深入理解 Flink（四）Flink Time+WaterMark+Window 深入分析

深入理解 Flink 系列文章已完结，总共八篇文章，直达链接：
深入理解 Flink （一）Flink 架构设计原理
深入理解 Flink （二）Flink StateBackend 和 Checkpoint 容错深入分析
深入理解 Flink （三）Flink 内核基础设施源码级原理详解
深入理解 Flink （四）Flink Time+WaterMark+Window 深入分析
深入理解 Flink （五）Flink Standalone 集群启动源码剖析
深入理解 Flink （六）Flink Job 提交和 Flink Graph 详解
深入理解 Flink （七）Flink Slot 管理详解
深入理解 Flink （八）Flink Task 部署初始化和启动详解

Flink Window 常见需求背景

需求描述

每隔 5 秒，计算最近 10 秒单词出现的次数 —— 滑动窗口
每隔 5 秒，计算最近 5 秒单词出现的次数 —— 滚动窗口

关于 Flink time 种类 TimeCharacteristic

• ProcessingTime
• IngestionTime
• EventTime

WindowAssigner 的子类

• SlidingProcessingTimeWindows
• SlidingEventTimeWindows
• TumblingEventTimeWindows
• TumblingProcessingTimeWindows

使用 EventTime + WaterMark 处理乱序数据

示意图：

• 使用 onPeriodicEmit 方法发送 watermark，默认每 200ms 发一次。
• 窗口起始时间默认按各个时区的整点时间，支持自定义 offset。

Flink Watermark 机制定义

有序的流的 Watermarks

无序的流的 Watermarks

多并行度流的 Watermarks

深入理解 Flink Watermark

Flink Window 触发的条件：

1. watermark 时间 >= window_end_time
2. 在 [window_start_time, window_end_time) 区间中有数据存在（注意是左闭右开的区间），而且是以 event time 来计算的

Flink 处理太过延迟数据

Flink 丢弃延迟太多的数据

企业生产中一般不用。

Flink 指定允许再次迟到的时间

治标不治本，企业生产中一般不用。

Flink 收集迟到的数据单独处理

企业生产中应用较为广泛。

Flink 多并行度 Watermark

一个 window 可能会接受到多个 waterMark，我们以最小的为准。

Flink Window 概述

官网介绍

https://nightlies.apache.org/flink/flink-docs-release-1.14/docs/dev/datastream/operators/windows/

Flink Window 分类

Flink 的 window 分为两种类型的 Window，分别是：Keyed Windows 和 Non-Keyed Windows，他们的使用方式不同：

// Keyed Windows 
stream
    .keyBy(...) <- keyed versus non-keyed windows
    .window(...) <- required: "assigner"
    [.trigger(...)] <- optional: "trigger" (else default trigger)
    [.evictor(...)] <- optional: "evictor" (else no evictor)
    [.allowedLateness(...)] <- optional: "lateness" (else zero)
    [.sideOutputLateData(...)] <- optional: "output tag" (else no side output for late data)
    .reduce/aggregate/apply() <- required: "function"
    [.getSideOutput(...)] <- optional: "output tag"

// Non-Keyed Windows
stream
    .windowAll(...) <- required: "assigner"
    [.trigger(...)] <- optional: "trigger" (else default trigger)
    [.evictor(...)] <- optional: "evictor" (else no evictor)
    [.allowedLateness(...)] <- optional: "lateness" (else zero)
    [.sideOutputLateData(...)] <- optional: "output tag" (else no side output for late data)
    .reduce/aggregate/apply() <- required: "function"
    [.getSideOutput(...)] <- optional: "output tag"

Window 的生命周期

1. 当属于某个窗口的第一个元素到达的时候，就会创建一个窗口。
2. 当时间（event or processing time）超过 window 的结束时间戳加上用户指定的允许延迟（Allowed Lateness）时，窗口将被完全删除。
3. 每个 Window 之上，都绑定有一个 Trigger 或者一个 Function（ProcessWindowFunction, ReduceFunction, or AggregateFunction）用来执行窗口内数据的计算。
4. 可以给 Window 指定一个 Evictor，它能够在 after the trigger fires 以及 before and/or after the function is applied 从窗口中删除元素。

Flink Window 类型

Flink 流批同一前后的 Window 分类：

tumblingwindows —— 滚动窗口

slidingwindows —— 滑动窗口

session windows —— 会话窗口

global windows —— 全局窗口

Flink Window 操作使用

高级玩法：自定义 Trigger、自定义 Evictor，读者可自行搜索相关文章与代码。

Flink Window 增量聚合

• reduce(ReduceFunction)
• aggregate(AggregateFunction)
• sum()
• min()
• max()
• sum()

Flink Window 全量聚合

• apply(WindowFunction)
• process(ProcessWindowFunction)

Flink Window Join

// 在 Flink 中对两个 DataStream 做 Join
// 1、指定两张表
// 2、指定这两张表的链接字段
stream.join(otherStream) // 两个流进行关联
    .where(<KeySelector>) // 选择第一个流的key作为关联字段
    .equalTo(<KeySelector>) // 选择第二个流的key作为关联字段
    .window(<WindowAssigner>) // 设置窗口的类型
    .apply(<JoinFunction>) // 对结果做操作 process apply = foreach

Tumbling Window Join

Sliding Window Join

Session Window Join

Interval Join

核心代码示例：

DataStream<Integer> orangeStream = ...;
DataStream<Integer> greenStream = ...;
orangeStream
    .keyBy(<KeySelector>)
    .intervalJoin(greenStream.keyBy(<KeySelector>))
    .between(Time.milliseconds(-2), Time.milliseconds(1))
    .process (new ProcessJoinFunction<Integer, Integer, String(){
        @Override
        public void processElement(Integer left, Integer right, Context ctx, Collector<String> out) {
            out.collect(first + "," + second);
       }
    });