一、数据乱序的现象
实时计算中,对数据时间比较敏感,有 EventTime 和 ProcessTime 之分,一般来说 EventTime 是从原始消息中提取出来的,ProcessTime 是 Flink 自己提供的。
绝大部分的业务都会使用EventTime,一般只在EventTime无法使用时,才会被迫使用ProcessingTime或者IngestionTime。
在实际应用中,数据源往往很多个且时钟无法严格同步,数据汇集过程中传输的距离和速度也不尽相同,在上游多个节点处理过程的处理速度也有差异,这些因素使得 Event Time 的乱序基本是一个必然现象。
所以 Flink 提供了窗口和水位线的功能,使其在一定时间范围内可以正确处理数据乱序的现象。
数据正序
数据乱序
二、Window 的概念
在 Flink 中,window 可以分为 基于时间(Time-based)的 window 以及基于数量(Count-based)的 window,另外还有基于 session 的 window,同时由于某些特殊需要,还可以自定义 window。
1、Tumbling window (翻滚窗口)
- 比如每多长时间统计一次(基于时间)
- 比如每多少数量统计一次(基于数量)
object CountWindowsTest {
def main(args: Array[String]): Unit = {
val env = StreamExecutionEnvironment.getExecutionEnvironment
val wordDS = env.socketTextStream("master102",3456)
wordDS
.map((_,1))
.keyBy(0)
//累计单个Key中3条数据就进行处理
.countWindow(3)
.sum(1)
.print("测试:")
env.execute()
}
}
object WindowTest {
def main(args: Array[String]): Unit = {
val env = StreamExecutionEnvironment.getExecutionEnvironment
val dataDS = env.socketTextStream("bigdata101", 3456)
val tsDS = dataDS.map(str => {
val strings = str.split(",")
(strings(0), strings(1).toLong, 1)
}).keyBy(0)
//窗口大小为5s的滚动窗口
//.timeWindow(Time.seconds(5))和下面的这种写法都是可以的
.window(TumblingProcessingTimeWindows.of(Time.seconds(5)))
.apply {
(tuple: Tuple, window: TimeWindow, es: Iterable[(String, Long, Int)], out: Collector[String]) => {
val sdf = new SimpleDateFormat("yyyy-MM-dd HH:mm:ss")
//out.collect(s"window:[${sdf.format(new Date(window.getStart))}-${sdf.format(new Date(window.getEnd))}]:{ ${es.mkString(",")} }")
out.collect(s"window:[${window.getStart}-${window.getEnd}]:{ ${es.mkString(",")} }")
}
}.print("windows:>>>")
env.execute()
}
}
(window 就简单的介绍一下概念,本次重点是讲 watermark 和 window 处理乱序数据)
Flink 的窗口划分:不是基于数据的时间来划分的,而是基于自然时间来划分的。比如我们设置窗口大小为3s,事件时间为 2019-11-12 15:00:05
那窗口的时间范围并不是想象中的:
[2019-11-12 15:00:05,2019-11-12 15:00:08]
而是 一个前闭后开的区间:
[2019-11-12 15:00:00 , 2019-11-12 15:00:03 )
[2019-11-12 15:00:03 , 2019-11-12 15:00:06 )
[2019-11-12 15:00:06 , 2019-11-12 15:00:09 )
2、Sliding window (滑动窗口)
- 比如每隔30秒统计过去1分钟的数据量(基于时间)
- 比如每隔10个元素统计过去100个元素的数据量(基于数量)
//滚动5秒,滑动3秒
//.window(SlidingProcessingTimeWindows.of(Time.seconds(5), Time.seconds(3)))和下面的这句话是一样的
.timeWindow(Time.seconds(5),Time.seconds(3))
非常关键的是:大家发现,flink默认的分配窗口是从每秒从0开始数的,举例:会把5秒的窗口分为:
[0-5),[5,10),[10-15),....
3秒的窗口为:
[0-3),[3,6),[6-9),....
3、 会话窗口
与滚动窗口和滑动窗口相比,会话窗口不重叠且没有固定的开始和结束时间。相反,会话窗口在一定时间段内未收到元素时(即,出现不活动间隙时)关闭。随后的元素将分配给新的会话窗口。
.window(ProcessingTimeSessionWindows.withGap(Time.seconds(10)))
三、WaterMark 的概念
在Flink中,水位线是一种衡量Event Time进展的机制,用来处理实时数据中的乱序问题的,通常是水位线和窗口结合使用来实现。
从设备生成实时流事件,到Flink的source,再到多个oparator处理数据,过程中会受到网络延迟、背压等多种因素影响造成数据乱序。在进行窗口处理时,不可能无限期的等待延迟数据到达,当到达特定watermark时,认为在watermark之前的数据已经全部达到(即使后面还有延迟的数据), 可以触发窗口计算,这个机制就是 Watermark(水位线),具体如下图所示。
水位线生成
3.1 生成的时机
水位线生产的最佳位置是在尽可能靠近数据源的地方,因为水位线生成时会做出一些有关元素顺序相对时间戳的假设。由于数据源读取过程是并行的,一切引起Flink跨行数据流分区进行重新分发的操作(比如:改变并行度,keyby等)都会导致元素时间戳乱序。但是如果是某些初始化的filter、map等不会引起元素重新分发的操作,可以考虑在生成水位线之前使用。
周期性分配水位线比较常用,是我们会指示系统以固定的时间间隔发出的水位线。在设置时间为事件时间时,会默认设置这个时间间隔为200ms, 如果需要调整可以自行设置。比如下面的例子是手动设置每隔1s发出水位线。
周期水位线需要实现接口:AssignerWithPeriodicWatermarks,下面是示例:
生成水位的代码
public class TestPeriodWatermark implements AssignerWithPeriodicWatermarks<Tuple2<String, Long>> {
Long currentMaxTimestamp = 0L;
final Long maxOutOfOrderness = 10000L;// 最大允许的乱序时间是10s
val format = new SimpleDateFormat("yyyy-MM-dd HH:mm:ss.SSS")
// 水印 是 当前时间减去10s
@Nullable
@Override
public Watermark getCurrentWatermark() {
return new Watermark(currentMaxTimestamp - maxOutOfOrderness);
}
@Override
public long extractTimestamp(Tuple2<String, Long> element, long previousElementTimestamp) {
long timestamp = element.f1;
currentMaxTimestamp = Math.max(timestamp, currentMaxTimestamp);
return timestamp;
}
}
设置了一个 3s 的窗口,并生成水印,并处理每一个窗口的数据,并打印出来
// 输入数据的格式:0001,2019-11-12 11:25:00
env.addSource(consumer)
// 过滤空数据
.filter(!_.isEmpty)
.map(f => {
val arr = f.split(",")
val code = arr(0)
val time = parseDateNewFormat(arr(1)).getTime
// val time = arr(1).toLong
(code, time)
})
// 指定水印生成的逻辑
.assignTimestampsAndWatermarks(new TestPeriodWatermark )
// 按照 code 来逻辑划分窗口,并行计算
.keyBy(_._1)
// 指定 翻滚窗口,3s生成一个窗口
.window(TumblingEventTimeWindows.of(Time.seconds(3)))
// 允许延迟5s之后才销毁计算过的窗口
//.allowedLateness(Time.seconds(5))
// 处理窗口数据
.process(new MyProcessWindowFunction)
// 打印处理完的数据
.print()
// assignTimestampsAndWatermarks( new AssignerWithPeriodicWatermarks 直接new 新建
val tsDS = dataDS.map(str => {
val strings = str.split(",")
(strings(0), strings(1).toLong, 1)
}).assignTimestampsAndWatermarks(
new AssignerWithPeriodicWatermarks[(String,Long,Int)]{
var maxTs :Long= 0
//得到水位线,周期性调用这个方法,得到水位线,我这里设置的也就是延迟5秒
override def getCurrentWatermark: Watermark = new Watermark(maxTs - 5000)
//负责抽取事件事件
override def extractTimestamp(element: (String, Long, Int), previousElementTimestamp: Long): Long = {
maxTs = maxTs.max(element._2 * 1000L)
element._2 * 1000L
}
}
)
3、处理窗口数据的逻辑
class MyProcessWindowFunction extends ProcessWindowFunction[(String, Long), String, String, TimeWindow] {
override def process(key: String, context: Context, elements: Iterable[(String, Long)], out: Collector[String]): Unit = {
val arr = ArrayBuffer[(String, Long)]()
val iterator = elements.iterator
while (iterator.hasNext) {
val value = iterator.next()
println(value._1, DateUtils.getNewFormatDateString(new Date(value._2)))
arr += value
}
println(arr)
val format = new SimpleDateFormat("yyyy-MM-dd HH:mm:ss.SSS")
val timeWindow = context.window
out.collect(key + "," + arr.size + "," + format.format(arr.head._2) + "," + format.format(arr.last._2) + "," + format.format(timeWindow.getStart) + "," + format.format(timeWindow.getEnd))
}
}