【Flink精讲】Flink数据延迟处理
面试题：Flink数据延迟怎么处理？
- 将迟到数据直接丢弃【默认方案】
- 将迟到数据收集起来另外处理（旁路输出）
- 重新激活已经关闭的窗口并重新计算以修正结果（Lateness）
Flink数据延迟处理方案
用一个案例说明三种处理方式
举个例子：左流跟右流按照5秒的时间窗口进行coGroup操作（按单词进行关联），超过5秒进行丢弃。
结果说明：在Socket数据源输入 "1005000 java" 后，会统计1005000时间戳之前的数据，而在1005000时间戳之后输入的hello就没有被统计输出。当输入 "1010000 xixi" 后，触发了第2个窗口，只输出了java，还是没有后输入的hello统计结果，这也更明确了1005000时间戳之后输入的hello被丢弃了。
object MyCoGroupJoin {
def main(args: Array[String]): Unit = {
//创建环境变量
val env = StreamExecutionEnvironment.getExecutionEnvironment
//指定事件时间
env.setStreamTimeCharacteristic(TimeCharacteristic.EventTime)
//创建Socket源数据流，内容格式 "时间戳 单词"
val s1 = env.socketTextStream("127.0.0.1", 9000)
// 设置事件时间戳字段
.assignAscendingTimestamps(_.split(" ")(0).toLong)
.map(line => {
val strs = line.split(" ")
(strs(0).toLong, strs(1))
})
//创建Socket源数据流，内容格式 "时间戳 单词"
val s2 = env.socketTextStream("127.0.0.1", 8888)
// 设置事件时间戳字段
.assignAscendingTimestamps(_.split(" ")(0).toLong)
.map(line => {
val strs = line.split(" ")
(strs(0).toLong, strs(1))
})
//将两个数据流进行合并统计，这里是将两数据流利用窗口进行单词拼串处理
s1.coGroup(s2)
.where(_._2)
.equalTo(_._2)
.window(TumblingEventTimeWindows.of(Time.seconds(5))) //滚动窗口，窗口大小5秒
.apply(new CoGroupFunction[(Long, String), (Long, String), String] {
override def coGroup(first: lang.Iterable[(Long, String)], second: lang.Iterable[(Long, String)], out: Collector[String]): Unit = {
//对两数据流中的数据进行循环遍历，并拼串下发
first.forEach(r1 => {
second.forEach(r2 => {
println(s"${r1}::${r2}")
val str = r1._2 + r2._2
out.collect(str)
})
})
}
})
.print()
env.execute("cogroupjoin")
}
}运行效果
========左流========
nc -l 9999
1001000 hello
1005000 java
1003000 hello [这条被丢弃了]
1010000 xixi
========右流========
nc -l 8888
1002000 hello
1005000 java
1001000 hello [这条被丢弃了]
1010000 xixi
========程序控制台输出结果========
(1001000,hello)::(1002000,hello)
4> hellohello
(1005000,java)::(1005000,java)
2> javajava设置Watermark
时间语义：
- Event Time（事件时间）：每条数据或事件自带的时间属性。由于时间属性依附于数据本身，在高并发的情况下可能存在Event Time的到达为乱序的，即一个较早发生的数据延迟到达
- Process Time（处理时间）：对于某个算子来说，Processing Time指算子使用当前机器的系统时钟时间
- Ingestion Time（接入时间）：事件到达Flink Source的时间
Flink的三种时间语义中，Processing Time和Ingestion Time都是基于Flink本身所产生的时间，可以不用设置时间字段和Watermark。如果要使用Event Time，以下两项配置缺一不可：第一，使用一个时间戳为数据流中每个事件的Event Time赋值；第二，生成Watermark。
Event Time是每个事件的元数据，如果不设置，Flink并不知道每个事件的发生时间，我们必须要为每个事件的Event Time赋值一个时间戳。关于时间戳，包括Flink在内的绝大多数系统都使用Unix时间戳系统（Unix time或Unix epoch）。Unix时间戳系统以1970-01-01 00:00:00.000 为起始点，其他时间记为距离该起始时间的整数差值，一般是毫秒（millisecond）精度。
有了Event Time时间戳，我们还必须生成Watermark。Watermark是Flink插入到数据流中的一种特殊的数据结构，它包含一个时间戳，并假设后续不会有小于该时间戳的数据，如果后续数据存在小于该时间戳的数据则视为延迟数据，需另外处理。下图展示了一个乱序数据流，其中方框是单个事件，方框中的数字是其对应的Event Time时间戳，圆圈为Watermark，圆圈中的数字为Watermark对应的时间戳。
将之前的例子进行处理说明
object MyCoGroupJoin {
def main(args: Array[String]): Unit = {
// 创建环境变量
val env = StreamExecutionEnvironment.getExecutionEnvironment
// 指定事件时间
env.setStreamTimeCharacteristic(TimeCharacteristic.EventTime)
// 创建Socket源数据流，内容格式 "时间戳 单词"
val s1 = env.socketTextStream("127.0.0.1", 9999)
// 设置事件时间戳字段
// .assignAscendingTimestamps(_.split(" ")(0).toLong)
// 这里可以指定周期性产生WaterMark 或 间歇性产生WaterMark，分别使用AssignerWithPeriodicWatermarks和AssignerWithPunctuatedWatermarks来实现
// 这里使用周期性产生WaterMark,延长2秒
.assignTimestampsAndWatermarks(new BoundedOutOfOrdernessTimestampExtractor[String](Time.seconds(2)) {
override def extractTimestamp(element: String): Long = {
val strs = element.split(" ")
strs(0).toLong
}
})
.map(line => {
val strs = line.split(" ")
(strs(0).toLong, strs(1))
})
// 创建Socket源数据流，内容格式 "时间戳 单词"
val s2 = env.socketTextStream("127.0.0.1", 8888)
// 设置事件时间戳字段
// .assignAscendingTimestamps(_.split(" ")(0).toLong)
// 这里可以指定周期性产生WaterMark 或 间歇性产生WaterMark，分别使用AssignerWithPeriodicWatermarks和AssignerWithPunctuatedWatermarks来实现
// 这里使用周期性产生WaterMark,延长2秒
.assignTimestampsAndWatermarks(new BoundedOutOfOrdernessTimestampExtractor[String](Time.seconds(2)) {
override def extractTimestamp(element: String): Long = {
val strs = element.split(" ")
strs(0).toLong
}
})
.map(line => {
val strs = line.split(" ")
(strs(0).toLong, strs(1))
})
//将两个数据流进行合并统计，这里是将两数据流利用窗口进行单词拼串处理
s1.coGroup(s2)
.where(_._2)
.equalTo(_._2)
.window(TumblingEventTimeWindows.of(Time.seconds(5))) //滚动窗口，窗口大小5秒
.apply(new CoGroupFunction[(Long, String), (Long, String), String] {
override def coGroup(first: lang.Iterable[(Long, String)], second: lang.Iterable[(Long, String)], out: Collector[String]): Unit = {
// 对两数据流中的数据进行循环遍历，并拼串下发
first.forEach(r1 => {
second.forEach(r2 => {
println(s"${r1}::${r2}")
val str = r1._2 + r2._2
out.collect(str)
})
})
}
})
.print()
env.execute("cogroupjoin")
}
}执行效果
=========左流=========
nc -l 9999
1001000 hello
1005000 java
1003000 hello
1007000 java
=========右流=========
nc -l 8888
1002000 hello
1005000 java
1001000 hello
1007000 java
=========程序控制台输出=========
(1001000,hello)::(1002000,hello)
4> hellohello
(1001000,hello)::(1001000,hello)
4> hellohello
(1003000,hello)::(1002000,hello)
4> hellohello
(1003000,hello)::(1001000,hello)
4> hellohello当我们使用Watermark后，我们可以发现在两个Socket终端输入"1005000 java"时，控制台并没有立刻统计输出信息。而是在两个Socket终端输入 "1007000 java"后，控制台才将统计结果输出出来，且在时间戳"1005000"之后输入的hello也同时给统计出来了，上面的问题可以解决了，但是 "1007000 java" 之后我们再输入 hello ，你会发现还是存在问题，没有输出又给丢弃了。继续测试如下。
======左流======
nc -l 9999
1001000 hello
1005000 java
1003000 hello
1007000 java
1003000 hello
1012000 spark
======右流======
nc -l 8888
1002000 hello
1005000 java
1001000 hello
1007000 java
1004000 hello
1012000 spark
=======程序执行控制台输出结果=======
(1001000,hello)::(1002000,hello)
4> hellohello
(1001000,hello)::(1001000,hello)
4> hellohello
(1003000,hello)::(1002000,hello)
4> hellohello
(1003000,hello)::(1001000,hello)
4> hellohello
(1005000,java)::(1005000,java)
2> javajava
(1005000,java)::(1007000,java)
2> javajava
(1007000,java)::(1005000,java)
2> javajava
(1007000,java)::(1007000,java)
2> javajava所以waterMark只能在一定程度上解决这种问题。我们再来看看allowedLateness机制。
设置Lateness
object MyCoGroupJoin {
def main(args: Array[String]): Unit = {
// 创建环境变量
val env = StreamExecutionEnvironment.getExecutionEnvironment
// 指定事件时间
env.setStreamTimeCharacteristic(TimeCharacteristic.EventTime)
// 创建Socket源数据流，内容格式 "时间戳 单词"
val s1 = env.socketTextStream("127.0.0.1", 9999)
// 设置事件时间戳字段
// .assignAscendingTimestamps(_.split(" ")(0).toLong)
// 这里可以指定周期性产生WaterMark 或 间歇性产生WaterMark，分别使用AssignerWithPeriodicWatermarks和AssignerWithPunctuatedWatermarks来实现
// 这里使用周期性产生WaterMark,延长2秒
.assignTimestampsAndWatermarks(new BoundedOutOfOrdernessTimestampExtractor[String](Time.seconds(2)) {
override def extractTimestamp(element: String): Long = {
val strs = element.split(" ")
strs(0).toLong
}
})
.map(line => {
val strs = line.split(" ")
(strs(0).toLong, strs(1))
})
// 创建Socket源数据流，内容格式 "时间戳 单词"
val s2 = env.socketTextStream("127.0.0.1", 8888)
// 设置事件时间戳字段
// .assignAscendingTimestamps(_.split(" ")(0).toLong)
// 这里可以指定周期性产生WaterMark 或 间歇性产生WaterMark，分别使用AssignerWithPeriodicWatermarks和AssignerWithPunctuatedWatermarks来实现
// 这里使用周期性产生WaterMark,延长2秒
.assignTimestampsAndWatermarks(new BoundedOutOfOrdernessTimestampExtractor[String](Time.seconds(2)) {
override def extractTimestamp(element: String): Long = {
val strs = element.split(" ")
strs(0).toLong
}
})
.map(line => {
val strs = line.split(" ")
(strs(0).toLong, strs(1))
})
//将两个数据流进行合并统计，这里是将两数据流利用窗口进行单词拼串处理
s1.coGroup(s2)
.where(_._2)
.equalTo(_._2)
.window(TumblingEventTimeWindows.of(Time.seconds(5))) //滚动窗口，窗口大小5秒
// 允许数据迟到2秒，窗口触发后2秒内过来的数据还可以重新被计算
.allowedLateness(Time.seconds(2))
.apply(new CoGroupFunction[(Long, String), (Long, String), String] {
override def coGroup(first: lang.Iterable[(Long, String)], second: lang.Iterable[(Long, String)], out: Collector[String]): Unit = {
// 对两数据流中的数据进行循环遍历，并拼串下发
first.forEach(r1 => {
second.forEach(r2 => {
println(s"${r1}::${r2}")
val str = r1._2 + r2._2
out.collect(str)
})
})
}
})
.print()
env.execute("cogroupjoin")
}
}执行效果
======左流======
nc -l 9999
1001000 hello
1007000 java
======右流======
nc -l 8888
1002000 hello
1007000 java
1003000 hello
=======程序执行控制台输出结果=======
(1001000,hello)::(1002000,hello)
4> hellohello
(1001000,hello)::(1002000,hello)
4> hellohello
(1001000,hello)::(1003000,hello)
4> hellohello到这里估计有朋友又有疑问了，allowedLateness机制解决数据延迟设置的时间段，那之后再来的延迟数据呢，还是被丢弃了并没有彻底解决问题。别慌，针对allowedLateness机制之后来的延迟数据Flink还提供了另一种方案就是sideOutput机制。
旁路输出
Side Output简单来说就是在程序执行过程中,将主流stream流中的不同的业务类型或者不同条件的数据分别输出到不同的地方。如果我们想对没能及时在Flink窗口计算的延迟数据专门处理，也就是窗口已经计算了，但后面才来的数据专门处理，我们可以使用旁路输出到侧流中去处理。
object MyCoGroupJoin {
def main(args: Array[String]): Unit = {
// 创建环境变量
val env = StreamExecutionEnvironment.getExecutionEnvironment
// 指定事件时间
env.setStreamTimeCharacteristic(TimeCharacteristic.EventTime)
// 创建Socket源数据流，内容格式 "时间戳 单词"
val s1 = env.socketTextStream("127.0.0.1", 9999)
// 这里可以指定周期性产生WaterMark 或 间歇性产生WaterMark，分别使用AssignerWithPeriodicWatermarks和AssignerWithPunctuatedWatermarks来实现
// 这里使用周期性产生WaterMark,延长2秒
.assignTimestampsAndWatermarks(new BoundedOutOfOrdernessTimestampExtractor[String](Time.seconds(2)) {
override def extractTimestamp(element: String): Long = {
val strs = element.split(" ")
strs(0).toLong
}
})
.map(line => {
val strs = line.split(" ")
(strs(0).toLong, strs(1))
})
// 定义一个侧输出流
val lateData: OutputTag[(Long, String)] = new OutputTag[(Long, String)]("late")
val s2 = s1.timeWindowAll(Time.seconds(5))
//允许迟到2秒数据
.allowedLateness(Time.seconds(2))
//迟到长于2秒的数据将被保存到lateData侧数据流中
.sideOutputLateData(lateData)
.process(new ProcessAllWindowFunction[(Long, String), (Long, String), TimeWindow] {
override def process(context: Context, elements: Iterable[(Long, String)], out: Collector[(Long, String)]): Unit = {
elements.foreach(ele => {
out.collect(ele)
})
}
})
s2.print("主流")
s2.getSideOutput(lateData).print("侧流")
env.execute("cogroupjoin")
}
}=======数据流======
nc -l 9999
1001000 hello
1005000 java
1007000 python
1002000 hello
1009000 java
1001000 xixi
1002000 haha
=======程序执行控制台输出结果=====
主流:10> (1001000,hello)
主流:11> (1001000,hello)
主流:12> (1002000,hello)
侧流:1> (1001000,xixi)
侧流:2> (1002000,haha)通过上面测试可以发现晚于allowedLateness机制的延迟数据，Flink没有丢弃而是输出到了侧输出流中等待处理了，这样延迟数据就完美解决了。
双流Join中的数据延迟处理
- 数据质量问题：流式数据到达计算引擎的时间不一定：比如 A 流的数据先到了，A 流不知道 B 流对应同 key 的数据什么时候到，没法关联；
- 数据时效问题：流式数据不知何时、下发怎样的数据：A 流的数据到达后，如果 B 流的数据永远不到，那么 A 流的数据在什么时候以及是否要填充一个 null 值下发下去。
Window Join
Flink Window Join。就是将两条流的数据从无界数据变为有界数据，即划分出时间窗口，然后将同一时间窗口内的两条流的数据做 Join（这里的时间窗口支持 Tumbling、Sliding、Session）。
解法说明：
- 流式数据到达计算引擎的时间不一定：数据已经被划分为窗口，无界数据变为有界数据，就和离线批处理的方式一样了，两个窗口的数据简单的进行关联即可
- 流式数据不知何时、下发怎样的数据：窗口结束就把数据下发下去，关联到的数据就下发 [A, B]，没有关联到的数据取决于是否是 outer join 然后进行数据下发
Tumbling
Sliding
Session
Flink SQL（Flink 1.14 版本 Window TVF 中支持）：
SELECT
L.num as L_Num
, L.id as L_Id
, R.num as R_Num
, R.id as R_Id
, L.window_start
, L.window_end
FROM (
SELECT *
FROM TABLE(TUMBLE(TABLE LeftTable, DESCRIPTOR(row_time), INTERVAL '5' MINUTES))
) L
FULL JOIN (
SELECT *
FROM TABLE(TUMBLE(TABLE RightTable, DESCRIPTOR(row_time), INTERVAL '5' MINUTES))
) R
ON L.num = R.num
AND L.window_start = R.window_start
AND L.window_end = R.window_end;方案特点
⭐ 产出数据质量：低
⭐ 产出数据时效性：中
当我们的窗口大小划分的越细时，在窗口边缘关联不上的数据就会越多，数据质量就越差。窗口大小划分的越宽时，窗口内关联上的数据就会越多，数据质量越好，但是产出时效性就会越差。所以要注意取舍。
举个例子：以曝光关联点击来说，如果我们划分的时间窗口为 1 分钟，那么一旦出现曝光在 0:59，点击在 1:01 的情况，就会关联不上，当我们的划分的时间窗口 1 小时时，只有在每个小时的边界处的数据才会出现关联不上的情况。
适用场景
该种解决方案适用于可以评估出窗口内的关联率高的场景，如果窗口内关联率不高则不建议使用。注意：这种方案由于上面说到的数据质量和时效性问题在实际生产环境中很少使用。
Interval Join
Interval Join。其也是将两条流的数据从无界数据变为有界数据，但是这里的有界和Window Join 的有界的概念是不一样的，这里的有界是指两条流之间的有界。
以 A 流 join B 流举例，interval join 可以让 A 流可以关联 B 流一段时间区间内的数据，比如 A 流关联 B 流前后 5 分钟的数据。
解法说明：
- 流式数据到达计算引擎的时间不一定：数据已经被划分为窗口，无界数据变为有界数据，就和离线批处理的方式一样了，两个窗口的数据简单的进行关联即可
- 流式数据不知何时、下发怎样的数据：窗口结束（这里的窗口结束是指 interval 区间结束，区间的结束是利用 watermark 来判断的）就把数据下发下去，关联到的数据就下发 [A, B]，没有关联到的数据取决于是否是 outer join 然后进行数据下发
CREATE TABLE show_log_table (
log_id BIGINT,
show_params STRING,
row_time AS cast(CURRENT_TIMESTAMP as timestamp(3)),
WATERMARK FOR row_time AS row_time
) WITH (
'connector' = 'datagen',
'rows-per-second' = '1',
'fields.show_params.length' = '1',
'fields.log_id.min' = '1',
'fields.log_id.max' = '10'
);
CREATE TABLE click_log_table (
log_id BIGINT,
click_params STRING,
row_time AS cast(CURRENT_TIMESTAMP as timestamp(3)),
WATERMARK FOR row_time AS row_time
)
WITH (
'connector' = 'datagen',
'rows-per-second' = '1',
'fields.click_params.length' = '1',
'fields.log_id.min' = '1',
'fields.log_id.max' = '10'
);
CREATE TABLE sink_table (
s_id BIGINT,
s_params STRING,
c_id BIGINT,
c_params STRING
) WITH (
'connector' = 'print'
);
INSERT INTO sink_table
SELECT
show_log_table.log_id as s_id,
show_log_table.show_params as s_params,
click_log_table.log_id as c_id,
click_log_table.click_params as c_params
FROM show_log_table FULL JOIN click_log_table ON show_log_table.log_id = click_log_table.log_id
AND show_log_table.row_time BETWEEN click_log_table.row_time - INTERVAL '5' SECOND AND click_log_table.row_time方案特点
⭐ 产出数据质量：中
⭐ 产出数据时效性：中
interval join 的方案比 window join 方案在数据质量上好很多，但是其也是存在 join 不到的情况的。并且如果为 outer join 的话，outer 一测的流数据需要要等到区间结束才能下发。
适用场景
该种解决方案适用于两条流之间可以明确评估出相互延迟的时间是多久的，这里我们可以使用离线数据进行评估，使用离线数据的两条流的时间戳做差得到一个分布区间。
比如在 A 流和 B 流时间戳相差在 1min 之内的有 95%，在 1-4 min 之内的有 4.5%，则我们就可以认为两条流数据时间相差在 4 min 之内的有 99.5%，这时我们将上下界设置为 4min 就是一个能保障 0.5% 误差的合理区间。
注意：这种方案在生产环境中还是比较常用的。
Regular Join
Regular Join。上面两节说的两种 Join 都是基于划分窗口，将无界数据变为有界数据进行关联机制，但是本节说的 regular join 则还是基于无界数据进行关联。
以 A 流 left join B 流举例，A 流数据到来之后，直接去尝试关联 B 流数据。
1. 如果关联到了则直接下发关联到的数据
2. 如果没有关联到则也直接下发没有关联到的数据，后续 B 流中的数据到来之后，会把之前下发下去的没有关联到数据撤回，然后把关联到的数据数据进行下发。由此可以看出这是基于 Flink SQL 的 retract 机制，则也就说明了其目前只支持 Flink SQL。
解法说明：
- 流式数据到达计算引擎的时间不一定：两条流的数据会尝试关联，能关联到直接下发，关联不到先下发一个目前的结果数据
- 流式数据不知何时、下发怎样的数据：两条流的数据会尝试关联，能关联到直接下发，关联不到先下发一个目前的结果数据
CREATE TABLE show_log_table (
log_id BIGINT,
show_params STRING
) WITH (
'connector' = 'datagen',
'rows-per-second' = '1',
'fields.show_params.length' = '3',
'fields.log_id.min' = '1',
'fields.log_id.max' = '10'
);
CREATE TABLE click_log_table (
log_id BIGINT,
click_params STRING
)
WITH (
'connector' = 'datagen',
'rows-per-second' = '1',
'fields.click_params.length' = '3',
'fields.log_id.min' = '1',
'fields.log_id.max' = '10'
);
CREATE TABLE sink_table (
s_id BIGINT,
s_params STRING,
c_id BIGINT,
c_params STRING
) WITH (
'connector' = 'print'
);
INSERT INTO sink_table
SELECT
show_log_table.log_id as s_id,
show_log_table.show_params as s_params,
click_log_table.log_id as c_id,
click_log_table.click_params as c_params
FROM show_log_table
LEFT JOIN click_log_table ON show_log_table.log_id = click_log_table.log_id;方案特点
产出数据质量：高
产出数据时效性：高
数据质量和时效性高的原因都是因为 regular join 会保障目前 Flink 任务已经接收到的数据中能关联的一定是关联上的，即使关联不上，数据也会下发，完完全全保障了当前数据的客观性和时效性。
适用场景
该种解决方案虽然是目前在产出质量、时效性上最好的一种解决方案，但是在实际场景中使用时，也存在一些问题：
基于 retract 机制，所有的数据都会存储在 state 中以判断能否关联到，所以我们要设置合理的 state ttl 来避免大 state 问题导致的任务不稳定
基于 retract 机制，所以在数据发生更新时，会下发回撤数据、最新数据 2 条消息，当我们的关联层级越多，则下发消息量的也会放大
sink 组件要支持 retract，我们不要忘了最终数据是要提供数据服务给需求方进行使用的，所以我们最终写入的数据组件也需要支持 retract，比如 MySQL。如果写入的是 Kafka，则下游消费这个 Kafka 的引擎也需要支持回撤\更新机制。