Watermark 是怎么生成和传递的？

分析&回答

Watermark 介绍

Watermark 本质是时间戳，与业务数据一样无差别地传递下去，目的是衡量事件时间的进度（通知 Flink 触发事件时间相关的操作，例如窗口）。

Watermark 是一个时间戳, 它表示小于该时间戳的事件都已经到达了。
Watermark 一般情况在源位置产生（也可以在流图中的其它节点产生）, 通过流图节点传播。
Watermark 也是 StreamElement, 和普通数据一起在算子之间传递。
Watermark 可以触发窗口计算, 时间戳为 Long.MAX_VALUE 表示算子后续没有任何数据。

Watermark 类型

flink 采用 WatermarkStrategy 设置自定义 Watermark 类型，WatermarkGenerator 是 Watermark 的基类。flink 实现了 Punctuated Watermarks 从事件获取事件的时间戳 、Periodic Watermarks 周期获取事件的时间戳。

Watermark 的产生

Watermark 事件产生 PunctuatedAssigner根据事件属性eventTimestamp生成
Watermark 周期产生结合算子 TimestampsAndWatermarksOperator 和 TimePeriodicWatermarkGenerator，分析 Watermark 的产生流程。如下图所示，横轴表示 processing time，圆形表示事件，圆形中的时间 t 表示事件时间，圆形落在横轴表示事件在算子中的处理，其中 Watermark 的产生周期为 60s 和允许延迟时间为 10s。以第一个周期 [0,60) 为例，获取事件中的最大事件时间 max，向下游发送 watermark（最大事件时间 - 允许延迟时间 - 1）。

Watermark 的传递

Watermark 的传递方式是广播，即广播方式发送到下游。Watermark 与业务数据一样，无差别地传递下去。

多并发的场景下

Watermark 是 source task 产生，经过 keyby 分组后触发窗口计算。

① Watermark 要单调递增。
② 如果算子有多个上游（广播）即输入多个 Watermark(T)，则该算子取最小 Watermark 即 min(Watermark(T1), Watermark(T2)) 。

反思&扩展

Flink 中的 Time 有哪几种

Flink中的时间有三种类型,如下图所示:

Event Time:是事件创建的时间。它通常由事件中的时间戳描述,例如采集的日志数据中,每一条日志都会记录自己的生成时间,Flink通过时间戳分配器访问事件时间戳。
Ingestion Time:是数据进入Flink的时间。
Processing Time:是每一个执行基于时间操作的算子的本地系统时间,与机器相关,默认的时间属性就是Processing Time。

对于迟到数据是怎么处理的

Flink中 WaterMark 和 Window 机制解决了流式数据的乱序问题,对于因为延迟而顺序有误的数据,可以根据eventTime进行业务处理,对于延迟的数据Flink也有自己的解决办法,主要的办法是给定一个允许延迟的时间,在该时间范围内仍可以接受处理延迟数据:

设置允许延迟的时间是通过allowedLateness(lateness: Time)设置
保存延迟数据则是通过sideOutputLateData(outputTag: OutputTag $T$ )保存
获取延迟数据是通过DataStream．getSideOutput(tag: OutputTag $X$ )获取

喵呜面试助手：一站式解决面试问题，你可以搜索微信小程序 $喵呜面试助手$ 或关注 $喵呜刷题$ -> 面试助手 免费刷题。如有好的面试知识或技巧期待您的共享！