【大数据】Flink 详解（二）：核心篇 Ⅰ

Flink 详解（二）：核心篇 Ⅰ

14、Flink 的四大基石是什么？

​ Flink 的四大基石分别是：

• Checkpoint（检查点）
• State（状态）
• Time（时间）
• Window（窗口）

15、说说 Flink 窗口，以及划分机制。

窗口概念：将无界流的数据，按时间区间，划分成多份数据，分别进行统计（聚合）。

Flink 支持两种划分窗口的方式（time 和 count）。第一种，按 时间驱动 进行划分、另一种按 数据驱动 进行划分。

• 按时间驱动 Time Window 可以划分为 滚动窗口 Tumbling Window 和 滑动窗口 Sliding Window。
• 按数据驱动 Count Window 也可以划分为 滚动窗口 Tumbling Window 和 滑动窗口 Sliding Window。
• Flink 支持窗口的两个重要属性（窗口长度 size 和 滑动间隔 interval），通过窗口长度和滑动间隔来区分滚动窗口和滑动窗口。
  • 如果 size = interval，那么就会形成 tumbling-window（无重叠数据）------滚动窗口
  • 如果 size（1min）> interval（30s），那么就会形成 sliding-window（有重叠数据）------滑动窗口

通过组合可以得出四种基本窗口：

（1）基于时间的滚动窗口：time-tumbling-window 无重叠数据的时间窗口，设置方式举例：timeWindow(Time.seconds(5))。

（2）基于时间的滑动窗口：time-sliding-window 有重叠数据的时间窗口，设置方式举例：timeWindow(Time.seconds(10), Time.seconds(5))。

注：上图中有点小错误，应该是 size > interval，所以会有重叠数据。

（3）基于数量的滚动窗口：count-tumbling-window 无重叠数据的数量窗口，设置方式举例：countWindow(5)。

（4）基于数量的滑动窗口：count-sliding-window 有重叠数据的数量窗口，设置方式举例：countWindow(10,5)。

Flink 中还支持一个特殊的窗口：会话窗口 SessionWindows。

session 窗口分配器通过 session 活动来对元素进行分组，session 窗口跟滚动窗口和滑动窗口相比，不会有重叠和固定的开始时间和结束时间的情况。

session 窗口在一个固定的时间周期内不再收到元素，即非活动间隔产生，那么这个窗口就会关闭。

一个 session 窗口通过一个 session 间隔来配置，这个 session 间隔定义了非活跃周期的长度，当这个非活跃周期产生，那么当前的 session 将关闭并且后续的元素将被分配到新的 session 窗口中去，如下图所示：

16、介绍下 Flink 的窗口机制以及各组件之间是如何相互工作的？

以下为窗口机制的流程图：

WindowAssigner

1、窗口算子负责处理窗口，数据流源源不断地进入算子（Window Operator）时，每一个到达的元素首先会被交给 WindowAssigner。WindowAssigner 会决定元素被放到哪个或哪些窗口（Window），可能会创建新窗口。因为一个元素可以被放入多个窗口中（个人理解是滑动窗口，滚动窗口不会有此现象），所以同时存在多个窗口是可能的。注意，Window 本身只是一个 ID 标识符，其内部可能存储了一些元数据，如 TimeWindow 中有开始和结束时间，但是并不会存储窗口中的元素。窗口中的元素实际存储在 Key/Value State 中，Key 为 Window，Value 为元素集合（或聚合值）。为了保证窗口的容错性，该实现依赖了 Flink 的 State 机制。

WindowTrigger

2、每一个 Window 都拥有一个属于自己的 Trigger，Trigger 上会有定时器，用来决定一个窗口何时能够被计算或清除。每当有元素加入到该窗口，或者之前注册的定时器超时了，那么 Trigger 都会被调用。Trigger 的返回结果可以是 ：

• Continue（继续、不做任何操作）
• Fire（触发计算，处理窗口数据）
• Purge（触发清理，移除窗口和窗口中的数据）
• Fire + Purge（触发计算+清理，处理数据并移除窗口和窗口中的数据）

当数据到来时，调用 Trigger 判断是否需要触发计算，如果调用结果只是 Fire 的话，那么会计算窗口并保留窗口原样，也就是说窗口中的数据不清理，等待下次 Trigger Fire 的时候再次执行计算。窗口中的数据会被反复计算，直到触发结果清理。在清理之前，窗口和数据不会释放，所以窗口会一直占用内存。

Trigger 触发流程

3、当 Trigger Fire了，窗口中的元素集合就会交给 Evictor（如果指定了的话）。Evictor 主要用来遍历窗口中的元素列表，并决定最先进入窗口的多少个元素需要被移除。剩余的元素会交给用户指定的函数进行窗口的计算。如果没有 Evictor 的话，窗口中的所有元素会一起交给函数进行计算。

4、计算函数收到了窗口的元素（可能经过了 Evictor 的过滤），并计算出窗口的结果值，并发送给下游。窗口的结果值可以是一个也可以是多个。DataStream API 上可以接收不同类型的计算函数，包括预定义的 sum()、min()、max()，还有 ReduceFunction，FoldFunction，还有 WindowFunction。WindowFunction 是最通用的计算函数，其他的预定义的函数基本都是基于该函数实现的。

5、Flink 对于一些聚合类的窗口计算（如 sum、min）做了优化，因为聚合类的计算不需要将窗口中的所有数据都保存下来，只需要保存一个 result 值就可以了。每个进入窗口的元素都会执行一次聚合函数并修改 result 值。这样可以大大降低内存的消耗并提升性能。但是如果用户定义了 Evictor，则不会启用对聚合窗口的优化，因为 Evictor 需要遍历窗口中的所有元素，必须要将窗口中所有元素都存下来。

17、讲一下 Flink 的 Time 概念。

在 Flink 的流式处理中，会涉及到时间的不同概念，主要分为三种时间机制，如下图所示：

• EventTime，事件时间
  • 事件发生的时间，例如：点击网站上的某个链接的时间，每一条日志都会记录自己的生成时间。
  • 如果以 EventTime 为基准来定义时间窗口那将形成 EventTimeWindow，要求消息本身就应该携带 EventTime。
• IngestionTime，摄入时间
  • 数据进入 Flink 的时间，如某个 Flink 节点的 source operator 接收到数据的时间，例如：某个 source 消费到 kafka 中的数据。
  • 如果以 IngestionTime 为基准来定义时间窗口那将形成 IngestionTimeWindow，以 source 的 systemTime 为准。
• ProcessingTime，处理时间
  • 某个 Flink 节点执行某个 operation 的时间，例如：timeWindow 处理数据时的系统时间，默认的时间属性就是 Processing Time。
  • 如果以 ProcessingTime 基准来定义时间窗口那将形成 ProcessingTimeWindow，以 operator 的 systemTime 为准。

在 Flink 的流式处理中，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。

18、那在 API 调用时，应该怎么使用？

final StreamExecutionEnvironment env  
    = StreamExecutionEnvironment.getExecutionEnvironrnent();

// 使用处理时间
env.setStreamTimeCharacteristic(TimeCharacteristic.ProcessingTime) ; 

// 使用摄入时间
env.setStrearnTimeCharacteristic(TimeCharacteristic.IngestionTime);

// 使用事件时间
env.setStrearnTimeCharacteristic(TimeCharacteri stic Eve~tTime);

19、在流数据处理中，有没有遇到过数据延迟等问题，通过什么处理呢？

有遇到过数据延迟问题。举个例子：

案例 1：

• 假你正在去往地下停车场的路上，并且打算用手机点一份外卖。
• 选好了外卖后，你就用在线支付功能付款了，这个时候是 11 点 50 分。恰好这时，你走进了地下停车库，而这里并没有手机信号。因此外卖的在线支付并没有立刻成功，而支付系统一直在 Retry 重试 "支付" 这个操作。
• 当你找到自己的车并且开出地下停车场的时候，已经是 12 点 05 分了。这个时候手机重新有了信号，手机上的支付数据成功发到了外卖在线支付系统，支付完成。
• 在上面这个场景中你可以看到，支付数据的事件时间是11点50分，而支付数据的处理时间是12点05分

案例 2：

• 如上图所示，某 App 会记录用户的所有点击行为，并回传日志（在网络不好的情况下，先保存在本地，延后回传）。
• A 用户在 11:02 对 App 进行操作，B 用户在 11:03 操作了 App。
• 但是 A 用户的网络不太稳定，回传日志延迟了，导致我们在服务端先接受到 B 用户 11:03 的消息，然后再接受到 A 用户 11:02 的消息，消息乱序了。

一般处理数据延迟、消息乱序等问题，通过 WaterMark 水印来处理。水印是用来解决数据延迟、数据乱序等问题，总结如下图所示：

水印就是一个时间戳（timestamp），Flink 可以给数据流添加水印：

• 水印并不会影响原有 EventTime 事件时间。
• 当数据流添加水印后，会按照水印时间来触发窗口计算，也就是说 WaterMark 水印是用来触发窗口计算的。
• 设置水印时间，会比事件时间小几秒钟，表示最大允许数据延迟达到多久。
• 水印时间 = 事件时间 - 允许延迟时间（例如：10:09:57 = 10:10:00 - 3s）

20、WaterMark 原理讲解一下？

如下图所示：

窗口是 10 分钟触发一次，现在在 12:00 - 12:10 有一个窗口，本来有一条数据是在 12:00 - 12:10 这个窗口被计算，但因为延迟，12:12 到达，这时 12:00 - 12:10 这个窗口就会被关闭，只能将数据下发到下一个窗口进行计算，这样就产生了数据延迟，造成计算不准确。

现在添加一个水位线：数据时间戳为 2 分钟。这时用数据产生的事件时间 12:12 - 允许延迟的水印 2 分钟 = 12:10 >= 窗口结束时间 。窗口触发计算，该数据就会被计算到这个窗口里。

在 DataStream API 中使用 TimestampAssigner 接口定义时间戳的提取行为，包含两个子接口 AssignerWithPeriodicWatermarks 接口和 AssignerWithPunctuatedWaterMarks 接口。

定义抽取时间戳，以及生成 WaterMark 的方法，有两种类型

• AssignerWithPeriodicWatermarks
  • 周期性的生成 WaterMark：系统会周期性的将 WaterMark插入到流中。
  • 默认周期是 200 200 200 毫秒，可以使用 ExecutionConfig.setAutoWatermarklnterval() 设置。
  • BoundedOutOfOrderness 是基于周期性 WaterMark 的。
• AssignerWithPunctuatedWatermarks
  • 没有时间周期规律，可打断的生成 watermark

定期生成	根据特殊记录生成
现实时间驱动	数据驱动
每一次分配 Timestamp 都会调用生成方法	每隔一段时间调用生成方法
实现 AssignerWithPeriodicWatermarks	实现 AssignerWithPunctuatedWatermarks

21、如果数据延迟非常严重呢？只使用 WaterMark 可以处理吗？那应该怎么解决？

使用 WaterMark + EventTimeWindow 机制可以在一定程度上解决数据乱序的问题，但是，WaterMark 水位线也不是万能的，在某些情况下，数据延迟会非常严重，即使通过 Watermark + EventTimeWindow 也无法等到数据全部进入窗口再进行处理，因为窗口触发计算后，对于延迟到达的本属于该窗口的数据，Flink 默认会将这些延迟严重的数据进行丢弃。

那么如果想要让一定时间范围的延迟数据不会被丢弃，可以使用 Allowed Lateness（允许迟到机制 / 侧道输出机制）设定一个允许延迟的时间和侧道输出对象来解决。

即使用 WaterMark + EventTimeWindow + Allowed Lateness 方案（包含侧道输出），可以做到数据不丢失。

API 调用

• allowedLateness(lateness:Time)：设置允许延迟的时间

该方法传入一个 Time 值，设置允许数据迟到的时间，这个时间和 WaterMark 中的时间概念不同。

再来回顾一下，WaterMark = 数据的事件时间 - 允许乱序时间值。随着新数据的到来，WaterMark 的值会更新为最新数据事件时间 - 允许乱序时间值，但是如果这时候来了一条历史数据，WaterMark 值则不会更新。

总的来说，WaterMark 永远不会倒退，它是为了能接收到尽可能多的乱序数据。

那这里的 Time 值呢？主要是为了等待迟到的数据，如果属于该窗口的数据到来，仍会进行计算，后面会对计算方式仔细说明。

注意：该方法只针对于基于 EventTime 的窗口。

• sideOutputLateData(outputTag:OutputTag[T])：保存延迟数据

该方法是将迟来的数据保存至给定的 outputTag 参数，而 OutputTag 则是用来标记延迟数据的一个对象。

• DataStream.getSideOutput(tag:OutputTag[X])：获取延迟数据

通过 window 等操作返回的 DataStream 调用该方法，传入标记延迟数据的对象来获取延迟的数据。