Flink--Watermark（水位线）与时间语义

时间语义

• Event Time：事件创建的时间
• Ingestion Time：数据进入Flink的时间
• Processing Time：执行操作算子的本地系统时间，与机器相关

问：哪种时间语义更重要？
答：不同时间语义有不同的应用场合，更关心事件时间。

设置Event Time

• 我们可以直接在代码中，对执行环境调用 setStreamTimeCharacteristic 方法，设置流的时间特性
• 具体的时间，还需要从数据中提取时间戳（timestamp）
  乱序数据的影响
  
• 当 Flink 以 Event Time 模式处理数据流时，它会根据数据里的时间戳来处理基于时间的算子
• 由于网络、分布式等原因，会导致乱序数据的产生
• 乱序数据会让窗口计算不准确

Watermark（水位线）

问：怎样避免乱序数据带来计算不正确？
答：遇到一个时间戳达到了窗口关闭时间，不应该立刻触发窗口计算，而是等
待一段时间，等迟到的数据来了再关闭窗口

• Watermark 是一种衡量 Event Time 进展的机制，可以设定延迟触发
• 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 用来让程序自己平衡延迟和结果正确性
  watermark的特点
  
• watermark 是一条特殊的数据记录
• watermark 必须单调递增，以确保任务的事件时间时钟在向前推进，而不是在后退
• watermark 与数据的时间戳相关

Watermark 的传递、引入和设定

watermark 的传递

watermark 的引入

• Event Time 的使用一定要指定数据源中的时间戳
• 调用 assignTimestampAndWatermarks 方法，传入一个BoundedOutOfOrdernessTimestampExtractor，就可以指定
• 对于排好序的数据，不需要延迟触发，可以只指定时间戳就行了
• Flink 暴露了 TimestampAssigner 接口供我们实现，使我们可以自定义如何从事件数据中抽取时间戳和生成watermark

TimestampAssigner

定义了抽取时间戳，以及生成 watermark 的方法，有两种类型：

• AssignerWithPeriodicWatermarks
  1、周期性的生成 watermark：系统会周期性的将 watermark 插入到流中
  2、默认周期是200毫秒，可以使用ExecutionConfig.setAutoWatermarkInterval() 方法进行设置
  3、升序和前面乱序的处理 BoundedOutOfOrdernessTimestampExtractor，都是基于周期性 watermark 的。
• AssignerWithPunctuatedWatermarks
  没有时间周期规律，可打断的生成 watermark

watermark 的设定

• 在 Flink 中，watermark 由应用程序开发人员生成，这通常需要对相应的领域有一定的了解
• 如果watermark设置的延迟太久，收到结果的速度可能就会很慢，解决办法是在水位线到达之前输出一个近似结果
• 而如果watermark到达得太早，则可能收到错误结果，不过 Flink 处理迟到数据的机制可以解决这个问题