Flink笔记
一、Flink简介
1 重要特点：
1.1 事件驱动型(Event-driven)
比较典型的就是以 kafka 为代表的消息队列几乎都是事件驱动型应用。
1.2 流与批
批处理的特点是有界、持久、大量，非常适合需要访问全套记录才能完成的计
算工作，一般用于离线统计。
流处理的特点是无界、实时, 无需针对整个数据集执行操作，而是对通过系统
传输的每个数据项执行操作，一般用于实时统计。
1.3 分层API
Flink 几大模块
Flink Table & SQL(还没开发完)
Flink Gelly(图计算)
Flink CEP(复杂事件处理)
二、快速上手
2.1 搭建 maven 工程
2.1.1 pom 文件
4.0.0
com.atguigu.flink
FlinkTutorial
1.0-SNAPSHOT
org.apache.flink
flink-scala_2.11
1.7.2
org.apache.flink
flink-streaming-scala_2.11
1.7.2
net.alchim31.maven
scala-maven-plugin
3.4.6
testCompile
org.apache.maven.plugins
maven-assembly-plugin
3.0.0
jar-with-dependencies
make-assembly
package
single
2.1.2 添加 scala 框架 和 scala 文件夹
2.2 批处理 wordcount
object WordCount {
def main(args: Array[String]): Unit = {
// 创建执行环境
val env = ExecutionEnvironment.getExecutionEnvironment
// 从文件中读取数据
val inputPath = "D:\\Projects\\BigData\\TestWC1\\src\\main\\resources\\hello.txt"
val inputDS: DataSet[String] = env.readTextFile(inputPath)
val wordCountDS: AggregateDataSet[(String, Int)] = inputDS.flatMap(_.split("
")).map((_, 1)).groupBy(0).sum(1)
// 打印输出
wordCountDS.print()
}
}
2.3 流处理 wordcount
object StreamWordCount {
def main(args: Array[String]): Unit = {
// 从外部命令中获取参数
val params: ParameterTool = ParameterTool.fromArgs(args)
val host: String = params.get("host")
val port: Int = params.getInt("port")
// 创建流处理环境
val env = StreamExecutionEnvironment.getExecutionEnvironment
// 接收 socket文本流
val textDstream: DataStream[String] = env.socketTextStream(host, port)
// flatMap和 Map需要引用的隐式转换
import org.apache.flink.api.scala._
val dataStream: DataStream[(String, Int)] =
textDstream.flatMap(_.split("\\s")).filter(_.nonEmpty).map((_, 1)).keyBy(0).sum(1)
dataStream.print().setParallelism(1)
// 启动 executor ，执行任务
env.execute("Socket stream word count")
}
}
三、Flink 部署
3.1 Standalone 模式
3.1.1 安装
3.1.2 提交任务
3.2 Yarn 模式
3.3 Kubernetes 部署
容器化部署时目前业界很流行的一项技术，基于 Docker 镜像运行能够让用户更加方便地对应用进行管理和运维。容器管理工具中最为流行的就是 Kubernetes（k8s），而 Flink 也在最近的版本中支持了 k8s 部署模式。
1 ）
搭建Kubernetes
集群（略）
2 ）
配置各组件的yaml文件
在 k8s 上构建 Flink Session Cluster，需要将 Flink 集群的组件对应的 docker 镜像分别在 k8s 上启动，包括 JobManager、TaskManager、JobManagerService 三个镜像服务。每个镜像服务都可以从中央镜像仓库中获取。
3 ）启动
Flink Session Cluster
// 启动jobmanager-service 服务
kubectl create -f jobmanager-service.yaml
// 启动jobmanager-deployment服务
kubectl create -f jobmanager-deployment.yaml
// 启动taskmanager-deployment服务
kubectl create -f taskmanager-deployment.yaml
4 ） 访问Flink UI页面
集群启动后，就可以通过 JobManagerServicers 中配置的 WebUI 端口，用浏览器
输入以下 url 来访问 Flink UI 页面了：
http://{JobManagerHost:Port}/api/v1/namespaces/default/services/flink-jobmanage
r:ui/proxy
四、 Flink 运行架构
4.1 Flink 运行时的组件
Flink 运行时架构主要包括四个不同的组件，它们会在运行流处理应用程序时协同工作：
作业管理器（JobManager）、资源管理器（ResourceManager）、任务管理器（TaskManager），以及分发器（Dispatcher）。因为 Flink 是用 Java 和 Scala 实现的，所以所有组件都会运行在Java 虚拟机上。
4.2 任务提交流程
4.3 任务调度原理
4.3.1 TaskManger 与 Slots
Flink 每一个 worker(TaskManager)是一个 JVM 进程，它可能会在独立的线程上执行一个或多个 subtask。为了控制 worker 接收多少 task，worker 通过 task slot 控制（一个 worker 至少有一个 task slot）。
Task Slot 是静态概念，指 TaskManager 具有的并发执行能力，通过参数 taskmanager.numberOfTaskSlots 进行配置；
并行度 parallelism 是动态概念，指TaskManager 运行程序时实际使用的并发能力，通过参数 parallelism.default进行配置。
4.3.2 程序与数据流（DataFlow）
所有的 Flink 程序都是由三部分组成的： Source 、Transformation 和 Sink
4.3.3 执行图（ExecutionGraph)
为了执行一个流处理程序，Flink 需要将逻辑流图转换为物理数据流图（也叫执行图）。
Flink 中的执行图可以分成四层：StreamGraph -> JobGraph -> ExecutionGraph -> 物理执行图。 
4.3.4 并行度（Parallelism）
一个特定算子的子任务（subtask）的个数被称之为其并行度（parallelism）。
一个流程序的并行度，是其所有算子中最大的并行度。一个程序中，不同的算子可以具有不同的并行度。
Stream 在算子之间传输数据形式是 one-to-one(forwarding)模式（窄依赖 ）和redistributing 的模式（宽依赖 ）。
One-to-one：map、fliter、flatMap
Redistributing：keyBy() 基于 hashCode 重分区、broadcast 和 rebalance会随机重新分区。
4.3.5 任务链（Operator Chains）
任务链：相同并行度的 one to one 操作
五、Flink 流处理 API
5.1 Environment
5.1.1 getExecutionEnvironment
val env: ExecutionEnvironment = ExecutionEnvironment. getExecutionEnvironment //scala
StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment(); //java
5.1.2 createLocalEnvironment
返回本地执行环境，需要在调用时指定默认的并行度。
val env = StreamExecutionEnvironment.createLocalEnvironment(1) //scala
LocalStreamEnvironment localEnvironment = StreamExecutionEnvironment.createLocalEnvironment(1);//java
5.1.3 createRemoteEnvironment
返回集群执行环境，将 Jar 提交到远程服务器。在调用时指定 JobManager 的 IP 和端口号，并指定要在集群中运行的 Jar 包
//scala
val env = ExecutionEnvironment.createRemoteEnvironment("jobmanage-hostname",6123,"YOURPATH//wordcount.jar")
//java
ExecutionEnvironment remoteEnvironment = ExecutionEnvironment.createRemoteEnvironment("jobmanage-hostname", 6123, "YOURPATH//wordcount.jar");
5.2 Source
5.2.1 从集合读取数据
//scala
// 定义样例类，传感器 id ，时间戳，温度
case class SensorReading(id: String, timestamp: Long, temperature: Double)
object Sensor {
def main(args: Array[String]): Unit = {
val env = StreamExecutionEnvironment.getExecutionEnvironment
val stream1 = env.fromCollection(List(
SensorReading("sensor_1", 1547718199, 35.80018327300259),
SensorReading("sensor_6", 1547718201, 15.402984393403084),
SensorReading("sensor_7", 1547718202, 6.720945201171228),
SensorReading("sensor_10", 1547718205, 38.101067604893444)
))
stream1.print("stream1:").setParallelism(1)
env.execute()
}
}
5.2.2 从文件读取数据
val stream2 = env.readTextFile("YOUR_FILE_PATH") //scala
5.2.3 kafka
<-- pom.xml引入kafka连接器 -->
<! -- https://mvnrepository.com/artifact/org.apache.flink/flink - connector - kafka - 0.11 -- >
<dependency>
<groupId>org.apache.flink</groupId>
<artifactId>flink-connector-kafka-0.11_2.11</artifactId>
<version>1.7.2</version>
</dependency>
//scala
val properties = new Properties()
properties.setProperty("bootstrap.servers", "localhost:9092")
properties.setProperty("group.id", "consumer-group")
properties.setProperty("key.deserializer", "org.apache.kafka.common.serialization.StringDeserializer")
properties.setProperty("value.deserializer","org.apache.kafka.common.serialization.StringDeserializer)
properties.setProperty("auto.offset.reset", "latest")
val stream3 = env.addSource(new FlinkKafkaConsumer011[String]("sensor", new SimpleStringSchema(), properties))
//java
public class StreamKafkaSource {
public static void main(String[] args) throws Exception {
StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
env.setStateBackend(new FsStateBackend("hdfs://xxxx"));
env.setParallelism(1);
env.setStreamTimeCharacteristic(TimeCharacteristic.EventTime);
env.enableCheckpointing(1000);
env.getCheckpointConfig().setCheckpointingMode(CheckpointingMode.EXACTLY_ONCE);
env.getCheckpointConfig().setCheckpointTimeout(60000);
env.getCheckpointConfig().enableExternalizedCheckpoints(CheckpointConfig.ExternalizedCheckpointCleanup.RETAIN_ON_CANCELLATION);
String topic = "topic01";
Properties properties = new Properties();
properties.setProperty("bootstrap.servers","hadoop110:9092");
properties.setProperty("group.id","con1");
DataStreamSource<String> inputStream = env.addSource(new FlinkKafkaConsumer011<>(topic, new SimpleStringSchema(), properties));
inputStream.print();
env.execute("kafkaSource");
}
}
5.3 Transform
5.3.1 map
val streamMap = stream.map { x => x * 2 } //scala
SingleOutputStreamOperator<Long> StreamMap = inputStream.map(new MapFunction<String, Long>() {
@Override
public Long map(String s) throws Exception {
return Long.parseLong(s) * 2;
}
});
5.3.2 flatMap
List(“a b”, “c d”).flatMap(line ⇒ line.split(" "))
结果是 List(a, b, c, d)。
val streamFlatMap = stream.flatMap{x => x.split(",")}
inputStream.flatMap(new FlatMapFunction<String, String[]>() {
@Override
public void flatMap(String s, Collector<String[]> collector) throws Exception {
String[] strings = s.split(",");
collector.collect(strings);
}
});
5.3.3 Filter
val streamFilter = stream.filter{ x => x == 1 }
inputStream.filter(new FilterFunction<String>() {
@Override
public boolean filter(String s) throws Exception {
long sI = Integer.parseInt(s);
return sI == 1;
}
});
5.3.4 KeyBy
DataStream → KeyedStream：逻辑地将一个流拆分成不相交的分区，每个分区包含具有相同 key 的元素，在内部以 hash 的形式实现的。
5.3.5 滚动聚合算子（Rolling Aggregation）
这些算子针对 KeyedStream 的每一个支流做聚合。 如 sum() min() max() minBy() maxBy()
5.3.6 Reduce
KeyedStream → DataStream：一个分组数据流的聚合操作，合并当前的元素和上次聚合的结果，产生一个新的值，返回的流中包含每一次聚合的结果，而不是只返回最后一次聚合的最终结果。
//scala
case class SensorReading(id:String,timestamp:Long,temperature:Double)
val stream2 = env.readTextFile("YOUR_PATH\\sensor.txt")
.map( data => {
val dataArray = data.split(",")
SensorReading(dataArray(0).trim, dataArray(1).trim.toLong, dataArray(2).trim.toDouble)
})
.keyBy("id")
.reduce( (x, y) => SensorReading(x.id, x.timestamp + 1, y.temperature) )
@Data
@NoArgsConstructor
@AllArgsConstructor
class Teacher implements Serializable {
private static final long serialVersionUID = 2002025547840257105L;
private String id;
private Long timestamp;
private Double temperature;
public static void main(String[] args) {
StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
DataStreamSource<String> stringDataStreamSource = env.readTextFile("YOUR_PATH\\\\sensor.txt");
SingleOutputStreamOperator<Teacher> reduceStream = stringDataStreamSource.map(new MapFunction<String, Teacher>() {
@Override
public Teacher map(String s) throws Exception {
String[] dataArrays = s.split(",");
new Teacher(dataArrays[0].toString().trim(), Long.parseLong(dataArrays[1]), Double.parseDouble(dataArrays[2]));
return null;
}
}).keyBy(0)
.reduce(new ReduceFunction<Teacher>() {
@Override
public Teacher reduce(Teacher t0, Teacher t1) throws Exception {
return new Teacher(t0.id,t0.timestamp,t0.temperature+t1.temperature);
}
});
}
}
5.3.7 Split 和 Select
//分流操作 scala
//1.spilt
val splitStream = dataStream.split(
data => {
if (data.temperature > 30) Seq("high")
else Seq("low")
}
)
//2.select
val highTempStrem = splitStream.select("high")
val lowTempStream = splitStream.select("low")
val allTempStream = splitStream.select("high","low")
//split分流 java
SplitStream<Teacher> splitStream = teacherStream.split(new OutputSelector<Teacher>() {
@Override
public Iterable<String> select(Teacher teacher) {
ArrayList<String> output = new ArrayList<String>();
if (teacher.temperature > 30) {
output.add("high");
} else {
output.add("low");
}
return output;
}
});
//select
DataStream<Teacher> highStream = splitStream.select("high");
DataStream<Teacher> lowStream = splitStream.select("low");
DataStream<Teacher> allStream = splitStream.select("low","higth");
5.3.8 Connect 和 CoMap
//scala
val warning = high.map( sensorData => (sensorData.id,
sensorData.temperature) )
val connected = warning.connect(low)
val coMap = connected.map(
warningData => (warningData._1, warningData._2, "warning"),
lowData => (lowData.id, "healthy")
)
//java
//connect
ConnectedStreams<Teacher, Teacher> connectedStreams = highStream.connect(lowStream);
//CoMap
SingleOutputStreamOperator<Tuple2<String, Double>> coMapStream = connectedStreams.map(new CoMapFunction<Teacher, Teacher, Tuple2<String, Double>>() {
@Override
public Tuple2<String, Double> map1(Teacher teacher) throws Exception {
Tuple2<String, Double> t1 = new Tuple2<>();
t1.setFields(teacher.id, teacher.temperature + 1);
return t1;
}
@Override
public Tuple2<String, Double> map2(Teacher teacher) throws Exception {
Tuple2<String, Double> t2 = new Tuple2<>();
t2.setFields(teacher.id, teacher.temperature + 1);
return t2;
}
});
5.3.9 Union
Connect 与 Union 区别
- Union 两个流类型必须一样，Connect 可以不一样，在之后的 coMap中再去调整成为一样的。
- Connect 只能操作两个流，Union 可以操作多个。
//union scala
val unionStream = highTempStrem.union(lowTempStream)
//RichMapFunction
val mapStream = unionStream.map(new RichMapFunction[Teacher, String] {
override def map(in: Teacher): String = {
var stringBuffer: StringBuilder = new StringBuilder()
stringBuffer.append(in.id).append("==").append(in.temperature.toString).toString()
}
})
DataStreamSource<String> stream1 = env.socketTextStream("hadoop01", 9090);
DataStreamSource<String> stream2 = env.socketTextStream("hadoop02", 9091);
DataStream<String> unionStream = stream1.union(stream2);
SingleOutputStreamOperator<String> mapStream = unionStream.map(new MapFunction<String, String>() {
@Override
public String map(String s) throws Exception {
return s;
}
});
5.4 支持的数据类型
- 基础数据类型
- Java 和 Scala 元组（Tuples）
- Scala 样例类（case classes）
- Java 简单对象（POJOs）
- 其它（Arrays, Lists, Maps, Enums, 等等）
5.5 实现 UDF 函数——更细粒度的控制流
5.5.1 函数类（Function Classes）
Flink 暴露了所有 udf 函数的接口(实现方式为接口或者抽象类)。例如MapFunction, FilterFunction, ProcessFunction 等。
实现FilterFunction接口
val flinkTweets = tweets.filter(new FlinkFilter)
class FilterFilter extends FilterFunction[String] {
override def filter(value: String): Boolean = {
value.contains("flink")
}
}
将函数实现成匿名类
val flinkTweets = tweets.filter(
new RichFilterFunction[String] {
override def filter(value: String): Boolean = {
value.contains("flink")
}
}
)
过滤条件当作参数
val tweets: DataStream[String] = ...
val flinkTweets = tweets.filter(new KeywordFilter("flink"))
class KeywordFilter(keyWord: String) extends FilterFunction[String] {
override def filter(value: String): Boolean = {
value.contains(keyWord)
}
}
匿名函数（Lambda Functions）
val tweets: DataStream[String] = ...
val flinkTweets = tweets.filter(_.contains("flink"))
5.5.2 富函数（Rich Functions）
“富函数”是 DataStream API 的一个函数类接口，所有 Flink 函数类都有其 Rich 版本。它与常规函数不同在于可以获取运行环境的上下文，拥有一些生命周期方法，实现更复杂功能。
RichMapFunction
RichFlatMapFunction
RichFilterFunction
…
Rich Function 有一个生命周期的概念。典型的生命周期方法有：
open()方法是 rich function 的初始化方法，当一个算子如 map 或者 filter被调用之前 open()会被调用。
close()方法是生命周期中最后一个调用的方法，做一些清理工作。
getRuntimeContext()方法提供了函数的 RuntimeContext 一些信息，例如函数执行的并行度，任务的名字，以及 state 状态
class MyFlatMap extends RichFlatMapFunction[Int, (Int, Int)] {
var subTaskIndex = 0
override def open(configuration: Configuration): Unit = {
subTaskIndex = getRuntimeContext.getIndexOfThisSubtask
// 以下可以 做一些初始化工作 ， 例如建立一个和 HDFS的连接
}
override def flatMap(in: Int, out: Collector[(Int, Int)]): Unit = {
if (in % 2 == subTaskIndex) {
out.collect((subTaskIndex, in))
}
}
override def close(): Unit = {
// 以下做一些 清理工作， 例如 断开和 HDFS的连接。
}
}
5.6 Sink
stream.addSink(new MySink(xxxx))
5.6.1 Kafka
<! -- https://mvnrepository.com/artifact/org.apache.flink/flink - connector - kafka - 0.11 -- > <dependency>
<groupId>org.apache.flink</groupId>
<artifactId>flink-connector-kafka-0.11_2.11</artifactId>
<version>1.7.2</version>
</dependency>
//scala
object KafkaSinkTest {
def main(args: Array[String]): Unit = {
val env = StreamExecutionEnvironment.getExecutionEnvironment
env.setParallelism(1)
env.setStreamTimeCharacteristic(TimeCharacteristic.EventTime)
val properties = new Properties()
properties.setProperty("bootstrap.servers","localhost:9092")
properties.setProperty("group.id","consumer-group")
properties.setProperty("key.deserializer","org.apache.kafka.common.serialization.StringDeserializer")
properties.setProperty("value.deserializer","org.apache.kafka.common.serialization.StringDeserializer")
properties.setProperty("auto.offset.reset","latest")
val inputStream = env.addSource(new FlinkKafkaConsumer011[String]("topic0101",SimpleStringSchema,properties))
val outputStream = inputStream.map(
data => {
val strings = data.split(",")
Teacher(strings(0).trim, strings(1).trim.toLong, strings(2).trim.toDouble).toString
})
outputStream.addSink(new FlinkKafkaProducer011[String]("topic",new SimpleStringSchema(),properties))
env.execute("kafkaSink")
}
}
/**
1. KafkaSink java
*/
public class StreamKafKaSink {
public static void main(String[] args) {
//获取Flink的运行环境
StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
env.setParallelism(1);
//checkpoint
env.enableCheckpointing(1000);
env.getCheckpointConfig().setCheckpointingMode(CheckpointingMode.EXACTLY_ONCE);
env.getCheckpointConfig().setMinPauseBetweenCheckpoints(500);
env.getCheckpointConfig().setCheckpointTimeout(60000);
env.getCheckpointConfig().setMaxConcurrentCheckpoints(1);
env.getCheckpointConfig().enableExternalizedCheckpoints(CheckpointConfig.ExternalizedCheckpointCleanup.RETAIN_ON_CANCELLATION);
//statebackend
env.setStateBackend(new FsStateBackend("hdfs://hadoop100:9000/flink/checkpoints",true));
DataStream<String> inputStream = env.socketTextStream("hadpoop01", 9001, ',',5);
String brokerList = "hadoop110:9092";
String topic = "t1";
Properties properties = new Properties();
properties.setProperty("bootstrap.servers",brokerList);
//第一种解决方案，设置FlinkKafkaProducer011里面的事务超时时间
//设置事务超时时间
properties.setProperty("transaction.timeout.ms",60000*15+"");
//第二种解决方案，设置kafka的最大事务超时时间
FlinkKafkaProducer011<String> myProducer = new FlinkKafkaProducer011<>(brokerList, topic, new SimpleStringSchema());
//使用仅一次语义的kafkaProducer
FlinkKafkaProducer011<String> myProducer2 = new FlinkKafkaProducer011<>(topic, new KeyedSerializationSchemaWrapper<String>(new SimpleStringSchema())
, properties, FlinkKafkaProducer011.Semantic.EXACTLY_ONCE);
inputStream.addSink(myProducer2);
env.execute("kafkaSink");
}
}
六、Flink 中的 Window
6.1 Window
-
滚动窗口（Tumbling Windows）
将数据依据固定的窗口长度对数据进行切片。
特点：时间对齐，窗口长度固定，没有重叠 -
滑动窗口
是固定窗口的更广义的一种形式，滑动窗口由固定的窗口长度和滑动间隔组成。
特点：时间对齐，窗口长度固定，可以有重叠。 -
会话窗口（Session Windows）
由一系列事件组合一个指定时间长度的 timeout 间隙组成，类似于 web 应用的session，也就是一段时间没有接收到新数据就会生成新的窗口。
特点：时间无对齐。
6.2 Window API
6.2.1 TimeWindow
TimeWindow 将指定时间范围内的所有数据组成一个 window，一次对一个window 里的所有数据进行计算。
- 滚动窗口
val minTempPerWindow = dataStream
.map(r => (r.id, r.temperature))
.keyBy(_._1)
.timeWindow(Time.seconds(15))
.reduce((r1, r2) => (r1._1, r1._2.min(r2._2)))
- 滑动窗口（SlidingEventTimeWindows）
val minTempPerWindow: DataStream[(String, Double)] = dataStream
.map(r => (r.id, r.temperature))
.keyBy(_._1)
.timeWindow(Time.seconds(15), Time.seconds(5))
.reduce((r1, r2) => (r1._1, r1._2.min(r2._2)))
// .window(EventTimeSessionWindows.withGap(Time.minutes(10))
6.2.2 CountWindow
- 滚动窗口
val minTempPerWindow: DataStream[(String, Double)] = dataStream
.map(r => (r.id, r.temperature))
.keyBy(_._1)
.countWindow(5)
.reduce((r1, r2) => (r1._1, r1._2.max(r2._2)))
- 滑动窗口
val keyedStream: KeyedStream[(String, Int), Tuple] = dataStream
.map(r => (r.id, r.temperature))
.keyBy(0)
// 每当某一个 key的个数达到 2的时候 , 触发计算，计算最近该 key最近 10个元素的内容
val windowedStream: WindowedStream[(String, Int), Tuple, GlobalWindow] = keyedStream
.countWindow(10,2)
val sumDstream: DataStream[(String, Int)] = windowedStream.sum(1)
6.2.3 window function
window function 定义了要对窗口中收集的数据做的计算操作，主要可以分为两类：
- 增量聚合函数（incremental aggregation functions）
每条数据到来就进行计算，保持一个简单的状态。典型的增量聚合函数有
ReduceFunction, AggregateFunction。 - 全窗口函数（full window functions）
先把窗口所有数据收集起来，等到计算的时候会遍历所有数据。
ProcessWindowFunction 就是一个全窗口函数
6.2.4 其它可选 API
- trigger() —— 触发器
定义 window 什么时候关闭，触发计算并输出结果 - evitor() —— 移除器
定义移除某些数据的逻辑 - allowedLateness() —— 允许处理迟到的数据
- sideOutputLateData() —— 将迟到的数据放入侧输出流
- getSideOutput() —— 获取侧输出流
七、时间语义与 Wartermark
7.1 Flink 中的时间语义
Event Time：是事件创建的时间。它通常由事件中的时间戳描述，例如采集的日志数据中，每一条日志都会记录自己的生成时间，Flink 通过时间戳分配器访问事件时间戳。
Ingestion Time：是数据进入 Flink 的时间。
Processing Time：是每一个执行基于时间操作的算子的本地系统时间，与机器相关，默认的时间属性就是 Processing Time。
7.2 EventTime 的引入
val env = StreamExecutionEnvironment.getExecutionEnvironment
// 从调用时刻开始给 env创建的每一个 stream追加时间特征
env.setStreamTimeCharacteristic(TimeCharacteristic.EventTime)
7.3 Watermark
- Watermark 是一种衡量 Event Time 进展的机制。
- Watermark 是用于处理乱序事件的，而正确的处理乱序事件，通常用Watermark 机制结合 window 来实现。
- 数据流中的 Watermark 用于表示 timestamp 小于 Watermark 的数据，都已经到达了，因此，window 的执行也是由 Watermark 触发的。
- Watermark 可以理解成一个延迟触发机制，我们可以设置 Watermark 的延时时长t，每次系统会校验已经到达的数据中最大的 maxEventTime，然后认定 eventTime小于 maxEventTime - t 的所有数据都已经到达，如果有窗口的停止时间等于maxEventTime – t，那么这个窗口被触发执行
7.3.1 Watermark 的引入
- 方法1
val dataStream = inputStream.map(
data => {
val dataArrays = data.split(",")
Teacher(dataArrays(0).trim, dataArrays(1).trim.toLong, dataArrays(2).trim.toDouble)
}
//从Teacher中提取时间戳并设置watermarks方法1
).assignTimestampsAndWatermarks(new BoundedOutOfOrdernessTimestampExtractor[Teacher](Time.seconds(3)) {
override def extractTimestamp(element: Teacher): Long = element.timestamp * 1000L
})
- 方法2
val resultStream = inputStream.map(
data => { //包装Teacher
val dataArrays = data.split(",")
Teacher(dataArrays(0).trim, dataArrays(1).trim.toLong, dataArrays(2).trim.toDouble)
}
).assignTimestampsAndWatermarks(new MyAssigners()) //获取时间戳和设置watermarks方法2
//方法2 周期性watermarks
class MyAssigners() extends AssignerWithPeriodicWatermarks[Teacher]{
//定义固定延迟为5秒
val bound:Long = 5*1000L
//定义当前收到的最大时间戳
var maxTs:Long = Long.MinValue
override def getCurrentWatermark: Watermark = {
new Watermark(maxTs-bound)
}
override def extractTimestamp(element: Teacher, previousElementTimestamp: Long): Long = {
maxTs = maxTs.max(element.timestamp*1000L)
element.timestamp*1000L
}
}
- 方法3
val resultStream = inputStream.map(
data => { //包装Teacher
val dataArrays = data.split(",")
Teacher(dataArrays(0).trim, dataArrays(1).trim.toLong, dataArrays(2).trim.toDouble)
}
).assignTimestampsAndWatermarks(new MyAssigners()) //获取时间戳和设置watermarks方法3
//方法2-2 不定时watermarks
class MyAssigners2() extends AssignerWithPunctuatedWatermarks[Teacher]{
val bound:Long = 5*1000L
override def checkAndGetNextWatermark(lastElement: Teacher, extractedTimestamp: Long): Watermark = {
if(lastElement.id == "teacher01"){
new Watermark(extractedTimestamp-bound)
}else{
null
}
}
override def extractTimestamp(element: Teacher, previousElementTimestamp: Long): Long = {
element.timestamp*1000L
}
}
八、ProcessFunction API（底层 API）
DataStream API 提供了一系列的 Low-Level 转换算子。可以访问时间戳、watermark 以及注册定时事件。还可以输出特定的一些事件，例如超时事件等。Process Function 用来构建事件驱动的应用以及实现自定义的业务逻辑(使用之前的window 函数和转换算子无法实现)。
Flink 提供了 8 个 Process Function：
- ProcessFunction
- KeyedProcessFunction
- CoProcessFunction
- ProcessJoinFunction
- BroadcastProcessFunction
- KeyedBroadcastProcessFunction
- ProcessWindowFunction
- ProcessAllWindowFunction
8.1 KeyedProcessFunction
KeyedProcessFunction 用来操作 KeyedStream。
KeyedProcessFunction 会处理流的每一个元素，输出为 0 个、1 个或者多个元素。所有的 Process Function 都继承自RichFunction 接口，所以都有 open()、close()和 getRuntimeContext()等方法。
KeyedProcessFunction[KEY, IN, OUT]还额外提供了两个方法:
- processElement(v: IN, ctx: Context, out: Collector[OUT]), 流中的每一个元素都会调用这个方法，调用结果将会放在 Collector 数据类型中输出。Context可以访问元素的时间戳，元素的 key，以及 TimerService 时间服务。Context还可以将结果输出到别的流(side outputs)。
- onTimer(timestamp: Long, ctx: OnTimerContext, out: Collector[OUT])是一个回调函数。当之前注册的定时器触发时调用。参数 timestamp 为定时器所设定的触发的时间戳。Collector 为输出结果的集合。OnTimerContext 和processElement 的 Context 参数一样，提供了上下文的一些信息，例如定时器触发的时间信息(事件时间或者处理时间)。
8.2 TimerService 和 定时器（Timers）
Context 和 OnTimerContext 所持有的 TimerService 对象拥有以下方法:
- currentProcessingTime(): Long 返回当前处理时间
- currentWatermark(): Long 返回当前 watermark 的时间戳
- registerProcessingTimeTimer(timestamp: Long): Unit 会注册当前 key 的processing time 的定时器。当 processing time 到达定时时间时，触发 timer。
- registerEventTimeTimer(timestamp: Long): Unit 会注册当前 key 的 event time 定时器。当水位线大于等于定时器注册的时间时，触发定时器执行回调函数。
- deleteProcessingTimeTimer(timestamp: Long): Unit 删除之前注册处理时间定时器。如果没有这个时间戳的定时器，则不执行。
- deleteEventTimeTimer(timestamp: Long): Unit 删除之前注册的事件时间定时器，如果没有此时间戳的定时器，则不执行。 当定时器 timer 触发时，会执行回调函数 onTimer()。注意定时器 timer 只能在keyed streams 上面使用。
8.3 侧输出流（SideOutput）
除了 split 算子，可以将一条流分成多条流，这些流的数据类型也都相同。process function 的 side outputs 功能可以产生多条流，并且这些流的数据类型可以不一样。一个 side output 可以定义为 OutputTag[X]对象，X 是输出流的数据类型。process function 可以通过 Context 对象发射一个事件到一个或者多个 side outputs。
val monitoredReadings: DataStream[SensorReading] = readings .process(new FreezingMonitor)
class FreezingMonitor extends ProcessFunction[SensorReading, SensorReading] {
// 定义一个侧输出标签
lazy val freezingAlarmOutput: OutputTag[String] = new OutputTag[String]("freezing-alarms")
override def processElement(r: SensorReading,
ctx: ProcessFunction[SensorReading, SensorReading]#Context,
out: Collector[SensorReading]): Unit = {
// 温度在 32F以下 时，输出警告信息
if (r.temperature < 32.0) {
ctx.output(freezingAlarmOutput, s"Freezing Alarm for ${r.id}")
}
// 所有数据直接常规输出到主流
out.collect(r)
}
}
monitoredReadings .getSideOutput(new OutputTag[String]("freezing-alarms")) .print()
8.4 CoProcessFunction
对于两条输入流，DataStream API 提供了 CoProcessFunction 这样的 low-level操作。CoProcessFunction 提供了操作每一个输入流的方法: processElement1()和processElement2()。
类似于 ProcessFunction，这两种方法都通过 Context 对象来调用。这个 Context对象可以访问事件数据，定时器时间戳，TimerService，以及 side outputs。
CoProcessFunction 也提供了 onTimer()回调函数。
九、 状态编程和容错机制
有状态的计算则会基于多个事件输出结果。以下是一些例子。
-
所有类型的窗口。例如，计算过去一小时的平均温度，就是有状态的计算。
-
所有用于复杂事件处理的状态机。例如，在一分钟内收到两个相差 20 度以上的温度读数，则发出警告，这是有状态的计算。
-
流与流之间的所有关联操作，以及流与静态表或动态表之间的关联操作，都是有状态的计算。
9.1 有状态的算子和应用程序
Flink 内置的很多算子，数据源 source，数据存储 sink 都是有状态的，流中的数据都是 buffer records，会保存一定的元素或者元数据。例如: ProcessWindowFunction会缓存输入流的数据，ProcessFunction 会保存设置的定时器信息等等。
在 Flink 中，状态始终与特定算子相关联。总的来说，有两种类型的状态：
- 算子状态（operator state）
- 键控状态（keyed state）
9.3.1 算子状态（operator state）
Flink 为算子状态提供三种基本数据结构：
- 列表状态（List state）
将状态表示为一组数据的列表。 - 联合列表状态（Union list state）
也将状态表示为数据的列表。它与常规列表状态的区别在于，在发生故障时，或者从保存点（savepoint）启动应用程序时如何恢复。 - 广播状态（Broadcast state）
如果一个算子有多项任务，而它的每项任务状态又都相同，那么这种特殊情况最适合应用广播状态。
9.3.2 键控状态（keyed state）
键控状态是根据输入数据流中定义的键（key）来维护和访问。Flink 为每个键值维护一个状态实例，并将具有相同键的所有数据都分区到同一个算子任务中，这个任务会维护和处理这个 key 对应的状态。当任务处理一条数据时，它会自动将状态的访问范围限定为当前数据的 key。因此具有相同 key 的所有数据都会访问相同的状态。Keyed State 很类似于一个分布式的 key-value map 数据结构，只能用于 KeyedStream（keyBy 算子处理之后）。
Flink 的 Keyed State 支持以下数据类型：
- ValueState[T]保存单个的值，值的类型为 T。
- get 操作: ValueState.value()
- set 操作: ValueState.update(value: T)
- ListState[T]保存一个列表，列表里的元素的数据类型为 T。基本操作如下：
- ListState.add(value: T)
- ListState.addAll(values: java.util.List[T])
- ListState.get()返回 Iterable[T]
- ListState.update(values: java.util.List[T])
- MapState[K, V]保存 Key-Value 对。
- MapState.get(key: K)
- MapState.put(key: K, value: V)
- MapState.contains(key: K)
- MapState.remove(key: K)
- ReducingState[T]
- AggregatingState[I, O]
State.clear()是清空操作。
val sensorData: DataStream[SensorReading] = ...
val keyedData: KeyedStream[SensorReading, String] = sensorData.keyBy(_.id)
val alerts: DataStream[(String, Double, Double)] = keyedData
.flatMap(new TemperatureAlertFunction(1.7))
class TemperatureAlertFunction(val threshold: Double) extends RichFlatMapFunction[SensorReading, (String, Double, Double)] {
private var lastTempState: ValueState[Double] = _
override def open(parameters: Configuration): Unit = {
val lastTempDescriptor = new ValueStateDescriptor[Double]("lastTemp", classOf[Double])
lastTempState = getRuntimeContext.getState[Double](lastTempDescriptor)
}
override def flatMap(reading: SensorReading, out: Collector[(String, Double, Double)]): Unit = {
val lastTemp = lastTempState.value()
val tempDiff = (reading.temperature - lastTemp).abs
if (tempDiff > threshold) {
out.collect((reading.id, reading.temperature, tempDiff))
}
this.lastTempState.update(reading.temperature)
}
}
val alerts: DataStream[(String, Double, Double)] = keyedSensorData
.flatMapWithState[(String, Double, Double), Double] {
case (in: SensorReading, None) =>
(List.empty, Some(in.temperature))
case (r: SensorReading, lastTemp: Some[Double]) =>
val tempDiff = (r.temperature - lastTemp.get).abs
if (tempDiff > 1.7) {
(List((r.id, r.temperature, tempDiff)), Some(r.temperature))
} else {
(List.empty, Some(r.temperature))
}
}
9.2 状态一致性
9.2.1 一致性级别
- at-most-once: 这其实是没有正确性保障的委婉说法——故障发生之后，计数结果可能丢失。同样的还有 udp。
- at-least-once: 这表示计数结果可能大于正确值，但绝不会小于正确值。也就是说，计数程序在发生故障后可能多算，但是绝不会少算。
- exactly-once: 这指的是系统保证在发生故障后得到的计数结果与正确值一致
Flink 的一个重大价值在于，它既保证了 exactly-once，也具有低延迟和高吞吐的处理能力。
9.2.2 端到端（end-to-end）状态一致性
9.3 检查点（checkpoint）
9.3.1 Flink 的检查点算法
待更新
9.3.2 Flink+Kafka 如何实现端到端的 exactly-once 语义
待更新
9.4 选择一个状态后端(state backend)
- MemoryStateBackend
- FsStateBackend
- RocksDBStateBackend
RocksDBStateBackend 的依赖
<dependency>
<groupId>org.apache.flink</groupId>
<artifactId>flink-statebackend-rocksdb_2.11</artifactId>
<version>1.7.2</version>
</dependency>
设置状态后端为 FsStateBackend
val env = StreamExecutionEnvironment.getExecutionEnvironment
val checkpointPath: String = ???
val backend = new RocksDBStateBackend(checkpointPath)
env.setStateBackend(backend)
env.setStateBackend(new FsStateBackend("file:///tmp/checkpoints"))
env.enableCheckpointing(1000)
// 配置重启策略
env.setRestartStrategy(RestartStrategies.fixedDelayRestart(60, Time.of(10, TimeUnit.SECONDS)))
十、Table API 与 SQL
10.1 需要引入的 pom 依赖
<dependency>
<groupId>org.apache.flink</groupId>
<artifactId>flink-table_2.11</artifactId>
<version>1.7.2</version>
</dependency>
10.2 了解 TableAPI
def main(args: Array[String]): Unit = { val env: StreamExecutionEnvironment = StreamExecutionEnvironment.getExecutionEnvironment
val myKafkaConsumer: FlinkKafkaConsumer011[String] = MyKafkaUtil.getConsumer("ECOMMERCE")
val dstream: DataStream[String] = env.addSource(myKafkaConsumer)
val tableEnv: StreamTableEnvironment = TableEnvironment.getTableEnvironment(env)
val ecommerceLogDstream: DataStream[EcommerceLog] = dstream.map{ jsonString => JSON.parseObject(jsonString,classOf[EcommerceLog]) }
val ecommerceLogTable: Table = tableEnv.fromDataStream(ecommerceLogDstream)
val table: Table = ecommerceLogTable.select("mid,ch").filter("ch ='appstore'")
val midchDataStream: DataStream[(String, String)] = table.toAppendStream[(String,String)]
midchDataStream.print()
env.execute() }
10.2.1 动态表
如果流中的数据类型是 case class 可以直接根据 case class 的结构生成 table
tableEnv.fromDataStream(ecommerceLogDstream)
或者根据字段顺序单独命名
tableEnv.fromDataStream(ecommerceLogDstream,’mid,’uid .......)
最后的动态表可以转换为流进行输出
table.toAppendStream[(String,String)]
10.2.2 字段
用一个单引放到字段前面来标识字段名, 如 ‘name , ‘mid ,’amount 等
10.3 TableAPI 的窗口聚合操作
10.3.1 TableAPI 例子
// 每 10秒中渠道为 appstore的个数
def main(args: Array[String]): Unit = { //sparkcontext
val env: StreamExecutionEnvironment = StreamExecutionEnvironment.getExecutionEnvironment
// 时间特性改为 eventTime
env.setStreamTimeCharacteristic(TimeCharacteristic.EventTime)
val myKafkaConsumer: FlinkKafkaConsumer011[String] = MyKafkaUtil.getConsumer("ECOMMERCE")
val dstream: DataStream[String] = env.addSource(myKafkaConsumer)
val ecommerceLogDstream: DataStream[EcommerceLog] = dstream.map{ jsonString =>JSON.parseObject(jsonString,classOf[EcommerceLog]) }
// 告知 watermark 和 eventTime 如何提取
val ecommerceLogWithEventTimeDStream: DataStream[EcommerceLog] = ecommerceLogDstream.assignTimestampsAndWatermarks(new BoundedOutOfOrdernessTimestampExtractor[EcommerceLog](Time.seconds(0L)) {
override def extractTimestamp(element: EcommerceLog): Long = {
element.ts
}
}).setParallelism(1)
val tableEnv: StreamTableEnvironment = TableEnvironment.getTableEnvironment(env)
// 把数据流转化成 Table
//'ts.rowtime 指定表里的时间字段EventTime
//‘ts.procTime 指定表里的时间字段ProcessTime
val ecommerceTable: Table = tableEnv.fromDataStream(ecommerceLogWithEventTimeDStream , 'mid,'uid,'appid,'area,'os,'ch,'logType,'vs,'logDate,'logHour,'logHourMinut e,'ts.rowtime)
// 通过 table api 进行操作
// 每 10 秒
统计一次各个渠道的个数 table api 解决
//1 groupby 2 要用 window 3 用 eventtime 来确定开窗时间
val resultTable: Table = ecommerceTable
.window(Tumble over 10000.millis on 'ts as 'tt) //'ts as 'tt ,tt为当前滚动窗口的别名
.groupBy('ch,'tt )
.select( 'ch, 'ch.count)
// 把 Table 转化成数据流
val resultDstream: DataStream[(Boolean, (String, Long))] = resultSQLTable.toRetractStream[(String,Long)]
resultDstream.filter(_._1).print()
env.execute()
}
10.3.2 关于 group by
- 如果了使用 groupby，table 转换为流的时候只能用 toRetractDstream
val rDstream: DataStream[(Boolean, (String, Long))] = table .toRetractStream[(String,Long)]
- toRetractDstream 得到的第一个 boolean 型字段标识 true 就是最新的数据(Insert)，false 表示过期老数据(Delete)
val rDstream: DataStream[(Boolean, (String, Long))] = table .toRetractStream[(String,Long)]
rDstream.filter(_._1).print()
- 如果使用的 api 包括时间窗口，那么窗口的字段必须出现在 groupBy 中。
val table: Table = ecommerceLogTable
.filter("ch ='appstore'")
.window(Tumble over 10000.millis on 'ts as 'tt)
.groupBy('ch ,'tt)
.select("ch,ch.count ")
10.3.3 关于时间窗口
- 用到时间窗口，必须提前声明时间字段，如果是 processTime 直接在创建动态表时进行追加就可以。
val ecommerceLogTable: Table = tableEnv
.fromDataStream( ecommerceLogWithEtDstream,
'mid,'uid,'appid,'area,'os,'ch,'logType,'vs,'logDate,'logHour,'logHourMinute,'ps.proctime)
- 如果是 EventTime 要在创建动态表时声明
val ecommerceLogTable: Table = tableEnv
.fromDataStream(ecommerceLogWithEtDstream,
'mid,'uid,'appid,'area,'os,'ch,'logType,'vs,'logDate,'logHour,'logHourMinute,'ts.rowtime)
- 滚动窗口可以使用 Tumble over 10000.millis on 来表示
val table: Table = ecommerceLogTable.filter("ch ='appstore'")
.window(Tumble over 10000.millis on 'ts as 'tt)
.groupBy('ch ,'tt)
.select("ch,ch.count ")
10.4 SQL 如何编写
def main(args: Array[String]): Unit = {
//sparkcontext
val env: StreamExecutionEnvironment = StreamExecutionEnvironment.getExecutionEnvironment
// 时间特性改为 eventTime
env.setStreamTimeCharacteristic(TimeCharacteristic.EventTime)
val myKafkaConsumer: FlinkKafkaConsumer011[String] = MyKafkaUtil.getConsumer("ECOMMERCE")
val dstream: DataStream[String] = env.addSource(myKafkaConsumer)
val ecommerceLogDstream: DataStream[EcommerceLog] = dstream.map{ jsonString =>JSON.parseObject(jsonString,classOf[EcommerceLog]) }
// 告知 watermark 和 eventTime 如何提取
val ecommerceLogWithEventTimeDStream: DataStream[EcommerceLog] = ecommerceLogDstream.assignTimestampsAndWatermarks(
new BoundedOutOfOrdernessTimestampExtractor[EcommerceLog](Time.seconds(0L)) {
override def extractTimestamp(element: EcommerceLog): Long = {
element.ts
}
}).setParallelism(1)
//SparkSession
val tableEnv: StreamTableEnvironment = TableEnvironment.getTableEnvironment(env)
// 把数据流转化成 Table
val ecommerceTable: Table = tableEnv.fromDataStream(ecommerceLogWithEventTimeDStream , 'mid,'uid,'appid,'area,'os,'ch,'logType,'vs,'logDate,'logHour,'logHourMinu te,'ts.rowtime)
// 通过 table api 进行操作
// 每 10 秒统计一次各个渠道的个数 table api 解决
//1 groupby 2 要用 window 3 用 eventtime 来确定开窗时间
val resultTable: Table = ecommerceTable.window(Tumble over 10000.millis on 'ts as 'tt).groupBy('ch,'tt ).select( 'ch, 'ch.count)
// 通过 sql 进行操作
val resultSQLTable : Table = tableEnv.sqlQuery( "select ch ,count(ch) from "+ecommerceTable+" group by ch ,Tumble(ts,interval '10' SECOND )")
// 把 Table转化成数据流
val appstoreDStream: DataStream[(String, String, Long)] = appstoreTable.toAppendStream[(String,String,Long)]
val resultDstream: DataStream[(Boolean, (String, Long))] = resultSQLTable.toRetractStream[(String,Long)]
resultDstream.filter(_._1).print()
env.execute()
}
十一、 Flink CEP
11.1 复杂事件处理 CEP
一个或多个由简单事件构成的事件流通过一定的规则匹配，然后输出用户想得到的数据，满足规则的复杂事件。
特征：
- 目标：从有序的简单事件流中发现一些高阶特征
- 输入：一个或多个由简单事件构成的事件流
- 处理：识别简单事件之间的内在联系，多个符合一定规则的简单事件构成复杂事件
- 输出：满足规则的复杂事件
CEP 用于分析低延迟、频繁产生的不同来源的事件流。
CEP 可以帮助在复杂的、不相关的事件流中找出有意义的模式和复杂的关系，以接近实时或准实时的获得通知并阻止一些行为。
CEP 支持在流上进行模式匹配，根据模式的条件不同，分为连续的条件或不连续的条件；模式的条件允许有时间的限制，当在条件范围内没有达到满足的条件时，会导致模式匹配超时。
功能： - 输入的流数据，尽快产生结果
- 在 2 个 event 流上，基于时间进行聚合类的计算
- 提供实时/准实时的警告和通知
- 在多样的数据源中产生关联并分析模式
- 高吞吐、低延迟的处理
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。
11.2 Flink CEP
Flink 为 CEP 提供了专门的 Flink CEP library，它包含如下组件：
- Event Stream
- pattern 定义
- pattern 检测
- 生成 Alert
<dependency>
<groupId>org.apache.flink</groupId>
<artifactId>flink-cep_${scala.binary.version}</artifactId>
<version>${flink.version}</version>
</dependency>
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("1", "192.168.0.1", "fail", "1558430842"),
LoginEvent("1", "192.168.0.2", "fail", "1558430843"),
LoginEvent("1", "192.168.0.3", "fail", "1558430844"),
LoginEvent("2", "192.168.10.10", "success", "1558430845")
)).assignAscendingTimestamps(_.eventTime.toLong)
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.beginLoginEvent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：
这个时间可以是 Processing Time，也可以是 Event Time
next.within(Time.seconds(10))
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。
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")
})
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。
超时事件的处理
通过 within 方法，我们的 parttern 规则将匹配的事件限定在一定的窗口范围内。当有超过窗口时间之后到达的 event，我们可以通过在 select 或 flatSelect 中，实现PatternTimeoutFunction 和 PatternFlatTimeoutFunction 来处理这种情况。
val patternStream: PatternStream[Event] = CEP.pattern(input, pattern)
val outputTag = OutputTag[String]("side-output")
val result: SingleOutputStreamOperator[ComplexEvent] = patternStream.select (outputTag){
(pattern: Map[String, Iterable[Event]], timestamp: Long) => TimeoutEvent ()
} {
pattern: Map[String, Iterable[Event]] => ComplexEvent()
}
val timeoutResult: DataStream<TimeoutEvent> = result.getSideOutput(outputTa g)