[Flink]Flink1.3 Stream指南三 窗口分配器

1.4版本：Flink1.4 窗口概述

Windows(窗口)是处理无限数据流的核心。Windows将流分解成有限大小的"桶"，在上面我们可以进行计算。本文档重点介绍如何在Flink中处理窗口，以及如何从它提供的功能中获得最大的收益。

窗口Flink程序的一般结构如下。第一个片段指的是指定key的数据流，而第二个到未指定key的数据流。可以看出，唯一的区别是指定key的数据流调用keyBy()以及window()方法变为未指定key数据流下的windowAll()方法。

Keyed Windows：

stream
       .keyBy(...)          <-  keyed versus non-keyed windows
       .window(...)         <-  required: "assigner"
      [.trigger(...)]       <-  optional: "trigger" (else default trigger)
      [.evictor(...)]       <-  optional: "evictor" (else no evictor)
      [.allowedLateness()]  <-  optional, else zero
       .reduce/fold/apply() <-  required: "function"

Non-Keyed Windows：

stream
       .windowAll(...)      <-  required: "assigner"
      [.trigger(...)]       <-  optional: "trigger" (else default trigger)
      [.evictor(...)]       <-  optional: "evictor" (else no evictor)
      [.allowedLateness()]  <-  optional, else zero
       .reduce/fold/apply() <-  required: "function"

在上面，方括号([...])中的命令是可选的。这表明Flink允许你可以以多种不同的方式自定义你的窗口逻辑，以便更好的满足你的需求。

1. 窗口生命周期

简而言之，一旦属于此窗口的第一个元素到达，就会创建一个窗口，当时间(事件时间或处理时间)到达其结束时间加上用户指定的允许延迟时间，窗口将被完全删除(a window is created as soon as the first element that should belong to this window arrives, and the window is completely removed when the time (event or processing time) passes its end timestamp plus the user-specified allowed lateness)。Flink保证仅对基于时间的窗口进行删除，而不适用于其他类型的窗口，例如，全局窗口。 举个例子，使用基于事件时间的窗口策略，每5分钟创建不重叠窗口，并且允许可以有1分钟的延迟时间，当时间戳落在12:00至12:05时间间隔的第一个元素到达时，Flink将为这个时间间隔创建一个新窗口，当时间戳到达12:06时，窗口将被删除(Flink will create a new window for the interval between 12:00 and 12:05 when the first element with a timestamp that falls into this interval arrives, and it will remove it when the watermark passes the 12:06 timestamp)。

另外，每个窗口都将有一个触发器和一个函数(WindowFunction，ReduceFunction或FoldFunction)(参阅下面的Window函数)。该函数包含应用于窗口内容的计算，而触发器指定了窗口使用该函数的条件，即指定了哪个窗口应用该函数。触发策略可能是"当窗口中的元素个数大于4"时，或"当watermark通过窗口末尾"时。触发器还可以决定在创建窗口和删除窗口之间的任何时间清除窗口内容。在这种情况下，清除仅指窗口中的元素，而不是窗口元数据。这意味着新数据仍然可以添加到该窗口。

除了上述之外，你还可以指定一个Evictor(参阅下面的Evictors)，在触发器触发之后以及在应用该函数之前和/或之后从窗口中移除元素。

下面我们将详细介绍上述各个组件。我们从上面的代码片段(Keyed Windows，Non-Keyed Windows， Window Assigner以及Window Function)开始，然后再到可选部分。

2. Keyed vs Non-Keyed Windows

首先要指定的第一件事就是你的数据流是否应该指定key。这必须在定义窗口之前完成。使用keyBy()可以将无限数据流分解成指定key的逻辑数据流(split your infinite stream into logical keyed streams)。如果未调用keyBy()，则你的数据流未指定key。

在指定key的数据流的情况下，你传入进来的事件的任何属性都可以用作key(更多细节)。指定key的数据流可以允许通过多个任务并行执行窗口计算，因为每个逻辑数据流可以独立于其余的进行处理。引用相同key的所有元素将被发送到相同的并行任务。

在未指定key的数据流的情况下，你的原始数据流不会被分割成多个逻辑数据流，并且所有窗口逻辑将由单个任务执行，即以1个的并行度执行。

3. 窗口分配器

在数据流是否指定key之后，下一步是定义窗口分配器。窗口分配器定义元素如何分配给窗口。这通过在window()(指定key数据流)或windowAll()(未指定key数据流)调用中指定你选择的窗口分配器来完成。

窗口分配器负责将每个传入元素分配给一个或多个窗口。Flink内置一些用于解决常见用例的窗口分配器，有滚动窗口，滑动窗口，会话窗口和全局窗口。你还可以通过继承WindowAssigner类实现自定义窗口分配器。所有内置窗口分配器(全局窗口除外)根据时间将元素分配给窗口，可以是处理时间或事件时间。请参阅事件时间，了解处理时间和事件时间之间的差异以及如何生成时间戳和watermarks。

在下文中，我们将展示Flink的内置窗口分配器的工作原理以及它们在DataStream程序中的使用方式。 以下图形可视化每个分配器的运行。 紫色圆圈表示数据流中的元素，它们被某些key（在我们这个例子下为用户1，用户2和用户3）分区。x轴显示时间进度。

3.1 滚动窗口

滚动窗口分配器将每个元素分配给固定窗口大小的窗口。滚动窗口大小固定的并且不重叠。例如，如果指定大小为5分钟的滚动窗口，则将执行当前窗口，并且每五分钟将启动一个新窗口，如下图所示:

以下代码显示如何使用滚动窗口：

Java版本:

DataStream input = ...;

// 基于事件事件的滚动窗口
input
    .keyBy()
    .window(TumblingEventTimeWindows.of(Time.seconds(5)))
    .();

// 基于处理时间的滚动窗口
input
    .keyBy()
    .window(TumblingProcessingTimeWindows.of(Time.seconds(5)))
    .();

// daily tumbling event-time windows offset by -8 hours.
input
    .keyBy()
    .window(TumblingEventTimeWindows.of(Time.days(1), Time.hours(-8)))
    .();

Scala版本:

val input: DataStream[T] = ...

// tumbling event-time windows
input
    .keyBy(selector>)
    .window(TumblingEventTimeWindows.of(Time.seconds(5)))
    .(function>)

// tumbling processing-time windows
input
    .keyBy(selector>)
    .window(TumblingProcessingTimeWindows.of(Time.seconds(5)))
    .<windowed transformation>(function>)

// daily tumbling event-time windows offset by -8 hours.
input
    .keyBy(selector>)
    .window(TumblingEventTimeWindows.of(Time.days(1), Time.hours(-8)))
    .<windowed transformation>(function>)

可以通过使用Time.milliseconds(x)，Time.seconds(x)，Time.minutes(x)其中一个来指定时间间隔。

如上一个例子所示，滚动窗口分配器还可以使用一个可选的偏移量参数，可以用来改变窗口的对齐方式。例如，没有小时偏移量的情况下，滚动窗口与epoch对齐(aligned with epoch)，那么你将获得如1：00：00.000 - 1：59：59.999，2：00：00.000 - 2：59：59.999等窗口。如果你想改变，你可以给一个偏移。以15分钟的偏移量为例，那么你将获得1：15：00.000 - 2：14：59.999，2：15：00.000 - 3：14：59.999等。偏移量的一个重要用例是将窗口调整为时区而不是UTC-0。例如，在中国，你必须指定Time.hours(-8)的偏移量。

3.2 滑动窗口

滑动窗口分配器将每个元素分配给固定窗口大小的窗口。类似于滚动窗口分配器，窗口的大小由窗口大小参数配置。另外一个窗口滑动参数控制滑动窗口的启动频率(how frequently a sliding window is started)。因此，如果滑动大小小于窗口大小，滑动窗可以重叠。在这种情况下，元素被分配到多个窗口。

例如，你可以使用窗口大小为10分钟的窗口，滑动大小为5分钟。这样，每5分钟会生成一个窗口，包含最后10分钟内到达的事件，如下图所示。

以下代码显示如何使用滑动窗口:

Java版本:

DataStream input = ...;

// sliding event-time windows
input
    .keyBy()
    .window(SlidingEventTimeWindows.of(Time.seconds(10), Time.seconds(5)))
    .();

// sliding processing-time windows
input
    .keyBy()
    .window(SlidingProcessingTimeWindows.of(Time.seconds(10), Time.seconds(5)))
    .();

// sliding processing-time windows offset by -8 hours
input
    .keyBy()
    .window(SlidingProcessingTimeWindows.of(Time.hours(12), Time.hours(1), Time.hours(-8)))
    .();

Scala版本:

val input: DataStream[T] = ...

// sliding event-time windows
input
    .keyBy(selector>)
    .window(SlidingEventTimeWindows.of(Time.seconds(10), Time.seconds(5)))
    .(function>)

// sliding processing-time windows
input
    .keyBy(selector>)
    .window(SlidingProcessingTimeWindows.of(Time.seconds(10), Time.seconds(5)))
    .<windowed transformation>(function>)

// sliding processing-time windows offset by -8 hours
input
    .keyBy(selector>)
    .window(SlidingProcessingTimeWindows.of(Time.hours(12), Time.hours(1), Time.hours(-8)))
    .<windowed transformation>(function>)

可以通过使用Time.milliseconds(x)，Time.seconds(x)，Time.minutes(x)其中一个来指定时间间隔。

如上一个例子所示，滑动窗口分配器还可以使用一个可选的偏移量参数，可以用来改变窗口的对齐方式。例如，没有小时偏移量并且滑动窗口大小为30分钟的例子下，你将获得如1：00：00.000 - 1：59：59.999，1：30：00.000 - 2：29：59.999等窗口。如果你想改变，你可以给一个偏移。以15分钟的偏移量为例，那么你将获得1：15：00.000 - 2：14：59.999，1：45：00.000 - 2：44：59.999等。偏移量的一个重要用例是将窗口调整为时区而不是UTC-0。例如，在中国，你必须指定Time.hours(-8)的偏移量。

3.3 会话窗口

会话窗口分配器通过活动会话分组元素。与滚动窗口和滑动窗口相比，会话窗口不会重叠，也没有固定的开始和结束时间。相反，当会话窗口在一段时间内没有接收到元素时会关闭，例如，不活动的间隙时。会话窗口分配器配置会话间隙，定义所需的不活动时间长度(defines how long is the required period of inactivity)。当此时间段到期时，当前会话关闭，后续元素被分配到新的会话窗口。

以下代码显示如何使用会话窗口:

Java版本:

DataStream input = ...;

// event-time session windows
input
    .keyBy()
    .window(EventTimeSessionWindows.withGap(Time.minutes(10)))
    .();

// processing-time session windows
input
    .keyBy()
    .window(ProcessingTimeSessionWindows.withGap(Time.minutes(10)))
    .();

Scala版本:

val input: DataStream[T] = ...

// event-time session windows
input
    .keyBy()
    .window(EventTimeSessionWindows.withGap(Time.minutes(10)))
    .(function>)

// processing-time session windows
input
    .keyBy()
    .window(ProcessingTimeSessionWindows.withGap(Time.minutes(10)))
    .(function>)

可以通过使用Time.milliseconds(x)，Time.seconds(x)，Time.minutes(x)其中一个来指定时间间隔。

由于会话窗口没有固定的开始时间和结束时间，因此它们的执行与滚动窗口和滑动窗口不同。在内部，会话窗口算子为每个到达记录创建一个新窗口，如果它们之间的距离比定义的间隙更近，则将窗口合并在一起。为了可合并，会话窗口算子需要一个合并触发器和合并窗口函数，例如ReduceFunction或WindowFunction（FoldFunction无法合并）。

3.4 全局窗口

全局窗口分配器将具有相同key的所有元素分配给相同的单个全局窗口。此窗口方案仅在你同时指定自定义触发器时有用。否则，不会执行计算，因为全局窗口不具有我们可以处理聚合元素的自然结束(the global window does not have a natural end at which we could process the aggregated elements.)。

以下代码显示如何使用会话窗口:

Java版本:

DataStream input = ...;

input
    .keyBy()
    .window(GlobalWindows.create())
    .();

Scala版本:

val input: DataStream[T] = ...

input
    .keyBy()
    .window(GlobalWindows.create())
    .(function>)

备注:

Flink版本:1.3

原文:https://ci.apache.org/projects/flink/flink-docs-release-1.3/dev/windows.html#window-assigners