Flink时间概念和无序数据处理
大约 6 分钟大数据JAVAFlink
概念
Flink里面时间分类
- 事件时间EventTime
- 事件发生的时间
- 事件时间是每个单独事件在其产生进程上发生的时间,这个时间通常在记录进入 Flink 之前记录在对象中
- 在事件时间中,时间值 取决于数据产生记录的时间,而不是任何Flink机器上的
- 进入时间 IngestionTime
- 事件到进入Flink
- 处理时间ProcessingTime
- 事件被flink处理的时间
- 指正在执行相应操作的机器的系统时间
- 是最简单的时间概念,不需要流和机器之间的协调,它提供最佳性能和最低延迟
- 但是在分布式和异步环境中,处理时间有不确定性,存在延迟或乱序问题
设置时间语义:
env.setStreamTimeCharacteristic(TimeCharacteristic.EventTime);
乱序时间处理
一般我们都是用EventTime事件时间进行处理统计数据,但数据由于网络问题延迟、乱序到达会导致窗口计算数据不准确。比如时间窗是 [12:01:01,12:01:10 ) ,但是有数据延迟到达,当 12:01:10 秒数据到达的时候,不立刻触发窗口计算,而是等一定的时间,等迟到的数据来后再关闭窗口进行计算。
Watermark 水位线介绍
- 由flink的某个operator操作生成后,就在整个程序中随event数据流转
- With Periodic Watermarks(周期生成,可以定义一个最大允许乱序的时间,用的很多)
- With Punctuated Watermarks(标点水位线,根据数据流中某些特殊标记事件来生成,相对少)
- 衡量数据是否乱序的时间,什么时候不用等早之前的数据
- 是一个全局时间戳,不是某一个key下的值
- 是一个特殊字段,单调递增的方式,主要是和数据本身的时间戳做比较
- 用来确定什么时候不再等待更早的数据了,可以触发窗口进行计算,忍耐是有限度的,给迟到的数据一些机会
- 注意
- Watermark 设置太小会影响数据准确性,设置太大会影响数据的实时性,更加会加重Flink作业的负担
- 需要经过测试,和业务相关联,得出一个较合适的值即可
- 由flink的某个operator操作生成后,就在整个程序中随event数据流转
窗口触发计算的时机
- watermark之前是按照窗口的关闭时间点计算的 [12:01:01,12:01:10 )
- watermark之后,触发计算的时机
- 窗口内有数据
- Watermaker >= Window EndTime窗口结束时间
- 触发计算后,其他窗口内数据再到达也被丢弃
- Watermaker = 当前计算窗口最大的事件时间 - 允许乱序延迟的时间
数据流中的事件是有序
- 数据流中的事件是无序
案例
- window大小为10s,窗口是W1 [23:12:00~23:12:10) 、 W2[23:12:10~23:12:20)
- 下面是数据的event time
- 数据A 23:12:07
- 数据B 23:12:11
- 数据C 23:12:08
- 数据D 23:12:17
- 数据E 23:12:09
- 没加入watermark,由上到下进入flink
- 数据B到了之后,W1就进行了窗口计算,数据只有A
- 数据C 迟到了3秒,到了之后,由于W1已经计算了,所以就丢失了数据C
- 加入watermark, 允许5秒延迟乱序,由上到下进入flink
- 数据A到达
- watermark = 12:07 - 5 = 12:02 < 12:10 ,所以不触发W1计算, A属于W1
- 数据B到达
- watermark = max{ 12:11, 12:07} - 5 = 12:06 < 12:10 ,所以不触发W1计算, B属于W2
- 数据C到达
- watermark = max{12:08, 12:11, 12:07} - 5 = 12:06 < 12:10 ,所以不触发W1计算, C属于W1
- 数据D到达
- watermark = max{12:17, 12:08, 12:11, 12:07} - 5 = 12:12 > 23:12:10 , 触发W1计算, D属于W2
- 数据E到达
- watermark = max{12:09, 12:17, 12:08, 12:11, 12:07} - 5 = 12:12 > 23:12:10 , 之前已触发W1计算, 所以丢失了E数据,
- 数据A到达
- Watermaker 计算 = 当前计算窗口最大的事件时间 - 允许乱序延迟的时间
- 什么时候触发W1窗口计算
- Watermaker >= Window EndTime窗口结束时间
- 当前计算窗口最大的事件时间 - 允许乱序延迟的时间 >= Window EndTime窗口结束时间
代码
- Watermark 一次数据兜底
- allowedLateness 二次数据兜底
- OutputTag 最后数据兜底
public static void main(String[] args) throws Exception {
//构建执行任务环境以及任务的启动的入口, 存储全局相关的参数
StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
env.setParallelism(1);
//java,2022-11-11 09-10-10,15
DataStream<String> ds = env.socketTextStream("127.0.0.1", 8888);
SingleOutputStreamOperator<Tuple3<String, String, Integer>> flatMapDS = ds.flatMap(new FlatMapFunction<String, Tuple3<String, String, Integer>>() {
@Override
public void flatMap(String value, Collector<Tuple3<String, String, Integer>> out) throws Exception {
String[] arr = value.split(",");
out.collect(Tuple3.of(arr[0], arr[1], Integer.parseInt(arr[2])));
}
});
//指定watermark
SingleOutputStreamOperator<Tuple3<String, String, Integer>> watermarkDS = flatMapDS.assignTimestampsAndWatermarks(WatermarkStrategy
//指定允许乱序延迟的最大时间 3 秒
.<Tuple3<String, String, Integer>>forBoundedOutOfOrderness(Duration.ofSeconds(3))
//指定POJO事件时间列,毫秒
.withTimestampAssigner((event, timestamp) -> TimeUtil.strToDate(event.f1).getTime()));
//最后的兜底数据
OutputTag<Tuple3<String, String, Integer>> lateData = new OutputTag<Tuple3<String, String, Integer>>("lateDataOrder"){};
//分组 开窗
SingleOutputStreamOperator<String> sumDS = watermarkDS.keyBy(new KeySelector<Tuple3<String, String, Integer>, String>() {
@Override
public String getKey(Tuple3<String, String, Integer> value) throws Exception {
return value.f0;
}
})
//开窗
.window(TumblingEventTimeWindows.of(Time.seconds(10)))
//允许1分钟延迟
.allowedLateness(Time.minutes(1))
.sideOutputLateData(lateData)
//聚合, 方便调试拿到窗口全部数据,全窗口函数
.apply(new WindowFunction<Tuple3<String, String, Integer>, String, String, TimeWindow>() {
@Override
public void apply(String key, TimeWindow window, Iterable<Tuple3<String, String, Integer>> input, Collector<String> out) throws Exception {
//准备list,存储窗口的事件时间
List<String> timeList = new ArrayList<>();
int total = 0;
for(Tuple3<String, String, Integer> order:input){
timeList.add(order.f1);
total = total+order.f2;
}
String outStr = String.format("分组key:%s,聚合值:%s,窗口开始结束:[%s~%s),窗口所有事件时间:%s", key,total, TimeUtil.format(window.getStart()),TimeUtil.format(window.getEnd()), timeList);
out.collect(outStr);
}
});
sumDS.print();
//最后兜底处理
sumDS.getSideOutput(lateData).print("late data order");
env.execute("watermark job");
}
总结
第一层 窗口window 的作用是从DataStream数据流里指定范围获取数据。
第二层 watermark的作用是防止数据出现乱序延迟,允许窗口等待延迟数据达到,再触发计算
第三层 allowLateness 会让窗口关闭时间再延迟一段时间, 如果还有数据达到,会局部修复数据并主动更新窗口的数据输出
第四层 sideOutPut侧输出流是最后兜底操作,在窗口已经彻底关闭后,所有过期延迟数据放到侧输出流,可以单独获取,存储到某个地方再批量更新之前的聚合的数据