一.分类
TunbingWindow:滚动窗口
1.前后两个计算不存在重叠
SlidingWindow:滑动窗口
1.元素会在多个窗口中存在,存在重叠
二.方式
基于Time方式
- EventTime:
- 每个独立event在其生产设备上产生的时间;
2.event记录的时间戳在进入flink时已经存在;
在使用的时候需要提供时间戳提取方法
(实现AssignTimeStampAndWaterMark接口)
3.使用eventtime时,数据决定了数据进度时间,并不受系统的物理时钟影响;
4.基于EventTime实现的程序需要指定如何生成TimeStamp和WaterMark这样能够显示event处理进度;
- IngestionTime:
1.该time记录的是event进入flink的时间;一般是在source操作时每个event记录都能得到当前source的时间,而后续的基于time的操作使用的时间戳即为该时间戳;
2.IngestTime处于EventTime和ProcessTime间;对比ProcessTime提供稳定的timestamp,成本却有点高;同时在进行每个Window操作时对应的timestamp却是相同的,不同于ProcessTime进行每个Window操作使用的不同时间戳;
对比EventTime来说面对out-of-order或late data记录时却无能为力.除此之外两者是类似的,由于IngestTime对应的timestamp是自动生成的,则watermark不需要指定; - ProcessTime:
1.event在flink中被执行的时间,是基于当前执行机器的物理时钟(会导致不同的机器上ProcessTime存在差异)
2.执行Window的操作是基于机器物理时钟周期内达到的所有记录的操作;
(比如当应用09:15开始,对应的窗口大小1h,则第一个window[9:15, 10:00],第二个window[10:00,11:00]等等)
3.ProcessTime相对来说是一个比较简单,同时也不需要streams和machine间的协调的Window时间机制,并能保证最好的吞吐性能又保障了低延迟.
4.在分布式和异构的环境下,ProcessTime会受event到达系统的影响其确定性会出现不确定性;
基于Count方式
三.应用
类结构
-
TimeCharacteristic
- 目前只提供:ProcessingTime/IngestionTime/EventTime三类时间类型
-
Window:
1.窗口Window主要用来将不同event分组到不同的buckets中;
2.maxTimestamp()用来标记在某一时刻,<=maxTimestamp的记录均会到达对应的Window;
3.任何实现Window抽象类的子类,需要实现equals()和hashCode()方法来保证逻辑相同的Window得到同样的处理;
4.每种Window都需要提供的Serialzer实现用于Window类型的序列化- TimeWindow:
1.时间类型窗口:具有一个从[start,end)间隔的窗口;
2.在使用过程中能够产生多个Window- maxTimestamp=end-1;
例如当前创建时间10:05,对应的窗口间隔=5min,则窗口的有效间隔[10:05, 10:10);结束点 ≈ 10:09 59:999 - 实现equals:针对相同TimeWindow比较其窗口start和end
- 实现hashCode: 基于start + end将long转为int
- intersects:判断指定Window是否包含在当前窗口内
- cover:根据指定Window和当前窗口生成新的包含两个窗口的新Window
- maxTimestamp=end-1;
- TimeWindow:
GlobalWindow:
1.默认使用的Window,将所有数据放置到一个窗口;对应窗口时间戳不超过Long.MAX_VALUE即可;
2.在使用过程中只会存在一个GlobalWindow;
* maxTimestamp=Long.MAX_VALUE
* 实现equals:只要属于相同类型即可
* 实现hashCode: return 0;Serializer:
1.主要用于完成对Window序列化
2.通过继承抽象类TpyeSerializerSingleton extends Window>接口: TypeSerializer
1.描述Flink运行时处理数据类型所需的序列化和复制方法。在该接口中的方法被假定为无状态的,因此它实际上是线程安全的。
(有状态的这些方法的实现可能会导致不可预测的副作用,并且会损害程序的稳定性和正确性)
2.duplicate()
创建一个serializer的deep copy:
a.若serializer是无状态的 则直接返回this
b.若是serializer是有状态的,则需要创建该serializer的deep-copy
由于serializer可能会在多个thread中被使用,对应无状态的serializer是线程安全的,而有状态的则是存在非线程安全的风险;
3.snapshotConfiguration()
创建serializer当前配置snapshot及其关联的managed state一起存储;
配置snapshot需要包括serializer的parameter设置以及序列化格式等信息;
当一个新的serializer注册用来序列化相同的Managed State,配置snapshot需要确保新的Serializer的兼容性,也会存在状态迁移的需要;
4.ensureCompatibility()
用于完成不同的Serializer间的兼容性:
a.snapshot配置类型属于ParameterlessTypeSerializerConfig同时当前Serializer标识相同则进行兼容处理
b.当不满足a情况 则需要进行状态迁移关于TimeWindow的mergeWindows:
针对TimeWindow定义的窗口集将重叠/交叉部分进行合并,减少Window的数量;
首先会将所有的Window基于其start字段进行排序,便于Window合并.
a.当前记录的Window包含迭代的Window,则会以当前Window作为key,并将迭代Window放置到Set中
b.当前记录的Window并不包含迭代的Window,重新添加一条新的记录>
以下是使用伪码
final StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
// 指定使用eventtime
env.setStreamTimeCharacteristic(TimeCharacteristic.ProcessingTime);
DataStream stream = env.addSource(new FlinkKafkaConsumer09(topic, schema, props));
stream
.keyBy( (event) -> event.getUser() )
.timeWindow(Time.hours(1)) // 指定窗口:大小=1h,以自然小时为周期
.reduce( (a, b) -> a.add(b) )
.addSink(...);
四. Watermark
在Flink中提供了使用Eventtime来衡量event被处理额机制: Watermark.会作为DataStream的一部分进行传输并携带timestamp,比如Watermark(t)声明了达到Window数据的结束时间,换句话说也是没有DataStream中的element对应的timestamp t' <= t; watermark是一种衡量Event Time进展的机制,它是数据本身的一个隐藏属性。通常基于Event Time的数据,自身都包含一个timestamp,例如1472693399700(2016-09-01 09:29:59.700),而这条数据的watermark时间则可能是:
watermark(1472693399700) = 1472693396700(2016-09-01 09:29:56.700)
在实际中流处理从事件产生,到流经source,再到operator,中间是有一个过程和时间的。在然大部分情况下,流到operator的数据都是按照事件产生的时间顺序来的,但也并不排除由于网络、背压等原因,导致乱序的产生(out-of-order或者说late element)。
但是对于late element,我们又不能无限期的等下去,必须要有个机制来保证一个特定的时间后,必须触发window去进行计算了。这个特别的机制,就是watermark。
生成watermark的方式主要有2大类:
(1):With Periodic Watermarks # 定义一个最大允许乱序的时间
(2):With Punctuated Watermarks
接下来会结合代码展示 Window + Watermark + SideOutput基于EventTime来解决乱序/延迟等情况的解决方案(仅限于演示)
五.实例
以下实例通过模拟现实环境的数据产生,同时通过ScheduledExecutorService来默认延迟event超出有效时间Window范围,完成对乱序数据的排序,通过也对超过有效时间Window的event单独处理使用SideOutput.
import org.apache.commons.collections.IteratorUtils;
import org.apache.flink.api.common.functions.MapFunction;
import org.apache.flink.api.java.tuple.Tuple;
import org.apache.flink.streaming.api.TimeCharacteristic;
import org.apache.flink.streaming.api.datastream.DataStream;
import org.apache.flink.streaming.api.datastream.SingleOutputStreamOperator;
import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;
import org.apache.flink.streaming.api.functions.source.SourceFunction;
import org.apache.flink.streaming.api.functions.timestamps.BoundedOutOfOrdernessTimestampExtractor;
import org.apache.flink.streaming.api.functions.windowing.WindowFunction;
import org.apache.flink.streaming.api.windowing.assigners.TumblingEventTimeWindows;
import org.apache.flink.streaming.api.windowing.time.Time;
import org.apache.flink.streaming.api.windowing.windows.TimeWindow;
import org.apache.flink.util.Collector;
import org.apache.flink.util.OutputTag;
import java.util.*;
import org.slf4j.Logger;
import org.slf4j.LoggerFactory;
import java.util.concurrent.*;
import static java.util.concurrent.TimeUnit.SECONDS;
/**
* @Auther: dalan
* @Date: 19-4-2 11:35
* @Description:
*/
public class SimpleSideOutput {
/** logger */
private static final Logger LOGGER = LoggerFactory.getLogger(SimpleSideOutput.class);
public static void main(String[] args) throws Exception {
final OutputTag REJECTEDWORDSTAG = new OutputTag("rejected_words_tag"){};
final StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
String[] datas = {"hello","world","good","yes","ok","here"};
String[] ops = {"-","+"};
env.setStreamTimeCharacteristic(TimeCharacteristic.EventTime);
env.setParallelism(4);
DataStream strs = env.addSource(new SourceFunction() {
private Random rand = new Random(9527);
private volatile boolean isRunning = true;
private volatile Long nums =0L;
@Override public void run(SourceContext out) throws Exception {
final long cts = System.currentTimeMillis();
// 模拟延迟数据
final ScheduledExecutorService exec = new ScheduledThreadPoolExecutor(1);
exec.scheduleAtFixedRate(new Runnable() {
@Override public void run() {
SimpleWaterMark.Event e = new SimpleWaterMark.Event(datas[rand.nextInt(datas.length)], ops[rand.nextInt(2)].equals("+")? (cts + rand.nextInt(100)) : (cts - rand.nextInt(100)) );
System.out.println(
"======single thread event=====" + e + " current_thread_id " + Thread.currentThread().getId());
out.collect(e);
}}, 3, 4, TimeUnit.SECONDS);
// 模拟正常数据
while (isRunning && nums < 500){
long ts = System.currentTimeMillis();
SimpleWaterMark.Event e = new SimpleWaterMark.Event(datas[rand.nextInt(datas.length)], ops[rand.nextInt(2)].equals("+")? (ts + rand.nextInt(100)) : (ts - rand.nextInt(100)) );
System.out.println("======event=====" + e + " current_thread_id " + Thread.currentThread().getId());
out.collect(e);
nums++;
Thread.sleep(rand.nextInt(50)+10);
}
exec.shutdown();
}
@Override public void cancel() {
isRunning = false;
}
});
SingleOutputStreamOperator sides = strs
.assignTimestampsAndWatermarks(new BoundedOutOfOrdernessTimestampExtractor(Time.of(2L, SECONDS)) {
private volatile Long currentTimestamp = 0L;
@Override public long extractTimestamp(SimpleWaterMark.Event event) {
long ts = event.ts;
currentTimestamp = ts > currentTimestamp ? ts : currentTimestamp;
return ts;
}
})
.keyBy("name")
// .process(new KeyedProcessFunction() {
// @Override
// public void processElement(SimpleWaterMark.Event event, Context ctx, Collector out)
// throws Exception {
// String key = event.name;
// if(key.length() >= 5){
// ctx.output(REJECTEDWORDSTAG, event);
// }else if (key.length() > 0){
// out.collect(event);
// }
// }
// })
//.timeWindow(Time.of(2, SECONDS))
.window(TumblingEventTimeWindows.of(Time.seconds(2)))
.sideOutputLateData(REJECTEDWORDSTAG)
.apply(new WindowFunction() {
@Override
public void apply(Tuple tuple, TimeWindow timeWindow, Iterable iterable,
Collector out) throws Exception {
Iterator iter = iterable.iterator();
List events = IteratorUtils.toList(iter);
Collections.sort(events);
for (SimpleWaterMark.Event e: events) {
out.collect(e);
}
System.out.println("the time window " +
"\tstart " + timeWindow.getStart()+
"\tend " + timeWindow.getEnd() +
"\tkey " + tuple.toString() +
"\telement_size " + events.size());
}
});
// 记录延迟数据可单独做处理
DataStream events =
sides.getSideOutput(REJECTEDWORDSTAG)
.map(new MapFunction() {
@Override public String map(SimpleWaterMark.Event event) throws Exception {
return "rejected_"+event;
}
});
events.print();
env.execute("a simple sideoutput demo");
}
}
以下实例通过socket来模拟现实情况,这种方式由用户自己来提供模拟数据;效果同上面实例相似.
import org.apache.flink.api.common.functions.MapFunction;
import org.apache.flink.api.java.tuple.Tuple;
import org.apache.flink.api.java.tuple.Tuple2;
import org.apache.flink.streaming.api.TimeCharacteristic;
import org.apache.flink.streaming.api.datastream.DataStream;
import org.apache.flink.streaming.api.datastream.SingleOutputStreamOperator;
import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;
import org.apache.flink.streaming.api.functions.AssignerWithPeriodicWatermarks;
import org.apache.flink.streaming.api.functions.windowing.WindowFunction;
import org.apache.flink.streaming.api.watermark.Watermark;
import org.apache.flink.streaming.api.windowing.assigners.TumblingEventTimeWindows;
import org.apache.flink.streaming.api.windowing.time.Time;
import org.apache.flink.streaming.api.windowing.windows.TimeWindow;
import org.apache.flink.util.Collector;
import org.apache.flink.util.OutputTag;
import javax.annotation.Nullable;
import java.text.SimpleDateFormat;
import java.util.ArrayList;
import java.util.Collections;
import java.util.Iterator;
import java.util.List;
import java.util.concurrent.TimeUnit;
/**
* 测试: nc -ln 9000
* 0001,1538359882000
* 0002,1538359886000
* 0003,1538359892000
* 0004,1538359893000
* 0005,1538359894000
* 0006,1538359896000
* 0007,1538359897000
* 0008,1538359897000
* 0009,1538359872000 此条信息比较触发sideoutput的存储 已超出Window的有效时间
* @Auther: dalan
* @Date: 19-4-2 15:36
* @Description:
*/
public class SocketSideOutput {
public static void main(String[] args) throws Exception {
//定义socket的端口号
int port = 9000;
//获取运行环境
final StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
//设置使用eventtime,默认是使用processtime
env.setStreamTimeCharacteristic(TimeCharacteristic.EventTime);
//设置并行度为1,默认并行度是当前机器的cpu数量
env.setParallelism(4);
//连接socket获取输入的数据
DataStream text = env.socketTextStream("localhost", port, "\n");
//解析输入的数据
DataStream> inputMap = text.map(new MapFunction>() {
@Override public Tuple2 map(String value) throws Exception {
String[] arr = value.split(",");
return new Tuple2<>(arr[0], Long.parseLong(arr[1]));
}
});
//抽取timestamp和生成watermark
// 设定水印current_watermark = max(event.timestamp) 同时设置最大可忍受延迟时间=1s;
// 通过使用current_watermark - 最大可忍受event延迟时间,将对应的watermark代表的窗口结束时间前移来接受延迟的event
DataStream> waterMarkStream = inputMap.assignTimestampsAndWatermarks(new AssignerWithPeriodicWatermarks>() {
Long currentMaxTimestamp = 0L;
final Long maxOutOfOrderness = 1000L; // 最大可忍受延迟时间1s
// 最大允许的乱序时间是10s
SimpleDateFormat sdf = new SimpleDateFormat("yyyy-MM-dd HH:mm:ss.SSS");
/**
* 定义生成watermark的逻辑 * 默认100ms被调用一次
*/
@Nullable @Override public Watermark getCurrentWatermark() {
return new Watermark(currentMaxTimestamp - maxOutOfOrderness);
}
//定义如何提取timestamp
@Override public long extractTimestamp(Tuple2 element, long previousElementTimestamp) {
long timestamp = element.f1;
currentMaxTimestamp = Math.max(timestamp, currentMaxTimestamp);
// System.out.println("key:" + element.f0 + ",eventtime:[" + element.f1 + "|" + sdf.format(element.f1) + "],currentMaxTimestamp:[" + currentMaxTimestamp + "|" + sdf.format(currentMaxTimestamp)
// + "],watermark:[" + getCurrentWatermark().getTimestamp() + "|" + sdf.format(getCurrentWatermark().getTimestamp())
// + "]");
return timestamp;
}
});
//保存被丢弃的数据
OutputTag> outputTag = new OutputTag>("late-data"){};
//注意,由于getSideOutput方法是SingleOutputStreamOperator子类中的特有方法,所以这里的类型,不能使用它的父类dataStream。
SingleOutputStreamOperator window =
waterMarkStream.keyBy(0)
.window(TumblingEventTimeWindows.of(Time.of(3, TimeUnit.SECONDS)))
//按照消息的EventTime分配窗口,和调用TimeWindow效果一样
// .allowedLateness(Time.seconds(2)) //允许数据迟到2秒
.sideOutputLateData(outputTag)
.apply(new WindowFunction, String, Tuple, TimeWindow>() {
/**
* 对window内的数据进行排序,保证数据的顺序
*
* @param tuple
* @param window
* @param input
* @param out
* @throws Exception
*/
@Override public void apply(Tuple tuple, TimeWindow window, Iterable> input, Collector out) throws Exception {
String key = tuple.toString();
List arrarList = new ArrayList();
Iterator> it = input.iterator();
while (it.hasNext()) {
Tuple2 next = it.next();
arrarList.add(next.f1);
}
Collections.sort(arrarList);
SimpleDateFormat sdf = new SimpleDateFormat("yyyy-MM-dd HH:mm:ss.SSS");
String result = key + "," + arrarList.size() + "," + sdf.format(arrarList.get(0)) + "," + sdf
.format(arrarList.get(arrarList.size() - 1)) + "," + sdf.format(window.getStart()) + "," + sdf.format(window.getEnd());
out.collect(result);
//System.out.println(result);
}
});
//把迟到的数据暂时打印到控制台,实际中可以保存到其他存储介质中
// 本处延迟的event已经超过指定Window的[start,end)有效范围,并且在已忍受可延迟最大周期的基础上出现延迟的信息
DataStream> sideOutput = window.getSideOutput(outputTag);
sideOutput.print();
//测试-把结果打印到控制台即可 window.print();
// 注意:因为flink是懒加载的,所以必须调用execute方法,上面的代码才会执行
env.execute("eventtime-watermark");
}
}