一、Window
1.Window 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。
2.Window 类型
Window 可以分成两类:
- CountWindow:按照指定的数据条数生成一个Window,与时间无关。
- 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)。
1)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)。
2)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)。
3)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。
二、Window API
1.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(TumblingEventTimeWindows)
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 resultStream = dataStream
.map( data => (data.id, data.temperature, data.timestamp) )
.keyBy(_._1) // 按照二元组的第一个元素(id)分组
.window( TumblingEventTimeWindows.of(Time.seconds(15))) // 滚动时间窗口
.reduce( (curRes, newData) => (curRes._1, curRes._2.min(newData._2), newData._3) )
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。
window是底层方法,也可以使用更简单的通用方法timeWindow(Time.seconds(15))。timeWindow一个参数代表滚动窗口,两个参数代表滑动窗口。
如果想配置滚动窗口的偏移量就只能使用window方法,偏移量主要用于时区转换,比如说我们处于东八区,比标准的伦敦时间早8个小时。
window( TumblingEventTimeWindows.of(Time.seconds(15),Time.hours(-8)))
2)滑动窗口(SlidingEventTimeWindows)
滑动窗口也可以使用timeWindow方法,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 resultStream = dataStream
.map( data => (data.id, data.temperature, data.timestamp) )
.keyBy(_._1) // 按照二元组的第一个元素(id)分组
.timeWindow(Time.seconds(15), Time.seconds(5)) // 滑动时间窗口
.reduce( (curRes, newData) => (curRes._1, curRes._2.min(newData._2), newData._3) )
// 也可以使用window函数
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。
2.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 resultStream = dataStream
.map( data => (data.id, data.temperature, data.timestamp) )
.keyBy(_._1) // 按照二元组的第一个元素(id)分组
.countWindow(5)
.reduce( (curRes, newData) => (curRes._1, curRes._2.min(newData._2), newData._3) )
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 resultStream = dataStream
.map( data => (data.id, data.temperature, data.timestamp) )
.keyBy(_._1) // 按照二元组的第一个元素(id)分组
.countWindow(10,2)
.reduce( (curRes, newData) => (curRes._1, curRes._2.min(newData._2), newData._3) )
3.SessionWindow
SessionWindow使用的也是window方法。
val resultStream = dataStream
.map( data => (data.id, data.temperature, data.timestamp) )
.keyBy(_._1) // 按照二元组的第一个元素(id)分组
.window( EventTimeSessionWindows.withGap(Time.seconds(10)) )
.reduce( (curRes, newData) => (curRes._1, curRes._2.min(newData._2), newData._3) )
4.window function
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。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,等到计算的时候会遍历所有数据。例如需要排序或者中位数。
ProcessWindowFunction 就是一个全窗口函数。
5.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