Structured Streaming系列-6、事件时间窗口分析

技术武器库

于 2022-10-20 17:02:52 发布

阅读量1.2k

点赞数

分类专栏： JAVA多线程与并发文章标签：大数据 spark java scala hadoop

本文链接：https://blog.csdn.net/l848168/article/details/127426590

版权

JAVA多线程与并发专栏收录该内容

18 篇文章 1 订阅

订阅专栏

传送门：大数据系列文章目录

官方网址：http://spark.apache.org/、 http://spark.apache.org/sql/

在这里插入图片描述

例如，在物联网数据平台中，每个设备产生的数据，其中包含数据产生的时间，然而数据需要经过一系列采集传输才能被流式计算框架处理： SparkStreaming，此过程需要时间的，再按照处理时间来统计业务的时候，准确性降低，存在不合理性。

在结构化流Structured Streaming中窗口数据统计时间是基于数据本身事件时间EventTime字段统计，更加合理性，官方文档：

http://spark.apache.org/docs/2.4.5/structured-streaming-programming-guide.html#window-operations-on-event-time

时间概念

在Streaming流式数据处理中，按照时间处理数据，其中时间有三种概念：

事件时间EventTime，表示数据本身产生的时间，该字段在数据本身中。
注入时间IngestionTime，表示数据到达流式系统时间，简而言之就是流式处理系统接收到数据的时间。
处理时间ProcessingTime，表示数据被流式系统真正开始计算操作的时间。

在这里插入图片描述
不同流式计算框架支持时间不一样， SparkStreaming框架仅仅支持处理时间ProcessTime，StructuredStreaming支持事件时间和处理时间， Flink框架支持三种时间数据操作，实际项目中往往针对【事件时间EventTime】进行数据处理操作，更加合理化。

event-time 窗口分析

基于事件时间窗口聚合操作：基于窗口的聚合（例如每分钟事件数）只是事件时间列上特殊类型的分组和聚合，其中每个时间窗口都是一个组，并且每一行可以属于多个窗口/组。

事件时间EventTime是嵌入到数据本身中的时间，数据实际真实产生的时间。例如，如果希望获得每分钟由物联网设备生成的事件数，那么可能希望使用生成数据的时间（即数据中的事件时间event time），而不是Spark接收数据的时间（receive time/archive time）。

这个事件时间很自然地用这个模型表示，设备中的每个事件（Event）都是表中的一行（Row），而事件时间（Event Time）是行中的一列值（Column Value）。

因此，这种基于事件时间窗口的聚合查询既可以在静态数据集（例如，从收集的设备事件日志中）上定义，也可以在数据流上定义，从而使用户的使用更加容易。

修改词频统计程序，数据流包含每行数据以及生成每行的时间。希望在10分钟的窗口内对单词进行计数，每5分钟更新一次，如下图所示：

在这里插入图片描述
单词在10分钟窗口【12:00-12:10、 12:05-12:15、 12:10-12:20】等之间接收的单词中计数。注意，【12:00-12:10】表示处理数据的事件时间为12:00之后但12:10之前的数据。思考一下， 12:07的一条数据，应该增加对应于两个窗口12:00-12:10和12:05-12:15的计数。

基于事件时间窗口统计有两个参数索引：分组键（如单词）和窗口（事件时间字段）。

在这里插入图片描述
为了演示案例，将上述案例中的每5分钟统计最近10分钟窗口改为每5秒统计最近10秒窗口数据，测试数据集：

2012-10-20 09:00:02,cat dog
2019-10-12 09:00:03,dog dog

2019-10-12 09:00:07,owl cat

2019-10-12 09:00:11,dog
2019-10-12 09:00:13,owl

案例中三个时间范围，说明如下：

1、触发时间间隔， trigger interval： 5秒 (案例： 5分钟)
2、事件时间窗口大小， window interval： 10秒（案例： 10分钟）
3、滑动大小， slider interval： 5秒（案例： 5分钟）

官方案例演示代码如下：

package window

import java.sql.Timestamp

import org.apache.spark.sql.streaming.{OutputMode, StreamingQuery, Trigger}
import org.apache.spark.sql.{DataFrame, SparkSession}

/**
  * 基于Structured Streaming 模块读取TCP Socket读取数据，进行事件时间窗口统计词频WordCount，将结果打印到控制台
  *      TODO：每5秒钟统计最近10秒内的数据（词频：WordCount)
  *
  * EventTime即事件真正生成的时间：
  *  例如一个用户在10：06点击 了一个按钮，记录在系统中为10：06
  *  这条数据发送到Kafka，又到了Spark Streaming中处理，已经是10：08，这个处理的时间就是process Time。
  *
  */
object StructuredWindow {

  def main(args: Array[String]): Unit = {

    // 1. 构建SparkSession实例对象，传递sparkConf参数
    val spark: SparkSession = SparkSession.builder()
      .appName(this.getClass.getSimpleName.stripSuffix("$"))
      .master("local[2]")
      .config("spark.sql.shuffle.partitions", "2")
      .getOrCreate()
    // 导入隐式转换及函数库
    import org.apache.spark.sql.functions._
    import spark.implicits._
    spark.sparkContext.setLogLevel("WARN")

    // 2. 使用SparkSession从TCP Socket读取流式数据
    val inputStreamDF: DataFrame = spark.readStream
      .format("socket")
      .option("host", "localhost")
      .option("port", 9999)
      .load()

    // 3. 针对获取流式DStream进行词频统计
    val resultStreamDF = inputStreamDF
      // 将DataFrame转换为Dataset操作，Dataset是类型安全，强类型
      .as[String]
      // 过滤无效数据
      .filter(line => null != line && line.trim.length > 0)
      // 将每行数据进行分割单词: 2019-10-12 09:00:02,cat dog
      .flatMap{line =>
      val arr = line.trim.split(",")
      arr(1).split("\\s+").map(word => (Timestamp.valueOf(arr(0)), word))
    }  /**
      *      2019-10-12 09:00:02    cat
      *      2019-10-12 09:00:02    dog
      */
      // 设置列的名称
      .toDF("insert_timestamp", "word")
      // TODO：设置基于事件时间（event time）窗口 -> insert_timestamp, 每5秒统计最近10秒内数据
      /*
            1. 先按照窗口分组
            2. 再对窗口中按照单词分组
            3. 最后使用聚合函数聚合
       */ // reduceByKeyAndWindows
      .groupBy(
        //按照数据中的事件时间构建窗口
        window($"insert_timestamp", "10 seconds", "5 seconds"),
        $"word"
      )
      .count()
      // 按照窗口字段降序排序
      .orderBy($"window")

    /*
        root
         |-- window: struct (nullable = true)
         |    |-- start: timestamp (nullable = true)
         |    |-- end: timestamp (nullable = true)
         |-- word: string (nullable = true)
         |-- count: long (nullable = false)
     */
    //resultStreamDF.printSchema()

    // 4. 将计算的结果输出，打印到控制台
    val query: StreamingQuery = resultStreamDF.writeStream
      .outputMode(OutputMode.Complete())
      .format("console")
      .option("numRows", "100")
      .option("truncate", "false")
      .trigger(Trigger.ProcessingTime("5 seconds"))
      .start()  // 流式DataFrame，需要启动
    // 查询器一直等待流式应用结束
    query.awaitTermination()
    query.stop()
  }

}

运行上述基于事件时间Event Time窗口统计流式应用，演示效果图如下所示：
在这里插入图片描述

event-time 窗口生成

Structured Streaming中如何依据EventTime事件时间生成窗口的呢？查看类TimeWindowing源码中生成窗口规则：

org.apache.spark.sql.catalyst.analysis.TimeWindowing
// 窗口个数
/* 最大的窗口数 = 向下取整(窗口长度/滑动步长) */
maxNumOverlapping <- ceil(windowDuration / slideDuration)
for (i <- 0 until maxNumOverlapping)
	/**
		timestamp是event-time 传进的时间戳
		startTime是window窗口参数，默认是0 second 从时间的0s
		含义： event-time从1970年...有多少个滑动步长，如果说浮点数会向上取整
	*/
	windowId <- ceil((timestamp - startTime) / slideDuration)
	/**
		windowId * slideDuration 向上取能整除滑动步长的时间
		(i - maxNumOverlapping) * slideDuration 每一个窗口开始时间相差一个步长
	*/	
	windowStart <- windowId * slideDuration + (i - maxNumOverlapping) * slideDuration + startTime
	windowEnd <- windowStart + windowDuration
	return windowStart, windowEnd

在这里插入图片描述

延迟数据处理

Structed Streaming与Spark Streaming相比一大特性就是支持基于数据中的时间戳的数据处理。也就是在处理数据时，可以对记录中的eventTime事件时间字段进行考虑。因为eventTime更好的代表数据本身的信息，且可以借助eventTime处理比预期晚到达的数据，但是需要有一个限度(阈值)，不能一直等，应该要设定最多等多久。

延迟数据

在很多流计算系统中，数据延迟到达（the events arrives late to the application）的情况很常见，并且很多时候是不可控的，因为很多时候是外围系统自身问题造成的。 Structured Streaming可以保证一条旧的数据进入到流上时，依然可以基于这些“迟到”的数据重新计算并更新计算结果。

在这里插入图片描述
上图中在12:04（即事件时间）生成的单词可能在12:11被应用程序接收，此时，应用程序应使用时间12:04而不是12:11更新窗口12:00-12:10的旧计数。但是会出现如下两个问题：

问题一：延迟数据计算是否有价值

如果某些数据，延迟很长时间（如30分钟）才到达流式处理系统，数据还需要再次计算吗？计算的结果还有价值吗？原因在于流式处理系统处理数据关键核心在于实时性；
实践表明，流计算关注的是近期数据，更新一个很早之前的状态往往已经不再具有很大的业务价值；

问题二：以前状态保存浪费资源

实时统计来说，如果保存很久以前的数据状态，很多时候没有作用的，反而浪费大量资源；

Spark 2.1引入的watermarking允许用户指定延迟数据的阈值，也允许引擎清除掉旧的状态。即根据watermark机制来设置和判断消息的有效性，如可以获取消息本身的时间戳，然后根据该时间戳来判断消息的到达是否延迟（乱序）以及延迟的时间是否在容忍的范围内（延迟的数据是否处理）。

Watermarking 水位

水位watermarking官方定义：

lets the engine automatically track the current event time in the data and attempt to clean up old state accordingly.

翻译：让Spark SQL引擎自动追踪数据中当前事件时间EventTime，依据规则清除旧的状态数据。

通过指定event-time列（上一批次数据中EventTime最大值）和预估事件的延迟时间上限（Threshold）来定义一个查询的水位线watermark。

Watermark = MaxEventTime - Threshod

第一点：执行第一批次数据时， Watermarker为0，所以此批次中所有数据都参与计算；
第二点： Watermarker值只能逐渐增加，不能减少；
第三点：Watermark机制主要解决处理聚合延迟数据和减少内存中维护的聚合状态；
第四点：设置Watermark以后，输出模式OutputMode只能是Append和Update；

如下方式设置阈值Threshold，计算每批次数据执行时的水位Watermark：
在这里插入图片描述

看一下官方案例：词频统计WordCount，设置阈值Threshold为10分钟，每5分钟触发执行一次。
在这里插入图片描述

延迟到达但没有超过watermark： (12:08, dog)

在12:20触发执行窗口（12:10-12:20）数据中， (12:08, dog) 数据是延迟数据，阈值Threshold设定为10分钟，此时水位线【Watermark = 12:14 - 10m = 12:04】，因为12:14是上个窗口（12:05-12:15）中接收到的最大的事件时间，代表目标系统最后时刻的状态，由于12:08在12:04之后，因此被视为“虽
然迟到但尚且可以接收”的数据而被更新到了结果表中，也就是(12:00 -12:10, dog, 2)和(12:05 - 12:11,dog, 3)。

在这里插入图片描述

超出watermark： (12:04, donkey)

在12:25触发执行窗口（12:15-12:25）数据中， (12:04, donkey)数据是延迟数据，上个窗口中接收到最大的事件时间为12:21，此时水位线【Watermark = 12:21 - 10m = 12:11】，而(12:04, donkey)比这个值还要早，说明它”太旧了”，所以不会被更新到结果表中了。

在这里插入图片描述
设置水位线Watermark以后，不同输出模式OutputMode，结果输出不一样：

Update模式：总是倾向于“尽可能早”的将处理结果更新到sink，当出现迟到数据时，早期的某个计算结果将会被更新；
Append模式：推迟计算结果的输出到一个相对较晚的时刻，确保结果是稳定的，不会再被更新，比如： 12:00 - 12:10窗口的处理结果会等到watermark更新到12： 11之后才会写入到sink。

如果用于接收处理结果的sink不支持更新操作，则只能选择Append模式。

官方案例演示

编写代码，演示官方案例，如下几点注意：

1、该outputMode为update模式，即只会输出那些有更新的数据！！
2、该开窗窗口长度为10 min，步长5 min，水印为eventtime-10 min，（需理解开窗规则）
3、官网案例trigger(Trigger.ProcessingTime("5 minutes"))，但是测试的时候不建议使用这个
4、未输出数据不代表已经在内存中被剔除，只是由于update模式的原因
5、建议比对append理解水印

测试数据：

dog,2019-10-10 12:00:07
owl,2019-10-10 12:00:08

dog,2019-10-10 12:00:14
cat,2019-10-10 12:00:09

cat,2019-10-10 12:00:15
dog,2019-10-10 12:00:08
owl,2019-10-10 12:00:13
owl,2019-10-10 12:00:21

owl,2019-10-10 12:00:17

具体案例代码如下：

package window

import java.sql.Timestamp

import org.apache.spark.sql.streaming.{OutputMode, StreamingQuery, Trigger}
import org.apache.spark.sql.{DataFrame, SparkSession}

/**
  * 基于Structured Streaming 读取TCP Socket读取数据，事件时间窗口统计词频，将结果打印到控制台
  *      TODO：每5秒钟统计最近10秒内的数据（词频：WordCount)，设置水位Watermark时间为10秒
  */
object StructuredWatermarkUpdate {

  def main(args: Array[String]): Unit = {

    // 1. 构建SparkSession实例对象，传递sparkConf参数
    val spark: SparkSession =  SparkSession.builder()
      .appName(this.getClass.getSimpleName.stripSuffix("$"))
      .master("local[2]")
      .config("spark.sql.shuffle.partitions", "2")
      .getOrCreate()
    // b. 导入隐式转换及函数库
    import org.apache.spark.sql.functions._
    import spark.implicits._
    spark.sparkContext.setLogLevel("WARN")

    // 2. 使用SparkSession从TCP Socket读取流式数据
    val inputStreamDF: DataFrame = spark.readStream
      .format("socket")
      .option("host", "localhost")
      .option("port", 9999)
      .load()

    // 3. 针对获取流式DStream设置EventTime窗口及Watermark水位限制
    val resultStreamDF = inputStreamDF
      // 将DataFrame转换为Dataset操作，Dataset是类型安全，强类型
      .as[String]
      // 过滤无效数据
      .filter(line => null != line && line.trim.length > 0)
      // 将每行数据进行分割单词: 2019-10-12 09:00:02,cat dog
      .map{line =>
      val arr = line.trim.split(",")
      (arr(0), Timestamp.valueOf(arr(1)))
    }
      // 设置列的名称
      .toDF("word", "time")
      // TODO：设置水位Watermark
      .withWatermark("time", "10 seconds")
      // TODO：设置基于事件时间（event time）窗口 -> time, 每5秒统计最近10秒内数据
      .groupBy(
        window($"time", "10 seconds", "5 seconds"),
        $"word"
    ).count()

    // 4. 将计算的结果输出，打印到控制台
    val query: StreamingQuery = resultStreamDF.writeStream
      .outputMode(OutputMode.Update())
      .format("console")
      .option("numRows", "100")
      .option("truncate", "false")
      .trigger(Trigger.ProcessingTime("5 seconds"))
      .start()  // 流式DataFrame，需要启动
    // 查询器一直等待流式应用结束
    query.awaitTermination()
    query.stop()
  }

}