Flink之Window窗口机制
窗口Window机制
- 窗口概述
- 窗口的分类
-
- 是否按键分区
-
- 按键分区窗口
- 非按键分区
- 按照驱动类型
- 按具体分配规则
-
- 滚动窗口Tumbling Windows
- 滑动窗口 Sliding Windows
- 会话窗口 Session Windows
- 全局窗口 Global Windows
- 时间语义
- 窗口分配器 Window Assigners
-
- 时间窗口
- 计数窗口
- 例子
- 窗口函数 Window Functions
-
- 增量聚合函数
-
- ReduceFunction
- AggregateFunction
- 全窗/全量口函数
-
- WindowFunction
- ProcessWindowFunction
- 增量聚合和全窗口函数的结合
- 其他
-
- 触发器 Trigger
- 移除器 Evictor
窗口概述
在大多数场景下，需要统计的数据流都是无界的，因此无法等待整个数据流终止后才进行统计。通常情况下，只需要对某个时间范围或者数量范围内的数据进行统计分析
例如：
每隔10分钟统计一次过去30分钟内某个对象的点击量
每发生100次点击后，就去统计一下每个对象点击率的占比
因此，在Apache Flink中，窗口是对无界数据流进行有界处理的机制。窗口可以将无限的数据流划分为有限的、可处理的块，使得可以基于这些有限的数据块执行聚合、计算和分析操作。
窗口的分类
是否按键分区
在定义窗口操作之前，首先需要确定，到底是基于按键分区的数据流KeyedStream来开窗，还是直接在没有按键分区的DataStream上开窗。
两者区别：
1.keyed streams要调用keyBy(...)后再调用window(...) ， 而non-keyed streams只用直接调用windowAll(...)
2.对于keyed stream，其中数据的任何属性都可以作为key。 允许窗口计算由多个task并行，因为每个逻辑上的 keyed stream都可以被单独处理。 属于同一个key的元素会被发送到同一个 task。
3.对于non-keyed stream，原始的stream不会被分割为多个逻辑上的stream， 所有的窗口计算会被同一个 task完成，也就是parallelism为1
按键分区窗口
经过按键分区keyBy操作后，数据流会按照key被分为多条逻辑流，这就是KeyedStream。
基于KeyedStream进行窗口操作时，窗口计算会在多个并行子任务上同时执行。
相同key的数据会被发送到同一个并行子任务，而窗口操作会基于每个key进行单独的处理。
所以可以认为，每个key上都定义了一组窗口，各自独立地进行统计计算。
按键分区窗口写法：
stream
.keyBy(...) <- 仅 keyed 窗口需要
.window(...) <- 必填项："assigner"
[.trigger(...)] <- 可选项："trigger" (省略则使用默认 trigger)
[.evictor(...)] <- 可选项："evictor" (省略则不使用 evictor)
[.allowedLateness(...)] <- 可选项："lateness" (省略则为 0)
[.sideOutputLateData(...)] <- 可选项："output tag" (省略则不对迟到数据使用 side output)
.reduce/aggregate/apply() <- 必填项："function"
[.getSideOutput(...)] <- 可选项："output tag"
代码示例：
public static void main(String[] args) throws Exception {
StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
env.setParallelism(1);
// 从socket接收数据流
SingleOutputStreamOperator<String> source = env.socketTextStream("node01", 8086);
// 将输入数据转换为(key, value)元组
DataStream<Tuple2<String, Integer>> dataStream = source.map(new MapFunction<String, Tuple2<String, Integer>>() {
@Override
public Tuple2 map(String s) throws Exception {
int number = Integer.parseInt(s);
String key = number % 2 == 0 ? "key1" : "key2";
Tuple2 tuple2 = new Tuple2(key, number);
return tuple2;
}
}).returns(Types.TUPLE(Types.STRING, Types.INT));
// keyBy操作
KeyedStream<Tuple2<String, Integer>, String> keyBy = dataStream.keyBy(new KeySelector<Tuple2<String, Integer>, String>() {
@Override
public String getKey(Tuple2<String, Integer> tuple2) throws Exception {
return tuple2.f0;
}
});
// 每10秒统计一次数量和
SingleOutputStreamOperator<Tuple2<String, Integer>> streamOperator = keyBy.window(TumblingProcessingTimeWindows.of(Time.seconds(10))).sum(1);
streamOperator.print();
env.execute();
}
发送测试数据
[root@administrator ~]# nc -lk 8086
1
2
3
4
等待10秒后,控制台打印如下
(key2,4)
(key1,6)
非按键分区
如果没有进行keyBy，那么原始的DataStream就不会分成多条逻辑流。这时窗口逻辑只能在一个任务task上执行，就相当于并行度变成了1。
非按键分区窗口写法：
stream
.windowAll(...) <- 必填项："assigner"
[.trigger(...)] <- 可选项："trigger" (else default trigger)
[.evictor(...)] <- 可选项："evictor" (else no evictor)
[.allowedLateness(...)] <- 可选项："lateness" (else zero)
[.sideOutputLateData(...)] <- 可选项："output tag" (else no side output for late data)
.reduce/aggregate/apply() <- 必填项："function"
[.getSideOutput(...)] <- 可选项："output tag"
代码示例：
public static void main(String[] args) throws Exception {
StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
env.setParallelism(1);
// 从socket接收数据流
SingleOutputStreamOperator<String> source = env.socketTextStream("node01", 8086);
// 将输入数据转换为Integer
DataStream<Integer> dataStream = source.map(str -> Integer.parseInt(str));
// 每10秒统计一次数量和
SingleOutputStreamOperator<Integer> streamOperator = dataStream.windowAll(TumblingProcessingTimeWindows.of(Time.seconds(10))).sum(0);
streamOperator.print();
env.execute();
}
按照驱动类型
窗口按照驱动类型可以分成时间窗口和计数窗口，这两种窗口类型根据其触发机制和边界规则的不同，适用于不同的应用场景。
时间窗口 Time Windows：
时间窗口根据事件时间Event Time或处理时间Processing Time来划分
时间窗口根据时间的进展划分数据流，当一个窗口的时间到达或窗口中的元素数量达到阈值时，触发窗口计算
计数窗口 Count Windows：
计数窗口根据元素的数量或元素的增量来划分
计数窗口在数据流中累积固定数量的元素后，触发窗口计算
窗口的大小可以是固定的，也可以是动态变化的，取决于所设置的阈值和策略
按具体分配规则
窗口按照具体的分配规则，又有滚动窗口（Tumbling Window）、滑动窗口（Sliding Window）、会话窗口（Session Window），以及全局窗口（Global Window）。
滚动窗口Tumbling Windows
滚动窗口将数据流划分为固定大小的、不重叠的窗口。
例如：将数据流按照5秒的滚动窗口大小进行划分，每个窗口包含5秒的数据。那么每5秒就会有一个窗口被计算，且一个新的窗口被创建
代码示例：
DataStream<T> input = ...;
// 滚动 event-time 窗口
input
.keyBy(<key selector>)
// 间间隔可以用 Time.milliseconds(x)、Time.seconds(x)、Time.minutes(x) 等来指定
.window(TumblingEventTimeWindows.of(Time.seconds(5)))
.<windowed transformation>(<window function>);
// 滚动 processing-time 窗口
input
.keyBy(<key selector>)
.window(TumblingProcessingTimeWindows.of(Time.seconds(5)))
.<windowed transformation>(<window function>);
// 长度为一天的滚动 event-time 窗口， 偏移量为 -8 小时。
input
.keyBy(<key selector>)
.window(TumblingEventTimeWindows.of(Time.days(1), Time.hours(-8)))
.<windowed transformation>(<window function>);
滑动窗口 Sliding Windows
滑动窗口将数据流划分为固定大小的窗口，窗口大小通过window size参数设置，需要一个额外的滑动距离window slide参数来控制生成新窗口的频率。
如果slide小于窗口大小，滑动窗口可以允许窗口重叠。这种情况下，一个元素可能会被分发到多个窗口。
例如：将数据流按照5秒的滑动窗口大小和3秒的滑动步长进行划分，窗口之间有2秒的重叠。
DataStream<T> input = ...;
// 滑动 event-time 窗口
input
.keyBy(<key selector>)
.window(SlidingEventTimeWindows.of(Time.seconds(10), Time.seconds(5)))
.<windowed transformation>(<window function>);
// 滑动 processing-time 窗口
input
.keyBy(<key selector>)
.window(SlidingProcessingTimeWindows.of(Time.seconds(10), Time.seconds(5)))
.<windowed transformation>(<window function>);
// 滑动 processing-time 窗口，偏移量为 -8 小时
input
.keyBy(<key selector>)
.window(SlidingProcessingTimeWindows.of(Time.hours(12), Time.hours(1), Time.hours(-8)))
.<windowed transformation>(<window function>);
会话窗口 Session Windows
与滚动窗口和滑动窗口不同，会话窗口不会相互重叠，且没有固定的开始或结束时间。 会话窗口在一段时间没有收到数据之后会关闭，即在一段不活跃的间隔之后。
如果会话窗口有一段时间没有收到数据, 会话窗口会自动关闭, 这段没有收到数据的时间就是会话窗口的gap(间隔)
可以配置静态的gap, 也可以通过一个gap extractor函数来定义gap的长度
当时间超过了这个gap, 当前的会话窗口就会关闭, 后序的元素会被分配到一个新的会话窗口
DataStream<T> input = ...;
// 设置了固定间隔的 event-time 会话窗口
input
.keyBy(<key selector>)
.window(EventTimeSessionWindows.withGap(Time.minutes(10)))
.<windowed transformation>(<window function>);
// 设置了动态间隔的 event-time 会话窗口
input
.keyBy(<key selector>)
.window(EventTimeSessionWindows.withDynamicGap((element) -> {
// 决定并返回会话间隔
}))
.<windowed transformation>(<window function>);
// 设置了固定间隔的 processing-time session 窗口
input
.keyBy(<key selector>)
.window(ProcessingTimeSessionWindows.withGap(Time.minutes(10)))
.<windowed transformation>(<window function>);
// 设置了动态间隔的 processing-time 会话窗口
input
.keyBy(<key selector>)
.window(ProcessingTimeSessionWindows.withDynamicGap((element) -> {
// 决定并返回会话间隔
}))
.<windowed transformation>(<window function>);
全局窗口 Global Windows
全局窗口将整个数据流作为一个窗口进行处理，不进行分割。全局窗口适用于需要在整个数据流上执行聚合操作的场景。
DataStream<T> input = ...;
input
.keyBy(<key selector>)
.window(GlobalWindows.create())
.<windowed transformation>(<window function>);
时间语义
在Flink的流式操作中, 会涉及不同的时间概念，即时间语义，它是指在数据处理中确定事件的时间基准的机制。
在实时数据流处理中，常见的时间语义有以下三种：
1.处理时间（Processing Time）：
处理时间是指数据处理引擎的本地时钟时间，也称为机器时间或系统时间
使用处理时间时，事件的时间顺序是根据数据到达处理引擎的顺序来确定的
处理时间是一种简单和实时性较高的时间语义，但不考虑数据可能存在的延迟或乱序
2.事件时间（Event Time）：
事件时间是数据流中记录的实际时间，通常是数据本身携带的时间戳
使用事件时间时，数据记录的时间戳决定事件在时间轴上的顺序，而不受数据到达引擎的顺序影响
事件时间是一种准确和可重现的时间语义，能够处理延迟和乱序数据，但可能需要关注水印的处理
3.摄取时间（Ingestion Time）：
注意：较新版本的Flink已经弃用，推荐使用事件时间
摄取时间是数据进入数据处理引擎的时间
使用摄取时间时，数据到达引擎的顺序决定事件的时间顺序
摄取时间是介于处理时间和事件时间之间的折中方案。它可以处理一定程度的延迟和乱序数据，但不会像事件时间那样需要处理水印。
区别：
处理时间适用于实时性要求较高、不关心事件的顺序和时间戳的场景
事件时间适用于需要准确处理事件顺序和考虑延迟、乱序数据的场景
摄取时间提供了某种程度上的准确性和实时性折中
窗口分配器 Window Assigners
在Apache Flink中，窗口分配器（Window Assigner）用于定义如何将数据流中的元素分配到窗口。窗口分配器确定了窗口的边界以及如何对元素进行分组和分配
窗口分配器最通用的定义方式:
如果是按键分区窗口, 直接调用.keyBy().window()方法,传入一个WindowAssigner作为参数，返回WindowedStream。
如果是非按键分区窗口，直接调用.windowAll()方法，传入一个WindowAssigner，返回的是AllWindowedStream。
时间窗口
时间窗口是最常用的窗口类型，可以大致细分为滚动、滑动和会话三种。
1.滚动处理时间窗口
窗口分配器由类TumblingProcessingTimeWindows提供，需要调用它的静态方法.of()，需要传入一个Time类型的参数size，表示滚动窗口的大小
// 非按键分区 滚动事件时间窗口，窗口长度10s。每10秒操作一次
dataStream.windowAll(TumblingProcessingTimeWindows.of(Time.seconds(10)));
// 按键分区
dataStream.keyBy().window(TumblingProcessingTimeWindows.of(Time.seconds(10)));
2.滚动事件时间窗口
窗口分配器由类TumblingEventTimeWindows提供，用法与滚动处理事件窗口完全一致。
dataStream.windowAll(TumblingEventTimeWindows.of(Time.seconds(5)));
3.滑动处理时间窗口
窗口分配器由类SlidingProcessingTimeWindows提供，同样需要调用它的静态方法.of()，需要传入两个Time类型的参数：size和slide，前者表示滑动窗口的大小，后者表示滑动窗口的滑动步长
// 窗口长度10s，滑动步长2s。 每2秒滑动一次，窗口大小为10秒的滑动时间窗口，并对窗口中的元素进行操作。
dataStream.windowAll(SlidingProcessingTimeWindows.of(Time.seconds(10), Time.seconds(2)));
4.滑动事件时间窗口
窗口分配器由类SlidingEventTimeWindows提供，用法与滑动处理事件窗口完全一致
dataStream.windowAll(SlidingEventTimeWindows.of(Time.seconds(10)，Time.seconds(5)));
5.处理时间会话窗口
窗口分配器由类ProcessingTimeSessionWindows提供，需要调用它的静态方法withGap()或者withDynamicGap()。需要传入一个Time类型的参数size，表示会话的超时时间
// 会话窗口，超时间隔5s
dataStream.windowAll(ProcessingTimeSessionWindows.withGap(Time.seconds(5)));
6.事件时间会话窗口
窗口分配器由类EventTimeSessionWindows提供，用法与处理事件会话窗口完全一致。
dataStream.windowAll(EventTimeSessionWindows.withGap(Time.seconds(10)));
计数窗口
1.滚动计数窗口
滚动计数窗口只需要传入一个长整型的参数size，表示窗口的大小。
当窗口中元素数量达到size时，就会触发计算执行并关闭窗口。
// 滚动窗口，窗口长度2个元素
dataStream.countWindowAll(2);
2.滑动计数窗口
在countWindow()调用时传入两个参数：size和slide，前者表示窗口大小，后者表示滑动步长。
每个窗口统计size个数据，每隔slide个数据就统计输出一次结果。
// 滑动窗口，窗口长度2个元素，滑动步长2个元素
dataStream.countWindowAll(5,2);
3.全局窗口
全局窗口是计数窗口的底层实现，一般在需要自定义窗口时使用。它的定义同样是直接调用.window()，分配器由GlobalWindows类提供。
// 全局窗口，需要自定义的时候才会用
dataStream.windowAll(GlobalWindows.create());
dataStream.keyBy().window(GlobalWindows.create());
注意：使用全局窗口必须自行定义触发器才能实现窗口计算，否则不起作用。
例子
public static void main(String[] args) throws Exception {
StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
env.setParallelism(1);
// 从socket接收数据流
SingleOutputStreamOperator<String> source = env.socketTextStream("node01", 8086);
// 将输入数据转换为Integer
DataStream<Integer> dataStream = source.map(str -> Integer.parseInt(str));
// 时间窗口示例：滚动处理时间窗口，窗口长度10s。 每10秒统计一次数量和
SingleOutputStreamOperator<Integer> streamOperator = dataStream.windowAll(TumblingProcessingTimeWindows.of(Time.seconds(10))).sum(0);
streamOperator.print();
env.execute();
}
发送测试数据
[root@administrator ~]# nc -lk 8086
1
2
3
4
等待10秒后,控制台打印如下
10
窗口函数 Window Functions
定义了window assigner之后，需要指定当窗口触发之后，如何计算每个窗口中的数据， 这就是window function的职责
窗口函数是在窗口操作中应用于窗口中元素的函数。Flink提供了丰富的窗口函数，用于对窗口中的元素进行各种操作和计算。
根据处理的方式可以分为两类：增量聚合函数和全窗/全量口函数，它们是Flink中用于窗口计算的两种不同的函数。
增量聚合函数
增量聚合函数是指对窗口中的数据进行累积计算的函数。它会在每个元素到达窗口时进行计算，并且仅保留窗口计算所需的中间状态。这种方式可以显著提高计算性能，尤其适用于大规模数据和长窗口的情况。
对于增量聚合函数，Flink 提供了一系列内置的聚合函数，例如 sum、min、max、avg等，它们的底层，其实都是通过AggregateFunction来实现的。还可以通过实现 AggregateFunction接口来定义自定义的增量聚合函数。
典型的增量聚合函数有两个：ReduceFunction和AggregateFunction。
ReduceFunction
ReduceFunction指定两条输入数据如何合并起来产生一条输出数据，输入和输出数据的类型必须相同。
public static void main(String[] args) throws Exception {
StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
env.setParallelism(1);
// 从socket接收数据流
SingleOutputStreamOperator<String> source = env.socketTextStream("node01", 8086);
// 将输入数据转换为Integer
DataStream<Integer> dataStream = source.map(str -> Integer.parseInt(str));
// 指定窗口分配器
AllWindowedStream<Integer, TimeWindow> allWindowedStream = dataStream.windowAll(TumblingProcessingTimeWindows.of(Time.seconds(10)));
// 指定窗口函数，使用 增量聚合Reduce
SingleOutputStreamOperator<Integer> reduce = allWindowedStream.reduce(
new ReduceFunction<Integer>() {
@Override
public Integer reduce(Integer value1, Integer value2) throws Exception {
System.out.println("前一个值： " + value1 + " ,后一个值：" + value2);
return value1 + value2;
}
}
);
// 在窗口触发的时候，才会输出窗口的最终计算结果
reduce.print();
env.execute();
}
发送测试数据：
[root@administrator ~]# nc -lk 8086
1
2
3
4
5
控制台输出：
前一个值： 1 ,后一个值：2
前一个值： 3 ,后一个值：3
前一个值： 6 ,后一个值：4
前一个值： 10 ,后一个值：5
15
AggregateFunction
ReduceFunction接口存在一个限制：聚合状态的类型、输出结果的类型都必须和输入数据类型一样。聚合函数则突破了这个限制，可以定义更加灵活的窗口聚合操作。
AggregateFunction函数接口方法参数有三种类型：输入类型（IN）、累加器类型（ACC）和输出类型（OUT）。
输入类型IN就是输入流中元素的数据类型
累加器类型ACC则是我们进行聚合的中间状态类型
而输出类型当然就是最终计算结果的类型
接口中有四个方法：
createAccumulator()：创建一个累加器，这就是为聚合创建了一个初始状态，每个聚合任务只会调用一次
add()：将输入的元素添加到累加器中
getResult()：从累加器中提取聚合的输出结果
merge()：合并两个累加器，并将合并后的状态作为一个累加器返回
与ReduceFunction相同，AggregateFunction也是增量式的聚合，而由于输入、中间状态、输出的类型可以不同，使得应用更加灵活方便。
public static void main(String[] args) throws Exception {
StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
env.setParallelism(1);
// 从socket接收数据流
SingleOutputStreamOperator<String> source = env.socketTextStream("node01", 8086);
// 将输入数据转换为Integer
DataStream<Integer> dataStream = source.map(str -> Integer.parseInt(str));
// 指定窗口分配器
AllWindowedStream<Integer, TimeWindow> allWindowedStream = dataStream.windowAll(TumblingProcessingTimeWindows.of(Time.seconds(10)));
// 窗口函数 增量聚合 Aggregate
SingleOutputStreamOperator<String> aggregate = allWindowedStream.aggregate(new MyAggregateFunction());
aggregate.print();
env.execute();
}
/**
* 第一个类型： 输入数据的类型
* 第二个类型： 累加器的类型，存储的中间计算结果的类型
* 第三个类型： 输出的类型
*/
public static class MyAggregateFunction implements AggregateFunction<Integer, Integer, String> {
/**
* 创建累加器，初始化累加器
*
* @return
*/
@Override
public Integer createAccumulator() {
System.out.println("createAccumulator方法执行");
return 0;
}
/**
* 聚合逻辑
* 来一条计算一条，调用一次add方法
*
* @param value 当前值
* @param accumulator 累加器的值
* @return
*/
@Override
public Integer add(Integer value, Integer accumulator) {
System.out.println("add方法执行，当前值 ：" + value + "累加器值 ：" + accumulator);
return value + accumulator;
}
/**
* 获取最终结果，窗口触发时输出
*
* @param accumulator
* @return
*/
@Override
public String getResult(Integer accumulator) {
System.out.println("getResult方法执行");
return "最终计算值：" + accumulator;
}
@Override
public Integer merge(Integer a, Integer b) {
// 只有会话窗口才会用到
System.out.println("merge方法执行");
return null;
}
}
发送测试数据：
[root@administrator ~]# nc -lk 8086
1
2
3
4
5
控制台输出：
createAccumulator方法执行
add方法执行，当前值 ：1累加器值 ：0
add方法执行，当前值 ：2累加器值 ：1
add方法执行，当前值 ：3累加器值 ：3
add方法执行，当前值 ：4累加器值 ：6
add方法执行，当前值 ：5累加器值 ：10
getResult方法执行
最终计算值：15
全窗/全量口函数
全窗口函数是对窗口中的所有元素进行计算的函数。它会在窗口触发时对窗口中的所有元素进行处理，并输出一个或多个结果。全窗口函数可以访问窗口的所有元素，并且可以使用窗口中的状态信息。
对于全窗口函数，Flink提供了 ProcessWindowFunction 和 WindowFunction 两个接口供用户使用。
ProcessWindowFunction: 可以处理每个元素，并输出零个、一个或多个结果
WindowFunction: 是一个转换函数，对窗口的所有元素进行转换，并输出一个或多个结果。
与增量聚合函数不同，全窗口函数需要先收集窗口中的数据，并在内部缓存起来，等到窗口要输出结果的时候再取出数据进行计算。
WindowFunction
public static void main(String[] args) throws Exception {
StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
env.setParallelism(1);
// 从socket接收数据流
SingleOutputStreamOperator<String> source = env.socketTextStream("node01", 8086);
// 将输入数据转换为(key, value)元组
DataStream<Tuple2<String, Integer>> dataStream = source.map(new MapFunction<String, Tuple2<String, Integer>>() {
@Override
public Tuple2 map(String s) throws Exception {
int number = Integer.parseInt(s);
String key = number % 2 == 0 ? "key1" : "key2";
Tuple2 tuple2 = new Tuple2(key, number);
return tuple2;
}
}).returns(Types.TUPLE(Types.STRING, Types.INT));
// keyBy操作
KeyedStream<Tuple2<String, Integer>, String> keyedStream = dataStream.keyBy(new KeySelector<Tuple2<String, Integer>, String>() {
@Override
public String getKey(Tuple2<String, Integer> tuple2) throws Exception {
return tuple2.f0;
}
});
// 指定窗口分配器 非键分区窗口
// AllWindowedStream allWindowedStream = dataStream.windowAll(TumblingProcessingTimeWindows.of(Time.seconds(10)));
// 键分区窗口
WindowedStream<Tuple2<String, Integer>, String, TimeWindow> windowedStream = keyedStream.window(TumblingProcessingTimeWindows.of(Time.seconds(10)));
// 使用WindowFunction窗口函数
SingleOutputStreamOperator<String> apply = windowedStream.apply(new MyWindowFunction());
apply.print();
env.execute();
}
/**
* 窗口函数
*
* 窗口触发时才会调用一次，统一计算窗口的所有数据
*/
public static class MyWindowFunction implements WindowFunction<Tuple2<String, Integer>, String, String, TimeWindow> {
/**
* @param s 分组的key,非键分区窗口则无该参数
* @param window 窗口对象
* @param input 存的数据
* @param out 采集器
*/
@Override
public void apply(String s, TimeWindow window, Iterable<Tuple2<String, Integer>> input, Collector<String> out) throws Exception {
// 上下文拿到window对象，获取相关信息
long start = window.getStart();
long end = window.getEnd();
String windowStart = DateFormatUtils.format(start, "yyyy-MM-dd HH:mm:ss");
String windowEnd = DateFormatUtils.format(end, "yyyy-MM-dd HH:mm:ss");
long count = input.spliterator().estimateSize();
out.collect("分组 " + s + " 的窗口,在时间区间： " + windowStart + "-" + windowEnd + " 产生" + count + "条数据,具体数据：" + input.toString());
}
}
]# nc -lk 8086
1
2
3
4
5
分组 key2 的窗口,在时间区间： 2023-06-27 16:50:10-2023-06-27 16:50:20 产生3条数据,具体数据：[(key2,1), (key2,3), (key2,5)]
分组 key1 的窗口,在时间区间： 2023-06-27 16:50:10-2023-06-27 16:50:20 产生2条数据,具体数据：[(key1,2), (key1,4)]
ProcessWindowFunction
// 使用ProcessWindowFunction处理窗口函数
SingleOutputStreamOperator<String> process = windowedStream.process(new MyProcessWindowFunction());
/**
* 处理窗口函数
*
* 窗口触发时才会调用一次，统一计算窗口的所有数据
*/
public static class MyProcessWindowFunction extends ProcessWindowFunction<Tuple2<String, Integer>, String, String, TimeWindow> {
/**
* @param s 分组的key,非键分区窗口则无该参数
* @param context 上下文
* @param input 存的数据
* @param out 采集器
* @throws Exception
*/
@Override
public void process(String s, Context context, Iterable<Tuple2<String, Integer>> input, Collector<String> out) throws Exception {
// 上下文拿到window对象，获取相关信息
long start = context.window().getStart();
long end = context.window().getEnd();
String windowStart = DateFormatUtils.format(start, "yyyy-MM-dd HH:mm:ss");
String windowEnd = DateFormatUtils.format(end, "yyyy-MM-dd HH:mm:ss");
long count = input.spliterator().estimateSize();
out.collect("分组 " + s + " 的窗口,在时间区间： " + windowStart + "-" + windowEnd + " 产生" + count + "条数据,具体数据：" + input.toString());
}
}
增量聚合和全窗口函数的结合
在调用窗口的增量聚合函数方法时，第一个参数直接传入一个ReduceFunction或AggregateFunction进行增量聚合，第二个参数传入一个全窗口函数WindowFunction或者ProcessWindowFunction。
基于第一个参数（增量聚合函数）来处理窗口数据，每来一个数据就做一次聚合
等到窗口需要触发计算时，则调用第二个参数（全窗口函数）的处理逻辑输出结果
注意这里的全窗口函数就不再缓存所有数据了，而是直接将增量聚合函数的结果拿来当作了Iterable类型的输入
public static void main(String[] args) throws Exception {
StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
env.setParallelism(1);
// 从socket接收数据流
SingleOutputStreamOperator<String> source = env.socketTextStream("node01", 8086);
// 将输入数据转换为Integer
DataStream<Integer> dataStream = source.map(str -> Integer.parseInt(str));
// 指定窗口分配器 非键分区窗口
AllWindowedStream<Integer, TimeWindow> allWindowedStream = dataStream.windowAll(TumblingProcessingTimeWindows.of(Time.seconds(10)));
// 使用ProcessWindowFunction处理窗口函数
SingleOutputStreamOperator<String> process = allWindowedStream.aggregate(new MyAggregateFunction(), new MyProcessWindowFunction());
process.print();
env.execute();
}
/**
* 第一个类型： 输入数据的类型
* 第二个类型： 累加器的类型，存储的中间计算结果的类型
* 第三个类型： 输出的类型
*/
public static class MyAggregateFunction implements AggregateFunction<Integer, Integer, String> {
/**
* 创建累加器，初始化累加器
*
* @return
*/
@Override
public Integer createAccumulator() {
System.out.println("createAccumulator方法执行");
return 0;
}
/**
* 聚合逻辑
* 来一条计算一条，调用一次add方法
*
* @param value 当前值
* @param accumulator 累加器的值
* @return
*/
@Override
public Integer add(Integer value, Integer accumulator) {
System.out.println("add方法执行，当前值 ：" + value + " 累加器值 ：" + accumulator);
return value + accumulator;
}
/**
* 获取最终结果，窗口触发时输出
*
* @param accumulator
* @return
*/
@Override
public String getResult(Integer accumulator) {
System.out.println("getResult方法执行");
return "最终计算值：" + accumulator;
}
@Override
public Integer merge(Integer a, Integer b) {
// 只有会话窗口才会用到
System.out.println("merge方法执行");
return null;
}
}
/**
* 处理窗口函数
*
* 窗口触发时才会调用一次，统一计算窗口的所有数据
*
* 注意：增量聚合函数的输出类型 是 全窗口函数的输入类型
*/
public static class MyProcessWindowFunction extends ProcessAllWindowFunction<String, String, TimeWindow> {
/**
* @param context 上下文
* @param input 存的数据
* @param out 采集器
* @throws Exception
*/
@Override
public void process(Context context, Iterable<String> input, Collector<String> out) throws Exception {
// 上下文拿到window对象，获取相关信息
long start = context.window().getStart();
long end = context.window().getEnd();
String windowStart = DateFormatUtils.format(start, "yyyy-MM-dd HH:mm:ss");
String windowEnd = DateFormatUtils.format(end, "yyyy-MM-dd HH:mm:ss");
long count = input.spliterator().estimateSize();
out.collect("窗口在时间区间： " + windowStart + "-" + windowEnd + " 产生" + count + "条数据,具体数据：" + input.toString());
}
}
createAccumulator方法执行
add方法执行，当前值 ：1 累加器值 ：0
add方法执行，当前值 ：2 累加器值 ：1
add方法执行，当前值 ：3 累加器值 ：3
add方法执行，当前值 ：4 累加器值 ：6
add方法执行，当前值 ：5 累加器值 ：10
getResult方法执行
窗口在时间区间： 2023-06-27 17:07:50-2023-06-27 17:08:00 产生1条数据,具体数据：[最终计算值：15]
其他
触发器 Trigger
Trigger决定了一个窗口（由windowassigner定义）何时可以被windowfunction处理。每个WindowAssigner都有一个默认的Trigger。如果默认trigger无法满足需要，可以在trigger(…)调用中指定自定义的trigger。
Trigger接口提供了五个方法来响应不同的事件：
onElement()方法在每个元素被加入窗口时调用
onEventTime()方法在注册的event-timetimer触发时调用
onProcessingTime()方法在注册的processing-timetimer触发时调用
onMerge()方法与有状态的trigger相关。该方法会在两个窗口合并时，将窗口对应trigger的状态进行合并，比如使用会话窗口时
clear()方法处理在对应窗口被移除时所需的逻辑
注意：
前三个方法通过返回TriggerResult来决定trigger如何应对到达窗口的事件。
应对方案：
CONTINUE: 什么也不做
FIRE: 触发计算
PURGE: 清空窗口内的元素
FIRE_AND_PURGE: 触发计算，计算结束后清空窗口内的元素
内置触发器
EventTimeTrigger：基于事件时间和watermark机制来对窗口进行触发计算
ProcessingTimeTrigger： 基于处理时间触发
CountTrigger：窗口元素数超过预先给定的限制值的话会触发计算
PurgingTrigger：作为其它trigger的参数，将其转化为一个purging触发器
基于WindowedStream调用.trigger()方法，就可以传入一个自定义的窗口触发器
stream.keyBy(...)
.window(...)
.trigger(new MyTrigger())
移除器 Evictor
Evictor可以在 trigger 触发后、调用窗口函数之前或之后从窗口中删除元素。Evictor是一个接口，不同的窗口类型都有各自预实现的移除器。
内置evictor：
默认情况下，所有内置的 evictor 逻辑都在调用窗口函数前执行。
CountEvictor: 仅记录用户指定数量的元素，一旦窗口中的元素超过这个数量，多余的元素会从窗口缓存的开头移除
DeltaEvictor: 接收 DeltaFunction 和 threshold 参数，计算最后一个元素与窗口缓存中所有元素的差值， 并移除差值大于或等于 threshold 的元素。
TimeEvictor: 接收 interval 参数，以毫秒表示。 它会找到窗口中元素的最大 timestamp max_ts 并移除比 max_ts - interval 小的所有元素
基于WindowedStream调用.evictor()方法，就可以传入一个自定义的移除器
stream.keyBy(...)
.window(...)
.evictor(new MyEvictor())