Flink单并行度消费kafka触发窗口计算问题

基本信息

flink版本1.11
问题：flink上游数据源为kafka，topic有10个分区，在flink单并行度消费该topic进行窗口统计，job稳定运行统计数据差异不明显，如果job异常，进行重启，消费积压数据进行窗口统计，发现数据异常。

排查：由于上游topic数据为埋点，时间格式比较乱，怀疑flink在单并行度消费多partition的kafka topic情况下，即时产生waterMark，并触发窗口计算，这样会导致剩余partition中属于该窗口的数据被认为延迟数据。

验证：

为测试，创建一个topic：partition_test_2，2个partition

生产者发送消息：

topic partition-1分区始终为2021-07-02 15:00:14
partition-0分区每分钟更新为最新时间

while (true) {

            producer.send(new ProducerRecord<>(topic, "1", "{\"time\":\"1625209214978\",\"uid\":\"529eb9bb421aa97f9abcb45f\"}"));
            producer.send(new ProducerRecord<>(topic, "0", "{\"time\":\""+System.currentTimeMillis()+"\",\"uid\":\"529eb9bb421aa97f9abcb45f\"}"));
            producer.flush();
            try {
                Thread.sleep(1000 * 60);
            } catch (InterruptedException e) {
                e.printStackTrace();
            }
        }

窗口统计代码(并行度设为1)：

public static void main(String[] args) {
        try {
            StreamExecutionEnviroment env = new StreamExecutionEnviroment(args);
            env.setStreamTimeCharacteristic(TimeCharacteristic.EventTime);
            env.setParallelism(1);
            Properties properties = new Properties();
            properties.setProperty(ConsumerConfig.BOOTSTRAP_SERVERS_CONFIG, "server");
            properties.setProperty(ConsumerConfig.GROUP_ID_CONFIG, "partition_test");
            properties.setProperty(ConsumerConfig.ENABLE_AUTO_COMMIT_CONFIG, "false");
            properties.setProperty(ConsumerConfig.AUTO_OFFSET_RESET_CONFIG, "earliest");
            String topic = "partition_test_2";
            FlinkKafkaConsumer consumer = new FlinkKafkaConsumer(topic, new SimpleStringSchema(), properties);
            DataStream dataStream = env.addSource(consumer);

            dataStream.flatMap(new RichFlatMapFunction>() {
                @Override
                public void flatMap(String value, Collector> out) throws Exception {
                    if (StringUtils.isNotBlank(value)) {
                        JSONObject jsonObject = JSON.parseObject(value);
                        String uid = jsonObject.getString("uid");
                        Long time = jsonObject.getLong("time");
                        System.out.println("task Index: "+getRuntimeContext().getIndexOfThisSubtask()+", uid:" + uid + ", time:" + TimeUtil.millis2Str(time));
                        out.collect(new Tuple2<>(uid, time));
                    }
                }
            }).assignTimestampsAndWatermarks(WatermarkStrategy
                    .>forBoundedOutOfOrderness(Duration.ofSeconds(1))
                    .withTimestampAssigner(((element, recordTimestamp) -> element.f1))
            ).keyBy(new KeySelector, String>() {
                @Override
                public String getKey(Tuple2 value) throws Exception {
                    return value.f0;
                }
            }).window(TumblingEventTimeWindows.of(Time.minutes(5L)))
                    .process(new ProcessWindowFunction, Tuple3, String, TimeWindow>() {

                        private DateTimeFormatter df = null;

                        @Override
                        public void open(Configuration parameters) throws Exception {
                            df = new DateTimeFormatterBuilder()
                                    .appendPattern("yyyy-MM-dd HH:mm:ss")
                                    .toFormatter();
                        }

                        @Override
                        public void process(String s, Context context, Iterable> elements, Collector> out) throws Exception {
                            long end = context.window().getEnd();
                            System.out.println("end: " + end);
                            String format = Instant.ofEpochMilli(end).atZone(ZoneId.systemDefault()).format(df);
//                            LocalDateTime localDateTime = LocalDateTime.ofEpochSecond(end, 0, ZoneOffset.ofHours(8));
                            System.out.println("localDateTime: " + format);
                            Iterator> iterator = elements.iterator();
                            LongAccumulator longAccumulator = new LongAccumulator((a, b) -> a + b, 0);
                            while (iterator.hasNext()) {
                                if (iterator.next().f0.equalsIgnoreCase(s)) {
                                    longAccumulator.accumulate(1);
                                }
                            }
                            out.collect(new Tuple3<>(format, s, longAccumulator.longValue()));
                        }
                    })
            .print("window result -> ");


            env.execute("KafkaPartitionTest");
        } catch (Exception e) {
            log.error("异常信息:" + e.getMessage());
            e.printStackTrace();
        }

    }

最终窗口输出结果：

可以看到，当并行度为1的时候，flink的窗口触发以及watermark生成并不会考虑kafka topic全局的数据，会导致窗口提前触发，所以，使用flink消费kafka进行延迟数据处理的场景下，一定要注意并行度和topic的关系！

调整并行度与topic一致

打印子任务号接收到的数据：

结合官方文档就很明确了：
flink多并行度的情况下，Operator会等所有的subtask的watermark到达之后选取最小的作为最终的waterMark传到下游。
所以当我们的测试代码并行度和topic partition 保持一致的时候，只用subtask-1的eventTime一直在2021-07-02 15:31:05，watermark维持不变，永远不会触发窗口计算。
官方文档：
https://ci.apache.org/projects/flink/flink-docs-release-1.13/docs/dev/datastream/event-time/generating_watermarks/