35、Flink 的窗口生命周期详解

窗口

1.概述

窗口（Window）可以将数据流装入大小有限的“桶”中，再对每个“桶”加以处理。

Flink 窗口在 keyed streams 和 non-keyed streams 上使用的基本结构，这两者唯一的区别仅在于：keyed streams 要调用 keyBy(...)后再调用 window(...) ， 而 non-keyed streams 直接调用 windowAll(...)。

a）Keyed Windows

stream
       .keyBy(...)               <-  仅 keyed 窗口需要
       .window(...)              <-  必填项："assigner"
      [.trigger(...)]            <-  可选项："trigger" (省略则使用默认 trigger)
      [.evictor(...)]            <-  可选项："evictor" (省略则不使用 evictor)
      [.allowedLateness(...)]    <-  可选项："lateness" (省略则为 0)
      [.sideOutputLateData(...)] <-  可选项："output tag" (省略则不对迟到数据使用 side output)
       .reduce/aggregate/apply()      <-  必填项："function"
      [.getSideOutput(...)]      <-  可选项："output tag"

b）Non-Keyed Windows

stream
       .windowAll(...)           <-  必填项："assigner"
      [.trigger(...)]            <-  可选项："trigger" (else default trigger)
      [.evictor(...)]            <-  可选项："evictor" (else no evictor)
      [.allowedLateness(...)]    <-  可选项："lateness" (else zero)
      [.sideOutputLateData(...)] <-  可选项："output tag" (else no side output for late data)
       .reduce/aggregate/apply()      <-  必填项："function"
      [.getSideOutput(...)]      <-  可选项："output tag"

注意：方括号（[…]）中的命令是可选的，Evictor 在 Python DataStream API 中不支持。

2.窗口的生命周期

一个窗口在第一个属于它的元素到达时就会被创建，然后在时间（event 或 processing time） 超过窗口的“结束时间戳 + 用户定义的 allowed lateness 时“被完全删除。

Flink 仅保证删除基于时间的窗口，其他类型的窗口不做保证， 比如全局窗口。

例如，对于一个基于 event time 且范围互不重合（滚动）的窗口策略，如果窗口设置的时长为五分钟、可容忍的迟到时间（allowed lateness）为 1 分钟， 那么第一个元素落入 12:00 至 12:05 这个区间时，Flink 就会为这个区间创建一个新的窗口，当 watermark 越过 12:06 时，这个窗口将被删除。

每个窗口会设置自己的 Trigger 和 function (ProcessWindowFunction、ReduceFunction、或 AggregateFunction），该 function 决定如何计算窗口中的内容， 而 Trigger 决定窗口中的数据何时可以被 function 计算；Trigger 的触发（fire）条件可能是“当窗口中有多于 4 条数据”或“当 watermark 越过窗口的结束时间”等；Trigger 还可以在 window 被创建后、删除前的这段时间内定义何时清理（purge）窗口中的数据；此处数据仅指窗口内的元素，不包括窗口的 meta data，即窗口在 purge 后仍然可以加入新的数据。

还可以指定一个 Evictor ，在 trigger 触发之后，Evictor 可以在窗口函数的前后删除数据。

3.Keyed 和 Non-Keyed Windows

在定义窗口前需确定 stream 是 keyed 还是 non-keyed， keyBy(...) 会将无界 stream 分割为逻辑上的 keyed stream。

对于 keyed stream，其中数据的任何属性都可以作为 key，使用 keyed stream 允许窗口计算由多个 task 并行，因为每个逻辑上的 keyed stream 都可以被单独处理，属于同一个 key 的元素会被发送到同一个 task。

对于 non-keyed stream，原始的 stream 不会被分割为多个逻辑上的 stream， 所有的窗口计算会被同一个 task 完成，也就是 parallelism 为 1。