Flink中的Window

Flink中的Window

1 概述：

streaming流式计算是一种被设计用于处理无限数据集的数据处理引擎，无限数据集是指一种不断增长的本质上无限的数据集，而window是一种切割无限数据为有限块进行处理的手段。
Window是无限数据流处理的核心，Window将一个无限的stream拆分成有限大小的“buckets”桶，我们可以在这些桶上做计算操作。

2 Window类型

Window可以分成两类：

• ① CountWindow：按照指定的数据条数生成一个Window，与时间无关。
• ② TimeWindow：按照时间生成Window。
  对于TimeWindow，可以根据窗口实现原理的不同分成三类：滚动窗口（Tumbling Window）、滑动窗口（Sliding Window）和会话窗口（Session Window）。
• 滚动窗口（Tumbling Windows）
  将数据依据固定的窗口长度对数据进行切片。
  特点：时间对齐，窗口长度固定，没有重叠。
  滚动窗口分配器将每个元素分配到一个指定窗口大小的窗口中，滚动窗口有一个固定的大小，并且不会出现重叠。例如：如果你指定了一个5分钟大小的滚动窗口，窗口的创建如下图所示：
  
  适用场景：适合做BI统计等（做每个时间段的聚合计算）。
• 滑动窗口（Sliding Windows）
  滑动窗口是固定窗口的更广义的一种形式，滑动窗口由固定的窗口长度和滑动间隔组成。
  特点：时间对齐，窗口长度固定，可以有重叠。
  滑动窗口分配器将元素分配到固定长度的窗口中，与滚动窗口类似，窗口的大小由窗口大小参数来配置，另一个窗口滑动参数控制滑动窗口开始的频率。因此，滑动窗口如果滑动参数小于窗口大小的话，窗口是可以重叠的，在这种情况下元素会被分配到多个窗口中。
  例如，你有10分钟的窗口和5分钟的滑动，那么每个窗口中5分钟的窗口里包含着上个10分钟产生的数据，如下图所示：
  
  适用场景：对最近一个时间段内的统计（求某接口最近5min的失败率来决定是否要报警）。
• 会话窗口（Session Windows）
  由一系列事件组合一个指定时间长度的timeout间隙组成，类似于web应用的session，也就是一段时间没有接收到新数据就会生成新的窗口。
  特点：时间无对齐。
  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，相反，当它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，那个这个窗口就会关闭。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。
  

3 Window API

• TimeWindow
  TimeWindow是将指定时间范围内的所有数据组成一个window，一次对一个window里面的所有数据进行计算。

1. 滚动窗口
   Flink默认的时间窗口根据Processing Time 进行窗口的划分，将Flink获取到的数据根据进入Flink的时间划分到不同的窗口中。

val minTempPerWindow = dataStream
  .map(r => (r.id, r.temperature))
  .keyBy(_._1)
  .timeWindow(Time.seconds(15))
  .reduce((r1, r2) => (r1._1, r1._2.min(r2._2)))

时间间隔可以通过Time.milliseconds(x)，Time.seconds(x)，Time.minutes(x)等其中的一个来指定。

2. 滑动窗口（SlidingEventTimeWindows）
   滑动窗口和滚动窗口的函数名是完全一致的，只是在传参数时需要传入两个参数，一个是window_size，一个是sliding_size。
   下面代码中的sliding_size设置为了5s，也就是说，每5s就计算输出结果一次，每一次计算的window范围是15s内的所有元素。

val minTempPerWindow: DataStream[(String, Double)] = dataStream
  .map(r => (r.id, r.temperature))
  .keyBy(_._1)
  .timeWindow(Time.seconds(15), Time.seconds(5))
  .reduce((r1, r2) => (r1._1, r1._2.min(r2._2)))

// .window(SlidingEventTimeWindows.of(Time.seconds(15),Time.seconds(5))

时间间隔可以通过Time.milliseconds(x)，Time.seconds(x)，Time.minutes(x)等其中的一个来指定。

• CountWindow
  CountWindow根据窗口中相同key元素的数量来触发执行，执行时只计算元素数量达到窗口大小的key对应的结果。
  注意：CountWindow的window_size指的是相同Key的元素的个数，不是输入的所有元素的总数。

1. 滚动窗口
   默认的CountWindow是一个滚动窗口，只需要指定窗口大小即可，当元素数量达到窗口大小时，就会触发窗口的执行。

val minTempPerWindow: DataStream[(String, Double)] = dataStream
  .map(r => (r.id, r.temperature))
  .keyBy(_._1)
  .countWindow(5)
  .reduce((r1, r2) => (r1._1, r1._2.max(r2._2)))

2. 滑动窗口
   滑动窗口和滚动窗口的函数名是完全一致的，只是在传参数时需要传入两个参数，一个是window_size，一个是sliding_size。
   下面代码中的sliding_size设置为了2，也就是说，每收到两个相同key的数据就计算一次，每一次计算的window范围是10个元素。

val keyedStream: KeyedStream[(String, Int), Tuple] = dataStream.map(r => (r.id, r.temperature)).keyBy(0)
//每当某一个key的个数达到2的时候,触发计算，计算最近该key最近10个元素的内容
val windowedStream: WindowedStream[(String, Int), Tuple, GlobalWindow] = keyedStream.countWindow(10,2)
val sumDstream: DataStream[(String, Int)] = windowedStream.sum(1)

• 会话窗口
  

• window function
  前面只是对窗口进行了定义，并没有处理数据。窗口函数就是处理WindowStream数据的，结果会转换成DataStream。

window function 定义了要对窗口中收集的数据做的计算操作，主要可以分为两类：
 增量聚合函数（incremental aggregation functions）
每条数据到来就进行计算，保持一个简单的状态。等到窗口中的所有数据聚合完成的时候，再输出结果。效率高，延时低。
典型的增量聚合函数有，ReduceFunction, AggregateFunction。
 全窗口函数（full window functions）
先把窗口所有数据收集起来（到桶里），等到计算的时候会遍历所有数据，并输出结果。
WindowFunction，ProcessWindowFunction就是全窗口函数。

• 其它可选API
   .trigger() —— 触发器
  定义 window 什么时候关闭，触发计算并输出结果

 .evitor() —— 移除器
定义移除某些数据不参与计算的逻辑

 .allowedLateness() —— 允许处理迟到的数据，叠加到已经计算的结果上。即窗口结果计算完成后，先不关闭，等到迟到时间到了，再叠加上迟到的数据到计算结果，然后关窗口。

 .sideOutputLateData() —— 将迟到的数据放入侧输出流，时间窗口已经关闭，但是仍有迟到的数据，那么把迟到的数据和相应窗口的侧输出流数据做另外计算。

 .getSideOutput() —— 获取侧输出流