什么你还不会Flink的CEP，那你需要好好看看这篇文章
Flink之CEP详解
一、是什么
维基百科对CEP的定义为:“CEP是一种事件处理模式，它从若干源中获取事件，并侦测复杂环境的事件或模式，CEP的目的是确认一些有意义的事件（比如某种威胁或某种机会），并尽快对其作出响应”。总结一下也就是CEP是一个事件处理模式，当某项检测需要在多源且复杂的事件流中进行处理，并需要低延迟、秒级或毫秒级的响应时，我们就可以考虑用到它。市场上有多种CEP的解决方案，例如Spark、Samza、Beam等，但他们都没有提供专门的library支持。但是Flink提供了专门的CEP library。
二、 Flink CEP详解
Flink中实现一个CEP可以总结为四步：
- 构建需要的数据流
- 构造正确的模式
- 将数据流和模式进行结合
- 在模式流中获取匹配到的数据
其中第一步和第三步一般会是标准操作，核心在于第二部构建模式，需要利用Flink CEP支持的特性，构造出正确反映业务需求的匹配模式。
2.1 详解Flink CEP library
Flink为CEP所提供的Flink CEP library包含如下组件：
Event Streampattern定义pattern检测生成Alert
首先，开发人员要在DataStream流上定义出模式条件，之后Flink CEP引擎进行模式检测，必要时生成告警。
为了使用Flink CEP，我们需要导入依赖：
<dependency>
<groupId>org.apache.flinkgroupId>
<artifactId>flink-cep_${scala.binary.version}artifactId>
<version>${flink.version}version>
dependency>
2.1.1 Event Streams
以登陆事件流为例：
case class LoginEvent(userId: String, ip: String, eventType: String, eventTime: String)
val env = StreamExecutionEnvironment.getExecutionEnvironment
env.setStreamTimeCharacteristic(TimeCharacteristic.EventTime)
env.setParallelism(1)
val loginEventStream = env.fromCollection(List(
LoginEvent("001", "192.168.0.101", "fail", "1558430842"),
LoginEvent("001", "192.168.0.102", "fail", "1558430843"),
LoginEvent("001", "192.168.0.103", "fail", "1558430844"),
LoginEvent("002", "192.168.10.104", "success", "1558430845")
)).assignAscendingTimestamps(_.eventTime.toLong)
2.1.2 Pattern API
每个Pattern都应该包含几个步骤，或者叫做state。从一个state到另一个state，通常我们需要定义一些条件，例如下列的代码：
val loginFailPattern = Pattern.begin[LoginEvent]("begin")
.where(_.eventType.equals("fail"))
.next("next")
.where(_.eventType.equals("fail"))
.within(Time.seconds(10)
每个state都应该有一个标示：例如.begin[LoginEvent]("begin")中的"begin"
每个state都需要有一个唯一的名字，而且需要一个filter来过滤条件，这个过滤条件定义事件需要符合的条件，例如:
.where(_.eventType.equals("fail"))
我们也可以通过subtype来限制event的子类型：
start.subtype(SubEvent.class).where(...);
事实上，你可以多次调用subtype和where方法；而且如果where条件是不相关的，你可以通过or来指定一个单独的filter函数：
pattern.where(...).or(...);
之后，我们可以在此条件基础上，通过next或者followedBy方法切换到下一个state，next的意思是说上一步符合条件的元素之后紧挨着的元素；而followedBy并不要求一定是挨着的元素。这两者分别称为严格近邻和非严格近邻。
val strictNext = start.next("middle")
val nonStrictNext = start.followedBy("middle")
最后，我们可以将所有的Pattern的条件限定在一定的时间范围内：
next.within(Time.seconds(10))
这个时间可以是Processing Time，也可以是Event Time。
注：有人可能会说API介绍的不够详细，所以这里推荐一篇关于Pattern API详解的博客
2.1.3 Pattern 检测
通过一个input DataStream以及刚刚我们定义的Pattern，我们可以创建一个
PatternStream：
val input = ...
val pattern = ...
val patternStream = CEP.pattern(input, pattern)
val patternStream = CEP.pattern(loginEventStream.keyBy(_.userId), loginFailPattern)
一旦获得PatternStream，我们就可以通过select或flatSelect，从一个Map序列找到我们需要的警告信息。
2.1.4 生成Alert
2.1.4.1 select
select方法需要实现一个PatternSelectFunction，通过select方法来输出需要的警告。它接受一个Map对，包含string/event，其中key为state的名字，event则为真实的Event。
val loginFailDataStream = patternStream
.select((pattern: Map[String, Iterable[LoginEvent]]) => {
val first = pattern.getOrElse("begin", null).iterator.next()
val second = pattern.getOrElse("next", null).iterator.next()
Warning(first.userId, first.eventTime, second.eventTime, "warning")
})
其返回值仅为1条记录。
2.1.4.2 flatSelect
通过实现PatternFlatSelectFunction，实现与select相似的功能。唯一的区别就是flatSelect方法可以返回多条记录，它通过一个Collector[OUT]类型的参数来将要输出的数据传递到下游。