初学Flink，对Watermarks的一些理解和感悟
2018-09-29 本文已影响14人
9c0ddf06559c
官方文档：https://ci.apache.org/projects/flink/flink-docs-release-1.6/dev/event_time.html
翻译：https://www.jianshu.com/p/68ab40c7f347
1. 几个重要的概念简述：
- Window：Window是处理无界流的关键，Windows将流拆分为一个个有限大小的
buckets，可以可以在每一个buckets中进行计算 - start_time,end_time：当Window时时间窗口的时候，每个window都会有一个开始时间和结束时间（前开后闭），这个时间是系统时间
- event-time: 事件发生时间，是事件发生所在设备的当地时间，比如一个点击事件的时间发生时间，是用户点击操作所在的手机或电脑的时间
- Watermarks：可以把他理解为一个水位线，这个Watermarks在不断的变化，一旦Watermarks大于了某个window的end_time，就会触发此window的计算，Watermarks就是用来触发window计算的。
2.如何使用Watermarks处理乱序的数据流
什么是乱序呢？可以理解为数据到达的顺序和他的event-time排序不一致。导致这的原因有很多，比如延迟，消息积压，重试等等
因为Watermarks是用来触发window窗口计算的，我们可以根据事件的event-time，计算出Watermarks，并且设置一些延迟，给迟到的数据一些机会。
假如我们设置10s的时间窗口（window），那么0~10s，10~20s都是一个窗口，以0~10s为例，0位start-time，10为end-time。假如有4个数据的event-time分别是8(A),12.5(B),9(C),13.5(D)，我们设置Watermarks为当前所有到达数据event-time的最大值减去延迟值3.5秒
当A到达的时候，Watermarks为max{8}-3.5=8-3.5 = 4.5 < 10,不会触发计算
当B到达的时候，Watermarks为max(12.8,5)-3.5=12.5-3.5 = 9 < 10,不会触发计算
当C到达的时候，Watermarks为max(12.5,8,9)-3.5=12.5-3.5 = 9 < 10,不会触发计算
当D到达的时候，Watermarks为max(13.5,12.5,8,9)-3.5=13.5-3.5 = 10 = 10,触发计算
触发计算的时候，会将AC（因为他们都小于10）都计算进去
通过上面这种方式，我们就将迟到的C计算进去了
这里的延迟3.5s是我们假设一个数据到达的时候，比他早3.5s的数据肯定也都到达了，这个是需要根据经验推算的，加入D到达以后有到达了一个E,event-time=6，但是由于0~10的时间窗口已经开始计算了，所以E就丢了。
3.看一个代码的实际例子
下面代码中的BoundedOutOfOrdernessGenerator就是一个典型的Watermarks实例
package com.meituan.flink.demo;
import com.alibaba.fastjson.JSON;
import com.alibaba.fastjson.JSONObject;
import com.meituan.flink.common.conf.FlinkConf;
import com.meituan.flink.common.kafka.MTKafkaConsumer08;
import org.apache.flink.api.common.functions.FlatMapFunction;
import org.apache.flink.api.common.functions.MapFunction;
import org.apache.flink.streaming.api.CheckpointingMode;
import org.apache.flink.streaming.api.TimeCharacteristic;
import org.apache.flink.streaming.api.datastream.DataStream;
import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;
import org.apache.flink.streaming.api.functions.AssignerWithPeriodicWatermarks;
import org.apache.flink.streaming.api.watermark.Watermark;
import org.apache.flink.streaming.api.windowing.assigners.TumblingEventTimeWindows;
import org.apache.flink.streaming.api.windowing.time.Time;
import org.apache.flink.streaming.util.serialization.SimpleStringSchema;
import org.apache.flink.util.Collector;
import org.slf4j.Logger;
import org.slf4j.LoggerFactory;
import java.text.SimpleDateFormat;
import java.util.Date;
/**
* Created by smile on 14/11/2017.
* 统计每 10 秒内每种操作有多少个
*/
public class EventTimeWindowCount {
private static final Logger logger = LoggerFactory.getLogger(EventTimeWindowCount.class);
public static void main(String[] args) throws Exception {
// 获取作业名
String jobName = FlinkConf.getJobName(args);
// 获取执行环境
final StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
// 设置使用 EventTime 作为时间戳(默认是 ProcessingTime)
env.setStreamTimeCharacteristic(TimeCharacteristic.EventTime);
// 开启 Checkpoint（每 10 秒保存一次检查点，模式为 Exactly Once）
env.enableCheckpointing(10000);
env.getCheckpointConfig().setCheckpointingMode(CheckpointingMode.EXACTLY_ONCE);
// 设置从 Kafka 的 topic "log.orderlog" 中读取数据
MYKafkaConsumer08 consumer = new MYKafkaConsumer08(jobName);
DataStream<String> stream = env.addSource(consumer.getInstance("log.orderlog", new SimpleStringSchema()));
// 默认接上次开始消费，以下的写法（setStartFromLatest）可以从最新开始消费，相应的还有（setStartFromEarliest 从最旧开始消费）
// DataStream<String> stream = env.addSource(consumer.getInstance("log.orderlog", new SimpleStringSchema()).setStartFromLatest());
DataStream<String> orderAmount =
// 将读入的字符串转化为 OrderRecord 对象
stream.map(new ParseOrderRecord())
// 设置从 OrderRecord 对象中提取时间戳的方式，下文 BoundedOutOfOrdernessGenerator 类中具体实现该方法
.assignTimestampsAndWatermarks(new BoundedOutOfOrdernessGenerator())
// 用 OrderRecord 对象的 action 字段进行分流（相同 action 的进入相同流，不同 action 的进入不同流）
.keyBy("action")
// 触发 10s 的滚动窗口，即每十秒的数据进入同一个窗口
.window(TumblingEventTimeWindows.of(Time.seconds(10)))
// 将同一窗口的每个 OrderRecord 对象的 count 字段加起来（其余字段只保留第一个进入该窗口的，后进去的丢弃）
.sum("count")
// 将结果从 OrderRecord 对象转换为 String，每十万条输出一条
.flatMap(new ParseResult());
// 如果想每条都输出来，那就输得慢一点，每 10 秒输出一条数据（请将上一行的 flatMap 换成下一行的 map）
// .map(new ParseResultSleep());
// 输出结果（然后就可以去 Task Manage 的 Stdout 里面看）
// 小数据量测试的时候可以这么写，正式上线的时候不要这么写！数据量大建议还是写到 Kafka Topic 或者其他的下游里面去
orderAmount.print();
env.execute(jobName);
}
public static class ParseOrderRecord implements MapFunction<String, OrderRecord> {
@Override
public OrderRecord map(String s) throws Exception {
JSONObject jsonObject = JSON.parseObject(s);
long id = jsonObject.getLong("id");
int dealId = jsonObject.getInteger("dealid");
String action = jsonObject.getString("_mt_action");
double amount = jsonObject.getDouble("amount");
String timestampString = jsonObject.getString("_mt_datetime");
// 将字符串格式的时间戳解析为 long 类型，单位毫秒
SimpleDateFormat simpleDateFormat = new SimpleDateFormat("yyyy-MM-dd HH:mm:ss");
Date timestampDate = simpleDateFormat.parse(timestampString);
long timestamp = timestampDate.getTime();
return new OrderRecord(id, dealId, action, amount, timestamp);
}
}
public static class BoundedOutOfOrdernessGenerator implements AssignerWithPeriodicWatermarks<OrderRecord> {
private final long maxOutOfOrderness = 3500; // 3.5 seconds
private long currentMaxTimestamp;
@Override
public long extractTimestamp(OrderRecord record, long previousElementTimestamp) {
// 将数据中的时间戳字段（long 类型，精确到毫秒）赋给 timestamp 变量，此处是 OrderRecord 的 timestamp 字段
long timestamp = record.timestamp;
currentMaxTimestamp = Math.max(timestamp, currentMaxTimestamp);
return timestamp;
}
@Override
public Watermark getCurrentWatermark() {
// return the watermark as current highest timestamp minus the out-of-orderness bound
return new Watermark(currentMaxTimestamp - maxOutOfOrderness);
}
}
public static class ParseResult implements FlatMapFunction<OrderRecord, String> {
private static long msgCount = 0;
@Override
public void flatMap(OrderRecord record, Collector<String> out) throws Exception {
// 每十万条输出一条，防止输出太多在 Task Manage 的 Stdout 里面刷新不出来
if (msgCount == 0) {
out.collect("Start from: " + new SimpleDateFormat("yyyy-MM-dd HH:mm:ss").format(record.timestamp) + " action: " + record.action + " count = " + record.count);
msgCount = 0;
}
msgCount++;
msgCount %= 100000;
}
}
public static class ParseResultSleep implements MapFunction<OrderRecord, String> {
@Override
public String map(OrderRecord record) throws Exception {
// 每 10 秒输出一条数据，防止输出太多在 Task Manage 的 Stdout 里面刷新不出来
// 正式上线的时候不要这么写！
Thread.sleep(10000);
return "Start from: " + new SimpleDateFormat("yyyy-MM-dd HH:mm:ss").format(record.timestamp) + " action: " + record.action + " count = " + record.count;
}
}
public static class OrderRecord {
public long id;
public int dealId;
public String action;
public double amount;
public long timestamp;
public long count;
public OrderRecord() {
}
public OrderRecord(long id, int dealId, String action, double amount, long timestamp) {
this.id = id;
this.dealId = dealId;
this.action = action;
this.amount = amount;
this.timestamp = timestamp;
this.count = 1;
}
}
}
