Flink学习笔记
前言:今天是学习 flink 的第 9 天啦!学习了 flink 四大基石之 Time的应用---> Watermark(水印,也称水位线),主要是解决数据由于网络延迟问题,出现数据乱序或者迟到数据现象,重点学习了水位线策略机制原理和应用,以及企业级的应用场景,结合自己实验猜想和代码实践,总结了很多自己的理解和想法,希望和大家多多交流!
Tips:转码之路,溯洄从之,道阻且长!希望自己继续努力,学有所成,让华丽的分割线,成为闪耀明天的起跑线!
文章目录
- Flink学习笔记
-
- [三、Flink 高级 API 开发](#三、Flink 高级 API 开发)
-
- [2. WaterMark](#2. WaterMark)
-
- [2.1 为什么需要 WaterMark](#2.1 为什么需要 WaterMark)
- [2.2 多并行度与 WaterMark](#2.2 多并行度与 WaterMark)
- [2.3 KeyBy 分流与 WaterMark](#2.3 KeyBy 分流与 WaterMark)
- [2.4 水印的生成策略](#2.4 水印的生成策略)
-
- [2.4.1 内置水印生成策略](#2.4.1 内置水印生成策略)
-
- [(1) 固定延迟生成水印](#(1) 固定延迟生成水印)
- [(2) 单调递增生成水印](#(2) 单调递增生成水印)
- [2.4.2 自定义水印生成策略](#2.4.2 自定义水印生成策略)
-
- [(1) ==周期性 watermark 策略==](#(1) ==周期性 watermark 策略==)
- [(2) ==间歇性 watermark 策略==](#(2) ==间歇性 watermark 策略==)
- [2.5 在非数据源之后使用水印 [重点]](#2.5 在非数据源之后使用水印 [重点])
-
- [2.5.1 WaterMark 的四种使用情况](#2.5.1 WaterMark 的四种使用情况)
-
- [(1) 本来有序的 Stream中的 Watermark](#(1) 本来有序的 Stream中的 Watermark)
- [(2) 乱序事件中的Watermark](#(2) 乱序事件中的Watermark)
- [(3) 并行数据流中的Watermark](#(3) 并行数据流中的Watermark)
- [(4) 自定义 Watermark](#(4) 自定义 Watermark)
- [2.6 在数据源之后使用水印 (Kafka) [重点]](#2.6 在数据源之后使用水印 (Kafka) [重点])
-
- [2.6.1 kafka 向指定分区写入数据](#2.6.1 kafka 向指定分区写入数据)
- [2.6.2 水印机制消费 kafak 数据](#2.6.2 水印机制消费 kafak 数据)
- [2.7 Flink 对严重迟到数据的处理](#2.7 Flink 对严重迟到数据的处理)
三、Flink 高级 API 开发
2. WaterMark
2.1 为什么需要 WaterMark
当 flink 以 EventTime 模式处理流数据时,它会根据数据里的时间戳来处理基于时间的算子。但是由于网络、分布式等原因,会导致数据乱序的情况。
结论:
-
只要使用 event time,就必须使用 watermark,在上游指定,比如:source、map算子后。
-
Watermark 的核心本质可以理解成一个延迟触发机制。
-
因为前面提到,数据时间 >= 窗口结束时间,触发计算,这里想要延迟触发计算,所以水印时间一般比数据事件时间少几秒
-
水印时间 = 事件时间 - 设置的水印长度
-
水印的功能:在不影响按照事件时间判断数据属于哪个窗口的前提下,延迟某个窗口的关闭时间,让其等待一会儿延迟数据。
举例:
窗口5秒,延迟(水印)3秒,按照事件时间计算
来一条数据事件时间3, 落入窗口0-5.水印时间0
来一条数据事件时间7, 落入窗口5-10,水印时间4
来一条数据事件时间4,落入窗口0-5,水印时间1
来一条数据事件时间8,落入窗口5-10,水印时间5
2.2 多并行度与 WaterMark
- 如果并行度是 n,那么watermark 就有 n 个
- 触发条件以线程中最小的 watermark 为准
2.3 KeyBy 分流与 WaterMark
- 一个程序中有多少个水印和并行度有关,和 keyby 无关
举例:
shell
比如有单词hadoop spark
按照keyby,会分成hadoop组 和spark组
但是这两个组是共用1个水印的
hadoop来的数据满足了触发条件,会将spark组的数据也触发
2.4 水印的生成策略
2.4.1 内置水印生成策略
(1) 固定延迟生成水印
简介:设置最大延迟时间
例子:
java
DataStream dataStream = ...... ;
dataStream.assignTimestampsAndWatermarks(WatermarkStrategy.forBoundedOutOfOrderness(Duration.ofSeconds(3)));
(2) 单调递增生成水印
简介:当前时间戳就可以充当 watermark,因为后续到达数据的时间戳不会比当前的小(网络延迟)。
例子:
java
DataStream dataStream = ...... ;
dataStream.assignTimestampsAndWatermarks(WatermarkStrategy.forMonotonousTimestamps());
2.4.2 自定义水印生成策略
(1) 周期性 watermark 策略
- 升序watermark:单调递增生成水印
- 乱序watermark:固定延迟生成水印
都是基于周期性生成,默认的周期是 200ms ,一般不去改,保持在 ms 级别 onPeriodicEmit()
(2) 间歇性 watermark 策略
- 每一个事件时间都会产生一个watermark
2.5 在非数据源之后使用水印 [重点]
2.5.1 WaterMark 的四种使用情况
(1) 本来有序的 Stream中的 Watermark
例子:以 java bean 的数据输入作为有序事件时间
java
package cn.itcast.day09.WaterMark;
/**
* @author lql
* @time 2024-03-01 21:11:00
* @description TODO
*/
import lombok.AllArgsConstructor;
import lombok.Data;
import lombok.NoArgsConstructor;
import org.apache.flink.api.common.functions.MapFunction;
import org.apache.flink.streaming.api.TimeCharacteristic;
import org.apache.flink.streaming.api.datastream.SingleOutputStreamOperator;
import org.apache.flink.streaming.api.datastream.WindowedStream;
import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;
import org.apache.flink.streaming.api.functions.AscendingTimestampExtractor;
import org.apache.flink.streaming.api.functions.windowing.ProcessWindowFunction;
import org.apache.flink.streaming.api.windowing.assigners.TumblingEventTimeWindows;
import org.apache.flink.streaming.api.windowing.time.Time;
import org.apache.flink.streaming.api.windowing.windows.TimeWindow;
import org.apache.flink.util.Collector;
/**
* 使用单调递增水印,解决数据有序的场景(大多数情况都是乱序的数据,因此该场景比较少见)
* 需求:从socket接受数据,进行转换操作,然后应用窗口每隔5秒生成一个窗口,使用水印时间触发窗口计算
*
* 使用水印的前提:
* 1:数据必须要携带事件时间
* 2:指定事件时间作为数据处理的时间
* 3:指定并行度为1
* 4:使用之前版本的api的时候,需要增加时间类型的代码
*
* 测试数据:
* sensor_1,1547718199,35 -》2019-01-17 17:43:19
* sensor_6,1547718201,15 -》2019-01-17 17:43:21
* sensor_6,1547718205,15 -》2019-01-17 17:43:25
* sensor_6,1547718210,15 -》2019-01-17 17:43:30
*
* todo 如果窗口销毁以后,有延迟数据的到达会被丢弃,无法再次触发窗口的计算了
*/
public class MonotonousWaterMark {
public static void main(String[] args) throws Exception {
//todo 1)创建flink流处理的运行环境
StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
env.setParallelism(1);
//设置 Flink 程序中流数据时间语义为 EventTime。
// 在处理数据时 Flink 程序会按照数据事件发生的时间进行处理,而不是按照数据到达 Flink 程序的时间进行处理。
env.setStreamTimeCharacteristic(TimeCharacteristic.EventTime);
//todo 2) 接入数据源
SingleOutputStreamOperator<WaterSensor> lines = env.socketTextStream("node1", 9999)
.map(new MapFunction<String, WaterSensor>() {
@Override
public WaterSensor map(String value) throws Exception {
String[] data = value.split(",");
return new WaterSensor(data[0], Long.valueOf(data[1]), Integer.parseInt(data[2]));
}
});
//todo 3)添加水印处理
//flink1.12之前版本的api编写(单调递增水印本质上还是周期性水印)
SingleOutputStreamOperator<WaterSensor> waterMarkStream = lines.assignTimestampsAndWatermarks(new AscendingTimestampExtractor<WaterSensor>() {
@Override
public long extractAscendingTimestamp(WaterSensor element) {
// 因为我们在转换时间戳,需要毫秒级别!
return element.getTs()*1000L;
}
});
waterMarkStream.print("数据>>>");
//todo 4)应用窗口操作,设置窗口长度为5秒
WindowedStream<WaterSensor, String, TimeWindow> sensorWS = waterMarkStream.keyBy(sensor -> sensor.getId()).window(TumblingEventTimeWindows.of(Time.seconds(5)));
//todo 5)定义窗口函数
SingleOutputStreamOperator<String> result = sensorWS.process(new ProcessWindowFunction<WaterSensor, String, String, TimeWindow>() {
@Override
public void process(String s, Context context, Iterable<WaterSensor> elements, Collector<String> out) throws Exception {
out.collect("key" + s + "\n" +
"数据为" + elements + "\n" +
"数据条数为" + elements.spliterator().estimateSize() + "\n" +
"窗口时间为" + context.window().getStart() + "->" + context.window().getEnd());
}
});
//todo 6)输出测试
result.print();
//todo 启动运行
env.execute();
}
/**
* 水位传感器,用来接受水位数据
*/
@Data
@AllArgsConstructor
@NoArgsConstructor
private static class WaterSensor {
private String id; //传感器id
private long ts; //时间
private Integer vc; //水位
}
}
注意:flink 1.12 版本之后的有序流添加周期水印
java
//注意:下面的代码使用的是Flink1.12中新的API
SingleOutputStreamOperator<WaterSensor> sensorDS = lines
//TODO 有序流中的watermark
.assignTimestampsAndWatermarks(
//指定watermark生成(单调递增)
WatermarkStrategy.<WaterSensor>forMonotonousTimestamps()
.withTimestampAssigner(new SerializableTimestampAssigner<WaterSensor>() {
@Override
public long extractTimestamp(WaterSensor element, long recordTimestamp) {
//指定如何从数据提取时间戳
return element.getTs() * 1000L;
}));
结果:
java
情况一:一种类别输入
sensor_6,1547718201,15 -》2019-01-17 17:43:21
sensor_6,1547718205,15 -》2019-01-17 17:43:25
sensor_6,1547718210,15 -》2019-01-17 17:43:30
输出:
数据>>>> MonotonousWaterMark.WaterSensor(id=sensor_6, ts=1547718201, vc=15)
数据>>>> MonotonousWaterMark.WaterSensor(id=sensor_6, ts=1547718205, vc=15)
keysensor_6
数据为[MonotonousWaterMark.WaterSensor(id=sensor_6, ts=1547718201, vc=15)]
数据条数为1
(2019-01-17 17:43:20 - > 2019-01-17 17:43:25)
数据>>>> MonotonousWaterMark.WaterSensor(id=sensor_6, ts=1547718210, vc=15)
keysensor_6
数据为[MonotonousWaterMark.WaterSensor(id=sensor_6, ts=1547718205, vc=15)]
数据条数为1
窗口时间为1547718205000->1547718210000
(2019-01-17 17:43:25 - > 2019-01-17 17:43:30)
java
情况二:两种类别输入
sensor_1,1547718199,35 -》2019-01-17 17:43:19
sensor_6,1547718201,15 -》2019-01-17 17:43:21
sensor_6,1547718205,15 -》2019-01-17 17:43:25
sensor_6,1547718210,15 -》2019-01-17 17:43:30
输出:
数据>>>> MonotonousWaterMark.WaterSensor(id=sensor_1, ts=1547718199, vc=35)
数据>>>> MonotonousWaterMark.WaterSensor(id=sensor_6, ts=1547718201, vc=15)
数据>>>> MonotonousWaterMark.WaterSensor(id=sensor_6, ts=1547718205, vc=15)
keysensor_1
数据为[MonotonousWaterMark.WaterSensor(id=sensor_1, ts=1547718199, vc=35)]
数据条数为1
窗口时间为1547718195000->1547718200000
(2019-01-17 17:43:15 - > 2019-01-17 17:43:20)
keysensor_6
数据为[MonotonousWaterMark.WaterSensor(id=sensor_6, ts=1547718201, vc=15)]
数据条数为1
窗口时间为1547718200000->1547718205000
(2019-01-17 17:43:20 - > 2019-01-17 17:43:25)
数据>>>> MonotonousWaterMark.WaterSensor(id=sensor_6, ts=1547718210, vc=15)
keysensor_6
数据为[MonotonousWaterMark.WaterSensor(id=sensor_6, ts=1547718205, vc=15)]
数据条数为1
窗口时间为1547718205000->1547718210000
(2019-01-17 17:43:25 - > 2019-01-17 17:43:30)
总结:
- 1- 体现窗口左闭右开思想(即右端时间重合的数据不参与计算)
- 2- 有序数据的水印窗口标准开始时间 :时间戳(秒级)// 窗口长度 * 窗口长度 * 1000 (这里的整除可以去掉余数)
java
// 如果是秒级,而不是时间戳:
1)start = timestamp - (timestamp - offset + windowSize) % windowSize;
事件时间 - (事件时间 - 0 + 窗口大小)%窗口大小
时间戳按照窗口长度 取整数倍(以1970年1月1日0点为起点 => 伦敦时间)
2)end = start + size 开始时间 + 窗口长度
3)左闭右开: 属于本窗口的最大时间戳 = end -1ms , 所以时间为 end这条数据,不属于本窗口,所以是开区间
-
3- 有序数据的水印窗口标准结束时间 :标准开始时间 + 窗口长度
-
4- 此时水位线的变化和事件时间保持一致(因为是有序时间,就不需设置延迟,那么 t 就是 0。
watermark = maxtime - 0 = maxtime)
-
5- 环境并行度设置为 1,方便观察现象
-
6- flink 1.12 之前版本,需要指定事件时间,env.setStreamTimeCharacteristic(TimeCharacteristic.EventTime)
-
7- 转换时间戳时需要毫秒级别
-
8- window().getStart() 获取窗口标准开始时间,window().getEnd()获取窗口标准结束时间
-
9- spliterator().estimateSize() 获取窗口内数据条数
-
10- api版本区别:
- flink1.12之前:调用 assignTimestampAndwatermarks,new 一个 AscendingTimestampExtractor,重写方法获取时间戳
- flink1.12之后:调用 assignTimestampAndWatermarks,有序流回调本质周期水印策略
- WatermarkStrategy.forMonotonousTimestamps.withTimestampAssigner
- new 一个序列化 SerializableTimestampAssigner,重写方法获取时间戳
-
11- 应用场景:周期水印解决数据有序场景
(2) 乱序事件中的Watermark
例子:以 java bean 的数据输入作为乱序事件时间
java
package cn.itcast.day09.WaterMark;
/**
* @author lql
* @time 2024-03-02 15:20:38
* @description TODO:
*/
import lombok.AllArgsConstructor;
import lombok.Data;
import lombok.NoArgsConstructor;
import org.apache.flink.api.common.functions.MapFunction;
import org.apache.flink.streaming.api.TimeCharacteristic;
import org.apache.flink.streaming.api.datastream.SingleOutputStreamOperator;
import org.apache.flink.streaming.api.datastream.WindowedStream;
import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;
import org.apache.flink.streaming.api.functions.timestamps.BoundedOutOfOrdernessTimestampExtractor;
import org.apache.flink.streaming.api.functions.windowing.ProcessWindowFunction;
import org.apache.flink.streaming.api.windowing.assigners.TumblingEventTimeWindows;
import org.apache.flink.streaming.api.windowing.time.Time;
import org.apache.flink.streaming.api.windowing.windows.TimeWindow;
import org.apache.flink.util.Collector;
/**
* 使用固定延迟水印,解决数据乱序的场景(大多数情况都是乱序的数据,使用比较多)
* 需求:从socket接受数据,进行转换操作,然后应用窗口每隔5秒生成一个窗口,使用水印时间触发窗口计算
*
* 使用水印的前提:
* 1:数据必须要携带事件时间
* 2:指定事件时间作为数据处理的时间
* 3:指定并行度为1
* 4:使用之前版本的api的时候,需要增加时间类型的代码
*
* 测试数据:
* sensor_1,1547718199,35 -》2019-01-17 17:43:19
* sensor_6,1547718201,15 -》2019-01-17 17:43:21
* sensor_6,1547718205,15 -》2019-01-17 17:43:25
* sensor_6,1547718210,15 -》2019-01-17 17:43:30
*
* todo 固定延迟触发,根据事件时间-最大乱序时间-1得到水印,根据水印时间作为触发窗口的条件
* 触发窗口计算的两个条件:
* 1:时间达到窗口的endtime
* 2:窗口中存在数据
*/
public class OutOfOrdernessWaterMark {
public static void main(String[] args) throws Exception {
// todo 1) 设置流处理环境
StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
env.setParallelism(1);
env.setStreamTimeCharacteristic(TimeCharacteristic.EventTime);
// todo 2) 数据源
SingleOutputStreamOperator<WaterSensor> lines = env.socketTextStream("node1", 9999).map(new MapFunction<String, WaterSensor>() {
@Override
public WaterSensor map(String value) throws Exception {
String[] data = value.split(",");
return new WaterSensor(data[0], Long.valueOf(data[1]), Integer.parseInt(data[2]));
}
});
// todo 3) 设置水印
//flink1.12之前版本的api编写
SingleOutputStreamOperator<WaterSensor> waterMarkStream = lines.assignTimestampsAndWatermarks(new BoundedOutOfOrdernessTimestampExtractor<WaterSensor>(Time.seconds(3)) {
@Override
public long extractTimestamp(WaterSensor element) {
return element.getTs() * 1000L;
}
});
waterMarkStream.print("数据>>>");
//todo 4)应用窗口操作
WindowedStream<WaterSensor, String, TimeWindow> sensorWS = waterMarkStream.keyBy(t -> t.getId()).window(TumblingEventTimeWindows.of(Time.seconds(5)));
//todo 5) 自定义窗口
SingleOutputStreamOperator<String> result = sensorWS.process(new ProcessWindowFunction<WaterSensor, String, String, TimeWindow>() {
@Override
public void process(String s, Context context, Iterable<WaterSensor> elements, Collector<String> collector) throws Exception {
collector.collect("key: " + s + "\n" +
"数据为: " + elements + "\n" +
"条数为:" + elements.spliterator().estimateSize() + "\n" +
"时间窗口为:" + context.window().getStart() + "->" + context.window().getEnd() + "\n");
}
});
//todo 6) 打印操作
result.print();
//todo 7) 启动程序
env.execute();
}
/**
* 水位传感器,用来接受水位数据
*/
@Data
@AllArgsConstructor
@NoArgsConstructor
private static class WaterSensor {
private String id; //传感器id
private long ts; //时间
private Integer vc; //水位
}
}
注意:flink 1.12 版本之后的无序流添加固定延迟水印
java
SingleOutputStreamOperator<WaterSensor> waterMarkStream = lines
.assignTimestampsAndWatermarks(
// 固定延迟水印,是 Duration 类型
WatermarkStrategy<WaterSensor>forBoundedOutOfOrderness(Duration.ofSeconds(3))
.withTimestampAssigner(
new SerializableTimestampAssigner<WaterSensor>() {
@Override
public long extractTimestamp(WaterSensor waterSensor, long l) {
return waterSensor.getTs() * 1000L;
}}));
结果:
java
情况一:一种类别输入
sensor_6,1547718201,15 -》2019-01-17 17:43:21
sensor_6,1547718205,15 -》2019-01-17 17:43:25
sensor_6,1547718210,15 -》2019-01-17 17:43:30
输出:
数据>>>> OutOfOrdernessWaterMark.WaterSensor(id=sensor_6, ts=1547718201, vc=15)
数据>>>> OutOfOrdernessWaterMark.WaterSensor(id=sensor_6, ts=1547718205, vc=15)
数据>>>> OutOfOrdernessWaterMark.WaterSensor(id=sensor_6, ts=1547718210, vc=15)
key: sensor_6
数据为: [OutOfOrdernessWaterMark.WaterSensor(id=sensor_6, ts=1547718201, vc=15)]
条数为:1
时间窗口为:1547718200000->1547718205000
(2019-01-17 17:43:20 -> 2019-01-17 17:43:25)
总结:
-
1- 如果是有 key 类别的差异,触发窗口计算往往在 key 变化时,而不需要两个一样的 key 作为对照
-
2- 因为设置了延迟,在触发窗口范围的时候,事件时间 - 延迟时间 = 水印时间
- (例子中打印了 3 条数据,即第 3 条数据触发计算,第3条数据的水印时间的秒级:30 - 3 = 27 >= 窗口的 endTime)
- 窗口触发两个条件,一是水印时间达到窗口 endTime,二是窗口内有数据
-
3- api版本区别:
-
flink1.12之前:调用 assignTimestampAndWatermarks,new 一个 BoundedOutofOrdernessTimestampExtractor
注意设置
延迟时间
,重写方法获取事件时间 -
flink1.12之后:调用 assignTimestampAndWatermarks,有序流回调固定延迟水印策略
- WatermarkStrategy.forBoundedOutOfOrderness(
Duration
类型延迟时间).withTimestampAssigner - new 一个序列化 SerializableTimestampAssigner,重写方法获取时间戳
- WatermarkStrategy.forBoundedOutOfOrderness(
-
-
4- 应用场景:固定延迟水印解决数据乱序场景
(3) 并行数据流中的Watermark
对齐机制会取所有 Channel 中最小的 Watermark,即:
每个并行度中必须都有数据,且都满足触发窗口条件,才会有对齐机制
例子:将并行度设置为2,带有线程号
java
package cn.itcast.day09.WaterMark;
/**
* @author lql
* @time 2024-03-02 19:27:53
* @description TODO:多并行度下的水印操作演示
*/
import org.apache.flink.api.common.eventtime.*;
import org.apache.flink.api.common.functions.FilterFunction;
import org.apache.flink.api.common.functions.MapFunction;
import org.apache.flink.api.java.tuple.Tuple;
import org.apache.flink.api.java.tuple.Tuple2;
import org.apache.flink.streaming.api.datastream.SingleOutputStreamOperator;
import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;
import org.apache.flink.streaming.api.functions.windowing.WindowFunction;
import org.apache.flink.streaming.api.windowing.assigners.TumblingEventTimeWindows;
import org.apache.flink.streaming.api.windowing.time.Time;
import org.apache.flink.streaming.api.windowing.windows.TimeWindow;
import org.apache.flink.util.Collector;
import org.stringtemplate.v4.ST;
import java.text.SimpleDateFormat;
import java.util.ArrayList;
import java.util.Collections;
import java.util.Date;
import java.util.Iterator;
/**
* 测试数据:
* 并行度设置为2测试:
* hadoop,1626934802000 ->2021-07-22 14:20:02
* hadoop,1626934805000 ->2021-07-22 14:20:05
* hadoop,1626934806000 ->2021-07-22 14:20:06
*/
public class Watermark_Parallelism {
//定义打印数据的日期格式
final private static SimpleDateFormat sdf = new SimpleDateFormat("yyyy-MM-dd HH:mm:ss.SSS");
public static void main(String[] args) throws Exception {
// todo 1) 流式环境
StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
env.setParallelism(2);
// todo 2) 数据源
SingleOutputStreamOperator<Tuple2<String, Long>> tupleDataStream = env.socketTextStream("node1", 9999).map(new MapFunction<String, Tuple2<String, Long>>() {
@Override
public Tuple2<String, Long> map(String line) throws Exception {
try {
String[] array = line.split(",");
return Tuple2.of(array[0], Long.parseLong(array[1]));
} catch (NumberFormatException e) {
System.out.println("输入的数据格式不正确:" + line);
return Tuple2.of("null", 0L);
}
}
}).filter(new FilterFunction<Tuple2<String, Long>>() {
@Override
public boolean filter(Tuple2<String, Long> tuple) throws Exception {
if (!tuple.f0.equals("null") && tuple.f1 != 0L) {
return true;
}
return false;
}
});
// todo 3) 水印操作
SingleOutputStreamOperator<Tuple2<String, Long>> waterMarkDataStream = tupleDataStream.assignTimestampsAndWatermarks(
//TODO 自定义watermark生成器
WatermarkStrategy.forGenerator(new WatermarkGeneratorSupplier<Tuple2<String, Long>>() {
@Override
public WatermarkGenerator<Tuple2<String, Long>> createWatermarkGenerator(Context context) {
return new MyWatermarkGenerator<>();
}
}).withTimestampAssigner(new SerializableTimestampAssigner<Tuple2<String, Long>>() {
@Override
public long extractTimestamp(Tuple2<String, Long> element, long recordTimestamp) {
// 获取数据中的 eventTime
Long timestamp = element.f1;
// 定义字符串并打印
System.out.println("键值:" + element.f0 + ",线程号:" + Thread.currentThread().getId() + "," +
"事件时间:【" + sdf.format(timestamp) + "】");
return timestamp;
}
})
);
// todo 4) 分流和窗口
SingleOutputStreamOperator<String> result = waterMarkDataStream
.keyBy(0)
.window(TumblingEventTimeWindows.of(Time.seconds(5)))
.apply(new WindowFunction<Tuple2<String, Long>, String, Tuple, TimeWindow>() {
@Override
public void apply(Tuple tuple, TimeWindow window, Iterable<Tuple2<String, Long>> input, Collector<String> out) throws Exception {
//定义该窗口所有时间字段的集合对象
ArrayList<Long> timeArr = new ArrayList<>();
// 首先获取了输入数据流(input)的迭代器
Iterator<Tuple2<String, Long>> iterator = input.iterator();
while (iterator.hasNext()) {
Tuple2<String, Long> tuple2 = iterator.next();
timeArr.add(tuple2.f1);
}
//对保存到集合列表的时间进行排序
Collections.sort(timeArr);
//打印输出该窗口触发的所有数据
String outputData = "" +
"\n 键值:【" + tuple + "】" +
"\n 触发窗口数据的个数:【" + timeArr.size() + "】" +
"\n 触发窗口的数据:" + sdf.format(new Date(timeArr.get(timeArr.size() - 1))) +
"\n 窗口计算的开始时间和结束时间:" + sdf.format(new Date(window.getStart())) + "----->" +
sdf.format(new Date(window.getEnd()));
out.collect(outputData);
}
});
//TODO 6)打印测试
result.printToErr("触发窗口计算结果>>>");
//TODO 7)启动作业
env.execute();
}
public static class MyWatermarkGenerator<T> implements WatermarkGenerator<T>{
//定义变量,存储当前窗口中最大的时间戳
private long maxTimestamp = -1L;
/**
* 每条数据都会调用该方法
* @param event
* @param eventTimestamp
* @param output
*/
@Override
public void onEvent(T event, long eventTimestamp, WatermarkOutput output) {
//System.out.println("on Event...");
maxTimestamp = Math.max(maxTimestamp, eventTimestamp);
}
/***
* 周期性的执行,默认是200ms调用一次
* @param output
*/
@Override
public void onPeriodicEmit(WatermarkOutput output) {
//System.out.println("on Periodic..."+System.currentTimeMillis());
//发射watermark
output.emitWatermark(new Watermark(maxTimestamp -1L));
}
}
}
结果:
java
输入:
* hadoop,1626934802000 ->2021-07-22 14:20:02
* hadoop,1626934805000 ->2021-07-22 14:20:05
* hadoop,1626934806000 ->2021-07-22 14:20:06
输出:
键值:hadoop,线程号:68,事件时间:【2021-07-22 14:20:02.000】
键值:hadoop,线程号:69,事件时间:【2021-07-22 14:20:05.000】
键值:hadoop,线程号:68,事件时间:【2021-07-22 14:20:06.000】
触发窗口计算结果>>>:2>
键值:【(hadoop)】
触发窗口数据的个数:【1】
触发窗口的数据:2021-07-22 14:20:02.000
窗口计算的开始时间和结束时间:2021-07-22 14:20:00.000----->2021-07-22 14:20:05.000
总结:
- 1- 获取线程号:Thread.currentThread().getId()
- 2- 自定义日期格式:new SimpleDateFormat()
- 3- 看到 input 是 Iterate 类型,需要调用 iterator()方法转化为迭代对象,运用 while 循环结合 hashNext()边迭代边加入列表
- 4- Collections.sort(列表),可以对列表进行排序
(4) 自定义 Watermark
A. 周期性水印
java
package cn.itcast.day09.WaterMark;
/**
* @author lql
* @time 2024-03-02 17:07:17
* @description TODO
*/
import lombok.AllArgsConstructor;
import lombok.Data;
import lombok.NoArgsConstructor;
import org.apache.flink.api.common.eventtime.*;
import org.apache.flink.api.common.functions.MapFunction;
import org.apache.flink.streaming.api.datastream.KeyedStream;
import org.apache.flink.streaming.api.datastream.SingleOutputStreamOperator;
import org.apache.flink.streaming.api.datastream.WindowedStream;
import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;
import org.apache.flink.streaming.api.functions.windowing.ProcessWindowFunction;
import org.apache.flink.streaming.api.windowing.assigners.TumblingEventTimeWindows;
import org.apache.flink.streaming.api.windowing.time.Time;
import org.apache.flink.streaming.api.windowing.windows.TimeWindow;
import org.apache.flink.util.Collector;
/**
* 自定义周期性水印,内置水印:固定延迟水印和单调递增水印都是基于周期性水印开发的,默认是200ms生成一次watermark
*/
public class WaterMark_Periodic {
public static void main(String[] args) throws Exception {
// todo 1) 设置流处理环境
StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
env.setParallelism(1);
// todo 2) 数据源
SingleOutputStreamOperator<WaterSensor> lines = env.socketTextStream("node1", 9999).map(new MapFunction<String, WaterSensor>() {
@Override
public WaterSensor map(String value) throws Exception {
String[] data = value.split(",");
return new WaterSensor(data[0], Long.valueOf(data[1]), Integer.parseInt(data[2]));
}
});
// todo 3) 设置水印操作
SingleOutputStreamOperator<WaterSensor> sensorDS = lines.assignTimestampsAndWatermarks(WatermarkStrategy.forGenerator(
new WatermarkGeneratorSupplier<WaterSensor>() {
@Override
public WatermarkGenerator<WaterSensor> createWatermarkGenerator(Context context) {
return new MyWatermarkGenerator<>();
}
}).withTimestampAssigner(new SerializableTimestampAssigner<WaterSensor>() {
@Override
public long extractTimestamp(WaterSensor waterSensor, long l) {
return waterSensor.getTs() * 1000L;
}
}));
// todo 4) 分组
KeyedStream<WaterSensor, String> sensorKS = sensorDS.keyBy(t -> t.getId());
// todo 5) 开窗
WindowedStream<WaterSensor, String, TimeWindow> sensorWS = sensorKS.window(TumblingEventTimeWindows.of(Time.seconds(10)));
// todo 6) 自定义窗口
SingleOutputStreamOperator<String> result = sensorWS.process(new ProcessWindowFunction<WaterSensor, String, String, TimeWindow>() {
@Override
public void process(String s, Context context, Iterable<WaterSensor> iterable, Collector<String> out) throws Exception {
out.collect("key: " + s + "\n" +
"数据为: " + iterable + "\n" +
"条数为:" + iterable.spliterator().estimateSize() + "\n" +
"时间窗口为:" + context.window().getStart() + "->" + context.window().getEnd() + "\n");
}
});
// todo 7) 打印和启动
result.print();
env.execute();
}
/**
* 水位传感器,用来接受水位数据
*/
@Data
@AllArgsConstructor
@NoArgsConstructor
private static class WaterSensor {
private String id; //传感器id
private long ts; //时间
private Integer vc; //水位
}
private static class MyWatermarkGenerator<T> implements WatermarkGenerator<T> {
private long maxTimestamp = -1L;
/**
* 每条数据执行一次
* @param event
* @param eventTimestamp
* @param watermarkOutput
*/
@Override
public void onEvent(T event, long eventTimestamp, WatermarkOutput watermarkOutput) {
System.out.println("onEvent......");
maxTimestamp = Math.max(eventTimestamp, maxTimestamp);
}
/**
* 周期性执行一次
* @param watermarkOutput
*/
@Override
public void onPeriodicEmit(WatermarkOutput watermarkOutput) {
System.out.println("onPeriodicEmit......"+ +System.currentTimeMillis());
// 发生水印
watermarkOutput.emitWatermark(new Watermark(maxTimestamp));
}
}
}
结果:
java
onPeriodicEmit......1709376044007
onPeriodicEmit......1709376044214
onPeriodicEmit......1709376044415
onPeriodicEmit......1709376044631
onPeriodicEmit......1709376044834
总结:
- 1- 自定义水印:WatermarkStrategy.forGenerator(new WatermarkGeneratorSupplier)
- 重写方法,返回新的 Class<>()
- 继承 WatermarkGenerator ,重写两个方法,一个每条数据执行一次,一个周期执行一次(默认是200ms)
- 2- 更改执行周期:env.getConfig().setAutoWatermarkInterval(2000)
- 3- 调用易出错:forGenerate 有 withTimestampAssigner 方法
B. 间歇性水印:
- 在上述自定义周期性水印方法的 onEvent 中实现 onPeriodicEmit 中的生成水印代码即可实现
java
watermarkOutput.emitWatermark(new Watermark(maxTimestamp));
2.6 在数据源之后使用水印 (Kafka) [重点]
2.6.1 kafka 向指定分区写入数据
java
package cn.itcast.day09.watermark.kafka;
import org.apache.kafka.clients.producer.KafkaProducer;
import org.apache.kafka.clients.producer.ProducerConfig;
import org.apache.kafka.clients.producer.ProducerRecord;
import org.apache.kafka.common.internals.Topic;
import java.util.Properties;
/**
* kafka生产者工具类,模拟数据的生成,将数据写入到指定的分区中
*
* 第一个分区写入:1000,hadoop、7000,hadoop-》没有触发窗口计算
* 第二个分区写入:7000,flink -》触发了窗口计算
*/
public class KafkaMock {
private final KafkaProducer<String, String> producer;
public final static String TOPIC = "test3";
private KafkaMock(){
Properties props = new Properties();
props.put(ProducerConfig.BOOTSTRAP_SERVERS_CONFIG, "node01:9092");
props.put(ProducerConfig.ACKS_CONFIG, "all");
props.put(ProducerConfig.RETRIES_CONFIG, 0);
props.put(ProducerConfig.KEY_SERIALIZER_CLASS_CONFIG, "org.apache.kafka.common.serialization.StringSerializer");
props.put(ProducerConfig.VALUE_SERIALIZER_CLASS_CONFIG, "org.apache.kafka.common.serialization.StringSerializer");
producer = new KafkaProducer<String, String>(props);
}
public void producer(){
long timestamp = 1000;
String value = "hadoop";
String key = String.valueOf(value);
String data = String.format("%s,%s", timestamp, value);
producer.send(new ProducerRecord<String, String>(TOPIC, 1, key, data));
producer.close();
}
public static void main(String[] args) {
new KafkaMock().producer();
}
}
2.6.2 水印机制消费 kafak 数据
java
package cn.itcast.day09.watermark.kafka;
import org.apache.flink.api.common.eventtime.TimestampAssigner;
import org.apache.flink.api.common.eventtime.TimestampAssignerSupplier;
import org.apache.flink.api.common.eventtime.WatermarkStrategy;
import org.apache.flink.api.common.functions.FlatMapFunction;
import org.apache.flink.api.common.functions.MapFunction;
import org.apache.flink.api.common.serialization.SimpleStringSchema;
import org.apache.flink.api.java.tuple.Tuple2;
import org.apache.flink.configuration.Configuration;
import org.apache.flink.streaming.api.datastream.DataStreamSource;
import org.apache.flink.streaming.api.datastream.KeyedStream;
import org.apache.flink.streaming.api.datastream.SingleOutputStreamOperator;
import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;
import org.apache.flink.streaming.api.functions.windowing.ProcessWindowFunction;
import org.apache.flink.streaming.api.windowing.assigners.TumblingEventTimeWindows;
import org.apache.flink.streaming.api.windowing.time.Time;
import org.apache.flink.streaming.api.windowing.windows.TimeWindow;
import org.apache.flink.streaming.connectors.kafka.FlinkKafkaConsumer;
import org.apache.flink.streaming.connectors.kafka.FlinkKafkaConsumerBase;
import org.apache.flink.util.Collector;
import org.apache.kafka.clients.consumer.ConsumerConfig;
import scala.collection.convert.Wrappers;
import java.time.Duration;
import java.util.Iterator;
import java.util.Properties;
import java.util.concurrent.TimeUnit;
/**
* 使用水印消费kafka里面的数据
*/
public class WatermarkTest {
public static void main(String[] args) throws Exception {
//todo 1)初始化flink流处理环境
Configuration configuration = new Configuration();
configuration.setInteger("rest.port", 8081);//设置webui的端口号
StreamExecutionEnvironment env = StreamExecutionEnvironment.createLocalEnvironmentWithWebUI(configuration);
env.setParallelism(2);
env.enableCheckpointing(5000);
//todo 2)接入数据源
//指定topic的名称
String topicName = "test3";
//实例化kafkaConsumer对象
Properties props = new Properties();
props.setProperty(ConsumerConfig.BOOTSTRAP_SERVERS_CONFIG, "node01:9092");
props.setProperty(ConsumerConfig.GROUP_ID_CONFIG, "test001");
props.setProperty(ConsumerConfig.AUTO_OFFSET_RESET_CONFIG, "latest");
props.setProperty(ConsumerConfig.ENABLE_AUTO_COMMIT_CONFIG, "true");
props.setProperty(ConsumerConfig.AUTO_COMMIT_INTERVAL_MS_CONFIG, "2000");
props.setProperty("flink.partition-discovery.interval-millis", "5000");//开启一个后台线程每隔5s检测一次kafka的分区情况
FlinkKafkaConsumer<String> kafkaSource = new FlinkKafkaConsumer<String>(topicName, new SimpleStringSchema(), props);
kafkaSource.setCommitOffsetsOnCheckpoints(true);//todo 在开启checkpoint以后,offset的递交会随着checkpoint的成功而递交,从而实现一致性语义,默认就是true
DataStreamSource<String> kafkaDS = env.addSource(kafkaSource);
//在数据源上添加水印
SingleOutputStreamOperator<String> watermarkStream = kafkaDS.assignTimestampsAndWatermarks(
WatermarkStrategy.<String>forBoundedOutOfOrderness(Duration.ofSeconds(2))
.withTimestampAssigner(new TimestampAssignerSupplier<String>() {
@Override
public TimestampAssigner<String> createTimestampAssigner(Context context) {
return new TimestampAssigner<String>() {
@Override
public long extractTimestamp(String element, long recordTimestamp) {
return Long.parseLong(element.split(",")[0]);
}
};
}
}).withIdleness(Duration.ofSeconds(60))
);
//todo 3)单词计数操作
SingleOutputStreamOperator<Tuple2<String, Long>> wordAndOne = watermarkStream.map(new MapFunction<String, Tuple2<String, Long>>() {
@Override
public Tuple2<String, Long> map(String value) throws Exception {
return new Tuple2<String, Long>(value.split(",")[1], 1L);
}
});
//todo 4)单词分组操作
wordAndOne.keyBy(x-> x.f0).window(TumblingEventTimeWindows.of(Time.of(5, TimeUnit.SECONDS))).process(
new ProcessWindowFunction<Tuple2<String, Long>, String, String, TimeWindow>() {
@Override
public void process(String s, Context context, Iterable<Tuple2<String, Long>> elements, Collector<String> out) throws Exception {
long sum = 0L;
Iterator<Tuple2<String, Long>> iterator = elements.iterator();
while (iterator.hasNext()){
Tuple2<String, Long> tuple2 = iterator.next();
System.out.println(tuple2.f0);
sum += tuple2.f1;
}
out.collect(s + ","+sum);
}
}
).print();
env.execute();
//todo 6)启动作业
env.execute();
}
}
结果1:没加 withIdleness
java
输入:
* 第一个分区写入:1000,hadoop、7000,hadoop-》没有触发窗口计算
* 第二个分区写入:7000,flink -》触发了窗口计算
结果2:加上 withIdleness
java
输入:
* 第一个分区写入:1000,hadoop、7000,hadoop-》30s 后触发窗口计算
结论:
- 1- 当某一个分区的触发机制达到的时候,其他的分区触发机制迟迟未触发的时候,无法触发机制
- 2- withIdleness(Duration.ofSeconds(30)),允许 30s 等待其他分区触发计算,如果还没有触发,直接计算该分区
- 3- 工作中一般设置 1 - 10分钟
- 4- kafka 数据源添加水印,withTimestampAssigner 需要 new 一个 TimestampAssignerSupplier (第一次出现)
2.7 Flink 对严重迟到数据的处理
例子:延迟数据处理机制设计
java
package cn.itcast.day09.WaterMark;
/**
* @author lql
* @time 2024-03-03 13:11:44
* @description TODO
*/
import org.apache.flink.api.common.eventtime.SerializableTimestampAssigner;
import org.apache.flink.api.common.eventtime.WatermarkStrategy;
import org.apache.flink.api.common.functions.MapFunction;
import org.apache.flink.api.common.typeinfo.TypeHint;
import org.apache.flink.api.common.typeinfo.TypeInformation;
import org.apache.flink.api.java.tuple.Tuple2;
import org.apache.flink.streaming.api.datastream.DataStream;
import org.apache.flink.streaming.api.datastream.DataStreamSource;
import org.apache.flink.streaming.api.datastream.SingleOutputStreamOperator;
import org.apache.flink.streaming.api.datastream.WindowedStream;
import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;
import org.apache.flink.streaming.api.functions.windowing.WindowFunction;
import org.apache.flink.streaming.api.windowing.assigners.TumblingEventTimeWindows;
import org.apache.flink.streaming.api.windowing.time.Time;
import org.apache.flink.streaming.api.windowing.windows.TimeWindow;
import org.apache.flink.util.Collector;
import org.apache.flink.util.OutputTag;
import java.time.Duration;
/**
* flink默认情况下会将迟到的数据丢弃,但是对于绝大多数的业务中是不允许删除迟到数据的,因此可以使用flink的延迟数据处理机制进行数据的获取并处理
*/
public class LatenessDataDemo {
public static void main(String[] args) throws Exception {
// 设置环境
StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
env.setParallelism(1);
// 数据源
DataStreamSource<String> lines = env.socketTextStream("node1", 9999);
SingleOutputStreamOperator<Tuple2<String, Long>> wordAndOne = lines.map(new MapFunction<String, Tuple2<String, Long>>() {
@Override
public Tuple2<String, Long> map(String value) throws Exception {
String[] data = value.split(",");
return new Tuple2<String, Long>(data[0], Long.parseLong(data[1]));
}
});
// 水印操作 -> 水印3秒
SingleOutputStreamOperator<Tuple2<String, Long>> watermarkStream = wordAndOne.assignTimestampsAndWatermarks(
WatermarkStrategy.<Tuple2<String, Long>>forBoundedOutOfOrderness(Duration.ofSeconds(3))
.withTimestampAssigner(new SerializableTimestampAssigner<Tuple2<String, Long>>() {
@Override
public long extractTimestamp(Tuple2<String, Long> element, long recordTimestamp) {
// 报错地方:因为我们的数据源已经是毫秒级别了,就不需要转换 *1000L哦!
return element.f1;
}
})
);
// 窗口操作 -> 5秒窗口
// todo 1. 设置允许延迟的时间是通过allowedLateness(lateness: Time)设置
WindowedStream<Tuple2<String, Long>, String, TimeWindow> windowStream = watermarkStream
.keyBy(t -> t.f0)
.window(TumblingEventTimeWindows.of(Time.seconds(5)))
.allowedLateness(Time.seconds(2));
// todo 2.初始化延迟到达的数据对象
OutputTag<Tuple2<String,Long>> outputTag = new OutputTag<>(
"side output",
TypeInformation.of(new TypeHint<Tuple2<String, Long>>() {})
);
// todo 3.保存延迟到达的数据
WindowedStream<Tuple2<String, Long>, String, TimeWindow> sideOutputLateData = windowStream.sideOutputLateData(outputTag);
// 数据聚合
SingleOutputStreamOperator<Tuple2<String, Long>> result = sideOutputLateData.apply(new WindowFunction<Tuple2<String, Long>, Tuple2<String, Long>, String, TimeWindow>() {
@Override
public void apply(String s, TimeWindow window, Iterable<Tuple2<String, Long>> input, Collector<Tuple2<String, Long>> out) throws Exception {
String key = null;
Long counter = 0L;
for (Tuple2<String, Long> element : input) {
key = element.f0;
counter += 1;
}
out.collect(Tuple2.of(key, counter));
}
});
result.print("正常到达的数据>>>");
// todo 4.获取延迟到达的数据
DataStream<Tuple2<String, Long>> sideOutput = result.getSideOutput(outputTag);
sideOutput.printToErr("延迟到达的数据>>>");
env.execute();
}
}
结果:
java
/*
* 每5s一个窗口,水印:3s,延迟等待:2s
* 测试数据:
* hadoop,1626936202000 -> 2021-07-22 14:43:22 第一个窗口的数据
* hadoop,1626936207000 -> 2021-07-22 14:43:27 因为设置了水印,所以不会触发窗口计算
* hadoop,1626936202000 -> 2021-07-22 14:43:22 第一个窗口的数据
* hadoop,1626936203000 -> 2021-07-22 14:43:23 第一个窗口的数据
* hadoop,1626936208000 -> 2021-07-22 14:43:28 触发了窗口计算(hadoop,3),水印时间满足窗口endtime
*
* ====================事件时间 28 秒 -> 水印时间 25 秒 刚好临界 endtime =======================
* ===============延迟 2s 等待机制:延迟到事件时间 30s 即 水印时间 27s 关闭第一个窗口===============
*
* 第一个窗口时间 2021-07-22 14:43:20 -> 2021-07-22 14:43:25
*
* hadoop,1626936202000 -> 2021-07-22 14:43:22 已经触发过计算的窗口再次有新数据到达,(hadoop,4)(数据重复计算)
* hadoop,1626936203000 -> 2021-07-22 14:43:23 已经触发过计算的窗口再次有新数据到达,(hadoop,5)
* hadoop,1626936209000 -> 2021-07-22 14:43:29 虽然 水印时间达到endtime,但是窗口里面没有新数据,不触发计算
* hadoop,1626936202000 -> 2020-07-22 14:43:22 已经触发过计算的窗口再次有新数据到达,(hadoop,6)
* hadoop,1626936210000 -> 2021-07-22 14:43:30 满足了窗口销毁的条件,开始专注于第二个新窗口
*
* 第二个窗口时间 2021-07-22 14:43:25 -> 2021-07-22 14:43:30
*
* ====================事件时间 33 秒 -> 水印时间 30 秒 刚好临界 endtime ====================================
* * ===============延迟 2s 等待机制:延迟到事件时间 35s 即 水印时间 32s 关闭第二个窗口===============
*
* hadoop,1626936202000 -> 2021-07-22 14:43:22 打印迟到数据,(hadoop,1626936202000)
* hadoop,1626936215000 -> 2021-07-22 14:43:35 达到水印时间触发窗口计算:(hadoop,3),之前27,28,29秒的数据
*/
总结:
-
1- 设计允许迟到数据时间:
在水印策略后面加上:allowedLateness(Times.seconds())
-
2- 初始化迟到的数据对象:
new OutputTag<>(id名字,TypeInformation.of(new TypeHint<迟到数据类型>(){ }))
-
3- 保存延迟到达迟到数据:
窗口流.sideOutputLateData(初始化对象)
-
4- 获取延迟到达迟到数据:
结果流.getSideOutput(初始化对象)
-
5- 测输出流是之前 Window Function API 中的重要算子
OutputTag(注意复习!)
思考:
-
allowedLateness(Times.seconds) 设计允许迟到时间和
withIdleness(Duration.ofSeconds(30)) 设计允许等待触发时间有什么不同呢?
回答:
- (1) 从概念上看,allowedLateness 是延迟窗口关闭,不影响触发时间,而 withIdleness 等待分区一段时间,等不到就触发
- (2) 从应用来看,allowedLateness 适用于车联网入隧道一段时间没上报数据等待数据,而 withIdleness 适用于分区木桶原理等待数据,等不到数据就单独分区触发计算。