Flink 窗口
文章目录
相关博客:
一、Window
1.1 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,而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。
比如:假设按照时间段划分桶,接收到的数据马上能判断放到哪个桶,且多个桶的数据能并行被处理。(迟到的数据也可判断是原本属于哪个桶的)
1.2 Window 类型
window有两大类型:
- 时间窗口(Time Window)
- 滚动时间窗口
- 滑动事件窗口
- 会话窗口
- 计数窗口(Count Window)
- 滚动计数窗口
- 滑动计数窗口
TimeWindow:按照时间生成Window。
CountWindow:按照指定的数据条数成成一个window,与时间无关。
滚动窗口(Tumbling Windows)
滚动时间窗口,按照固定的窗口长度对数据进行切分的。
时间对齐,窗口长度固定,没有重叠。
滑动窗口(Sliding Windows)
可以按照固定的长度向后滑动固定的距离。
滑动窗口由固定窗口长度和滑动间隔组成。
可以有重叠,是否重叠和滑动距离有关系。
滑动窗口是滚动窗口的更广义的一种形式,滚动窗口可以看做是滑动窗口的一种特殊情况,窗口大小和滑动间隔相等。
会话窗口(Session Windows)
由一系列事件组合一个指定事件长度的timeout间隙组成,也就是一段时间没有接受到新的数据就会产生新的窗口。
会话窗口的特点是:时间无对齐。
二、Window API
2.1 概述
Flink中使用窗口分配器,window()
方法,来定义一个窗口,然后可以基于这个窗口去做一些聚合或者其他处理操作。
需要注意的是,**window()
方法必须分组之后才能使用,也就是在KeyBy之后。**
Flink除了window方法可以设置窗口,还提供了简单的timeWindow()
和countWindow()
方法,用于定义时间窗口和计数窗口。
DataStream<Tuple2<String,Double>> minTempPerWindowStream =
datastream
.map(new MyMapper())
.keyBy(data -> data.f0) // 分组
.timeWindow(Time.seconds(15)) // 定义15s的滚动窗口
.minBy(1);
窗口分配器(Window Assigner)
window()
方法接收的输入参数是一个WindowAssigner。
WindowAssigner负责将每一条数据分发到正确的Window中。
Flink提供了通用的WindowAssigner
- 滚动窗口(tumbling window)
- 滑动窗口(sliding window)
- 会话窗口(session window)
- 全局窗口(global window)
创建不同类型的窗口
- 滚动时间窗口
- timeWindow(Time.seconds(15))
- 滑动时间窗口
- timeWindow(Time.seconds(15), Time.seconds(5))
- 会话窗口
- window(EventTimeSessionWindow.withGap(Time.minutes(10)))
- 滚动计数窗口
- countWindow(10)
- 滑动计数窗口
- countWindow(10, 2)
DataStream的windowAll()
类似分区的global操作,这个操作是non-parallel的(并行度强行为1),所有的数据都会被传递到同一个算子operator上,官方建议如果非必要就不要用这个API
2.2 TimeWindow
TimeWindow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。
滚动时间窗口
Flink默认的时间窗口根据**ProcessingTime(当前时间)**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。
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。
DataStream<Tuple2<String, Double>> minTempPerWindowStream = dataStream
.map(new MapFunction<SensorReading, Tuple2<String, Double>>() {
@Override
public Tuple2<String, Double> map(SensorReading value) throws Exception {
return new Tuple2<>(value.getId(), value.getTemperature());
}
})
.keyBy(data -> data.f0)
.timeWindow( Time.seconds(15) )
.minBy(1);
滑动时间窗口
滑动窗口的滚动窗口,只是在传参数时需要传入两个参数,一个是window_size窗口大小,一个是sliding_size滑动大小。
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。
DataStream<SensorReading> minTempPerWindowStream = dataStream
.keyBy(SensorReading::getId)
.timeWindow( Time.seconds(15), Time.seconds(5) )
.minBy("temperature");
2.3 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的元素个数,不是输入的所有元素的总数。
滚动计数窗口
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。
DataStream<SensorReading> minTempPerWindowStream = dataStream
.keyBy(SensorReading::getId)
.**countWindow( 5 )**
.minBy("temperature");
滑动计数窗口
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。
DataStream<SensorReading> minTempPerWindowStream = dataStream
.keyBy(SensorReading::getId)
.countWindow( 10, 2 )
.minBy("temperature");
2.4 window function
window function 定义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)
- 全窗口函数(full window functions)
增量聚合函数
每条数据到来就进行计算,保持一个简单的状态。(来一条处理一条,但是不输出,到窗口临界位置才输出)
典型的增量聚合函数有ReduceFunction, AggregateFunction。
全窗口函数
先把窗口所有数据收集起来,等到计算的时候会遍历所有数据。(来一个放一个,窗口临界位置才遍历且计算、输出)
ProcessWindowFunction,WindowFunction
这两个有什么区别,全窗口函数可以看作触发器是定时的,达到一定时间/一定数量时,执行函数。增量聚合函数可以看作有一个累计的过程,达到窗口临界位置时,输出累计结果。
2.5 其他可选 API
相关博客:
Flink-Window概述 | Window类型 | TimeWindow、CountWindow、SessionWindow、WindowFunction
-
.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的逻辑
-
.allowedLateness()
——允许处理迟到的数据 -
.sideOutputLateData()
——将迟到的数据放入侧输出流 -
.getSideOutput()
——获取侧输出流
2.6 测试代码
相关博客:
测试滚动计算窗口的增量聚合函数
package com.root.window;
import com.root.SensorReading;
import org.apache.flink.api.common.functions.AggregateFunction;
import org.apache.flink.api.java.tuple.Tuple2;
import org.apache.flink.streaming.api.datastream.DataStreamSource;
import org.apache.flink.streaming.api.datastream.SingleOutputStreamOperator;
import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;
/**
* @author Kewei
* @Date 2022/3/6 12:24
*/
public class WindowTest1_Count {
public static void main(String[] args) throws Exception {
StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
env.setParallelism(1);
DataStreamSource<String> inputStream = env.socketTextStream("localhost", 7777);
SingleOutputStreamOperator<SensorReading> dataStream = inputStream.map(line -> {
String[] fields = line.split(",");
return new SensorReading(fields[0], new Long(fields[1]), new Double(fields[2]));
});
// 先分组后定制滑动计数窗口,对每个窗口进行增量聚合,求出平均值
SingleOutputStreamOperator<Double> resultStream = dataStream.keyBy("id")
.countWindow(10, 2)
.aggregate(new MyAvgFun());
resultStream.print();
env.execute();
}
// 创建一个聚合类实现AggregateFunction<input, output>接口
/**
* 需要实现四个函数:
* createAccumulator : 初始化累加器
* add : 同分区累加数据
* merge : 不同分区累计器聚合
* getResult : 返回累加器结果,可以做一些运算
*/
public static class MyAvgFun implements AggregateFunction<SensorReading, Tuple2<Double, Integer>, Double>{
@Override
public Tuple2<Double, Integer> createAccumulator() {
return new Tuple2<>(0.0, 0);
}
@Override
public Tuple2<Double, Integer> add(SensorReading value, Tuple2<Double, Integer> acc) {
return new Tuple2<>(acc.f0 + value.getTemperature(),acc.f1+1);
}
@Override
public Double getResult(Tuple2<Double, Integer> acc) {
return acc.f0/acc.f1;
}
@Override
public Tuple2<Double, Integer> merge(Tuple2<Double, Integer> acc1, Tuple2<Double, Integer> acc2) {
return new Tuple2<>(acc1.f0+acc2.f0,acc1.f1+acc2.f1);
}
}
}
其他可选API代码片段
// 3. 其他可选API
OutputTag<SensorReading> outputTag = new OutputTag<SensorReading>("late") {
};
SingleOutputStreamOperator<SensorReading> sumStream = dataStream.keyBy("id")
.timeWindow(Time.seconds(15))
// .trigger() // 触发器,一般不使用
// .evictor() // 移除器,一般不使用
.allowedLateness(Time.minutes(1)) // 允许1分钟内的迟到数据<=比如数据产生时间在窗口范围内,但是要处理的时候已经超过窗口时间了
.sideOutputLateData(outputTag) // 侧输出流,迟到超过1分钟的数据,收集于此
.sum("temperature"); // 侧输出流 对 温度信息 求和。
// 之后可以再用别的程序,把侧输出流的信息和前面窗口的信息聚合。(可以把侧输出流理解为用来批处理来补救处理超时数据)