一个run_wordcount函数，它使用Beam的API来创建一个数据处理流水线。接下来，我们在main函数中创建了一个WordCountOptions对象，并设置了输入文件、输出文件和运行器（可以是DirectRunner或FlinkRunner）。最后，我们调用run_wordcount函数来执行WordCount程序。

在命令行中，可以使用以下命令来运行WordCount程序：

python wordcount.py --input input.txt --output output.txt --runner DirectRunner

或者

python wordcount.py --input input.txt --output output.txt --runner FlinkRunner

上述命令中的input.txt是输入文件，output.txt是输出文件。根据选择的运行器，程序将使用DirectRunner或FlinkRunner来执行数据处理流水线。