本章主要针对Flink Time中的Event Time、Ingestion Time、Processing Time以及Watermark进行详细讲解。
1 Time
Stream数据中的Time(时间)分为以下3种。
- Event Time:事件产生的时间,它通常由事件中的时间戳描述。
- Ingestion Time:事件进入Flink的时间。
- Processing Time:事件被处理时当前系统的时间。
这几种时间的对应关系如图1所示。
图1 Flink中的3种Time之间的关系
假设原始日志如下。
2019-01-10 10:00:01,134 INFO executor.Executor: Finished task in state 0.0
这条数据进入Flink的时间是2019-01-10 20:00:00,102。
到达Window处理的时间为2019-01-10 20:00:01,100。
如果我们想要统计每分钟内接口调用失败的错误日志个数,使用哪个时间才有意义?因为数据有可能出现延迟,所以使用数据进入Flink的时间或者Window处理的时间,其实是没有意义的,此时使用原始日志中的时间才是有意义的,那才是数据产生的时间。
我们在Flink的Stream程序中处理数据时,默认使用的是哪个时间呢?如何修改呢?默认情况下,Flink在Stream程序中处理数据使用的时间是ProcessingTime,想要修改使用时间可以使用setStreamTimeCharacteristic(),代码如图2所示。
2 Flink如何处理乱序数据
在使用EventTime处理Stream数据的时候会遇到数据乱序的问题,流处理从Event(事件)产生,流经Source,再到Operator,这中间需要一定的时间。虽然大部分情况下,传输到Operator的数据都是按照事件产生的时间顺序来的,但是也不排除由于网络延迟等原因而导致乱序的产生,特别是使用Kafka的时候,多个分区之间的数据无法保证有序。因此,在进行Window计算的时候,不能无限期地等下去,必须要有个机制来保证在特定的时间后,必须触发Window进行计算,这个特别的机制就是Watermark。Watermark是用于处理乱序事件的。
2.1 Watermark
Watermark可以翻译为水位线,有3种应用场景。
- 有序的Stream中的Watermark,如图3所示。
- 多并行度Stream中的Watermark,如图5所示。
2.2 Watermark的生成方式
通常情况下,在接收到Source的数据后,应该立刻生成Watermark,但是也可以在应用简单的Map或者Filter操作后再生成Watermark。
注意:如果指定多次Watermark,后面指定的值会覆盖前面的值。
Watermark的生成方式有两种。
1.With Periodic Watermarks
- 周期性地触发Watermark的生成和发送,默认是100ms。
- 每隔N秒自动向流里注入一个Watermark,时间间隔由ExecutionConfig.setAutoWatermarkInterval决定。每次调用getCurrentWatermark方法,如果得到的Watermark不为空并且比之前的大,就注入流中。
- 可以定义一个最大允许乱序的时间,这种比较常用。
- 实现AssignerWithPeriodicWatermarks接口。
2.With Punctuated Watermarks
- 基于某些事件触发Watermark的生成和发送。
- 基于事件向流里注入一个Watermark,每一个元素都有机会判断是否生成一个Watermark。如果得到的Watermark不为空并且比之前的大,就注入流中。
- 实现AssignerWithPunctuatedWatermarks接口。
第1种方式比较常用,所以在这里我们使用第1种方式进行分析。
参考官网文档中With Periodic Watermarks的使用方法,如图6所示。
图6 With Periodic Watermarks的使用
图6所示代码中的extractTimestamp方法是从数据本身中提取EventTime。getCurrentWatermar方法是获取当前水位线,利用currentMaxTimestamp - maxOutOfOrderness。maxOutOfOrderness表示是允许数据的最大乱序时间。
在这里也需要实现接口AssignerWithPeriodicWatermarks,参考代码如图7所示。
3 EventTime+Watermark解决乱序数据的案例详解
3.1 实现Watermark的相关代码
首先通过Socket模拟接收数据,然后使用map函数进行处理,接着调用assignTimestampsAnd-Watermarks方法抽取timestamp并生成Watermark,最后调用Window打印信息来验证Window被触发的时机。
package xuwei.tech.streaming.streamApiDemo;
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.TimeCharacteristic;
import org.apache.Flink.streaming.api.DataStream.DataStream;
import org.apache.Flink.streaming.api.environment.StreamExecutionEnvironment;
import org.apache.Flink.streaming.api.functions.AssignerWithPeriodicWatermarks;
import org.apache.Flink.streaming.api.functions.windowing.WindowFunction;
import org.apache.Flink.streaming.api.watermark.Watermark;
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 javax.annotation.Nullable;
import java.text.SimpleDateFormat;
import java.util.ArrayList;
import java.util.Collections;
import java.util.Iterator;
import java.util.List;
/**
* Watermark案例
* Created by xuwei.tech
*/
public class StreamingWindowWatermark {
public static void main(String[] args) throws Exception {
//定义Socket的端口号
int port = 9000;
//获取运行环境
StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
//设置使用EventTime,默认使用processtime
env.setStreamTimeCharacteristic(TimeCharacteristic.EventTime);
//设置并行度为1,默认并行度是当前机器的CPU数量
env.setParallelism(1);
//连接Socket获取输入的数据
DataStream<String> text = env.socketTextStream("hadoop100", port, "\n");
//解析输入的数据
DataStream<Tuple2<String, Long>> inputMap = text.map(new MapFunction<String, Tuple2<String, Long>>() {
@Override
public Tuple2<String, Long> map(String value) throws Exception {
String[] arr = value.split(",");
return new Tuple2<>(arr[0], Long.parseLong(arr[1]));
}
});
//抽取timestamp和生成Watermark
DataStream<Tuple2<String, Long>> waterMarkStream = inputMap.assignTimestampsAndWatermarks(new AssignerWithPeriodicWatermarks<Tuple2<String, Long>>() {
Long currentMaxTimestamp = 0L;
final Long maxOutOfOrderness = 10000L;// 最大允许的乱序时间是10s
SimpleDateFormat sdf = new SimpleDateFormat("yyyy-MM-dd HH:mm:ss.SSS");
/**
* 定义生成Watermark的逻辑
* 默认100ms被调用一次
*/
@Nullable
@Override
public Watermark getCurrentWatermark() {
return new Watermark(currentMaxTimestamp - maxOutOfOrderness);
}
//定义如何提取timestamp
@Override
public long extractTimestamp(Tuple2<String, Long> element, long previousElementTimestamp) {
long timestamp = element.f1;
currentMaxTimestamp = Math.max(timestamp, currentMaxTimestamp);
System.out.println("key:"+element.f0+",eventtime:["+element.f1+"|"+sdf.format(element.f1)+"],currentMaxTimestamp:["+currentMaxTimestamp+"|"+
sdf.format(currentMaxTimestamp)+"],watermark:["+getCurrentWatermark().getTimestamp()+"|"+sdf.format(getCurrentWatermark().getTimestamp())+"]");
return timestamp;
}
});
//分组,聚合
DataStream<String> window = waterMarkStream.keyBy(0)
.window(TumblingEventTimeWindows.of(Time.seconds(3)))//按照消息的EventTime分配窗口,和调用Time Window效果一样
.apply(new WindowFunction<Tuple2<String, Long>, String, Tuple, TimeWindow>() {
/**
* 对Window内的数据进行排序,保证数据的顺序
* @param tuple
* @param window
* @param input
* @param out
* @throws Exception
*/
@Override
public void apply(Tuple tuple, TimeWindow window, Iterable<Tuple2
<String, Long>> input, Collector<String> out) throws Exception {
String key = tuple.toString();
List<Long> arrarList = new ArrayList<Long>();
Iterator<Tuple2<String, Long>> it = input.iterator();
while (it.hasNext()) {
Tuple2<String, Long> next = it.next();
arrarList.add(next.f1);
}
Collections.sort(arrarList);
SimpleDateFormat sdf = new SimpleDateFormat("yyyy-MM-dd HH:mm:ss.SSS");
String result = key + "," + arrarList.size() + "," + sdf.format(arrarList.get(0)) + "," + sdf.format(arrarList.get(arrarList.size() - 1))
+ "," + sdf.format(window.getStart()) + "," + sdf.format(window.getEnd());
out.collect(result);
}
});
//测试,把结果打印到控制台即可
window.print();
//注意:因为Flink是懒加载的,所以必须调用execute方法,这样上面的代码才会执行
env.execute("eventtime-watermark");
}
(1)接收Socket数据。
(2)将每行数据按照逗号分隔,每行数据调用Map转换成Tuple<String,Long>类型。其中Tuple中的第1个元素代表具体的数据,第2个元素代表数据的EventTime。
(3)抽取Timestamp,生成Watermark,允许的最大乱序时间是10s,并打印(Key,EventTime,CurrentMaxTimestamp,Watermark)等信息。
(4)分组聚合,Window窗口大小为3s,输出(Key,窗口内元素个数,窗口内最初元素进入的时间,窗口内最后元素进入的时间,窗口自身开始时间,窗口自身结束时间)。
3.2 通过数据跟踪Watermark的时间
在这里重点查看Watermark和Timestamp的时间,通过数据的输出来确定Window的触发时机。
首先开启Socket,输入第一条数据。
[root@hadoop100 soft]# nc -l 9000
0001,1538359882000
输出的结果如图8(略)所示。
为了查看方便,我们把输入内
容汇总到表格中,如表1所示。
表1 Watermark输出的结果
此时,Watermark的时间已经落后于CurrentMaxTimeStamp10s了,我们继续输入。
[root@hadoop100 soft]# nc -l 9000
0001,1538359882000
0001,1538359886000
此时,输出的结果如图9(略)所示。
[root@hadoop100 soft]# nc -l 9000
0001,1538359882000
0001,1538359886000
0001,1538359892000
输出的结果内容如图10(略)所示。
本文截选自《Flink入门与实战》
徐葳 著
- 深入浅出展现Flink技术精髓
- 力求详细而完整地描述Flink大数据项目实战
- 从零开始快速掌握Flink的基本原理和核心功能,51CTO学院网课配套教材
本书旨在帮助读者从零开始快速掌握Flink的基本原理与核心功能。本书首先介绍了Flink的基本原理和安装部署,并对Flink中的一些核心API进行了详细分析。然后配套对应的案例分析,分别使用Java代码和Scala代码实现案例。最后通过两个项目演示了Flink在实际工作中的一些应用场景,帮助读者快速掌握Flink开发。
学习本书需要大家具备一些大数据的基础知识,比如Hadoop、Kafka、Redis、Elasticsearch等框架的基本安装和使用。本书也适合对大数据实时计算感兴趣的读者阅读。
学习本书需要大家具备一些大数据的基础知识,例如Hadoop、Kafka、Redis、Elasticsearch等框架的基本安装和使用。本书也适合对大数据实时计算感兴趣的爱好者阅读。