Flink原理学习（六）窗口和时间

Flink原理学习之 窗口和时间

---

---

Java、大数据开发学习要点（持续更新中…）

---

一、Flink的时间类型

Flink的时间语义分为三种：

• Event Time：即事件时间，是事件真正发生的时间，一旦确定就不会发生变化。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。
• Processing Time：即处理时间，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，因此多次执行结果会不同，默认的时间属性就是Processing Time。
• Ingestion Time：即摄取时间，是数据进入Flink的时间。摄取时间也无法避免Flink异常重启后数据处理的不准确问题。

一般来说Event Time才是事件真正的时间，也是Flink最大的特点之一,一般业务都是使用事件时间。像Processing Time，会产生多次计算结果不同的问题，也会因为数据延迟到达服务端而产生统计不准确的问题(Spark Streaming就是使用Processing Time)。

二、Watermark

  Watermark用于在EventTime下处理乱序事件，而正确处理乱序事件，通常通过Watermark和窗口来实现。乱序是由于网络、分布式等原因产生的，而乱序不经处理则会影响窗口数据统计的准确性。
  Watermark也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(实际是否真到了并不知道)，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。
  Watermark是Source通过一定策略(一般选择周期性)插入数据流并向下传递的。Watermark = maxEventTime - 最大延迟时间，一旦Watermark大于窗口结束时间，触发窗口计算的执行。由此可见，Watermark在数据流中是非减的。而如果出现Group By、Union等多个数据流汇集的算子，产生了多个Watermark汇集的情况，为了保证Watermark的递增和数据的完整性，那么该算子会保留最小的Watermark，并发送给下游。

三、Flink窗口机制

  流式计算是一种被设计用于处理无限数据集的数据处理引擎，而无限数据集是指一种不断增长的本质上无限的数据集，而Window是一种切割无限数据为有限块进行处理的手段。Window将一个无限的流拆分成有限大小的buckets，我们可以在这些桶上做计算操作。

Window可以分成两类：

• CountWindow：按照指定的数据条数生成一个Window，与时间无关。
• TimeWindow：按照时间生成Window【可以根据窗口实现原理的不同分成三类：滚动窗口（Tumbling Window）、滑动窗口（Sliding Window）和会话窗口（Session Window）】

  • 滚动窗口：时间对齐，窗口长度固定，没有重叠。
  • 滑动窗口：时间对齐，窗口长度固定，可以有重叠，在这种情况下同一个元素可能会被分配到多个窗口中。
  • 会话窗口：时间无对齐，一个窗口在一段时间未接受到数据后将会关闭，下次数据到来则开启一个新的窗口。（类似会话机制）

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：
  每条数据到来就进行计算，保存一个简单的状态。典型的增量聚合函数有ReduceFunction, AggregateFunction。

• 全窗口函数：
  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。

    由上可知，窗口的数据都是保存在状态中的，并且窗口的容错机制靠状态的checkpoint机制实现。