【大数据】带你理解并使用flink中的Time、Window(窗口)、Windows Function(窗口函数)
提醒:本文的示例代码基于flink1.13,在讲window的使用时也会说明flink版本一些api的弃用情况。
文章目录
-
-
-
- 一、Time的简介
- 二、Window的概念
- 三、Window的类型
-
- 1、分类关系
- 2、滚动窗口(Tumbling Windows)
- 3、滑动窗口(Sliding Windows)
- 4、会话窗口(Session Windows)
- 四、windows 的使用
-
- 1、Time Window
- 2、Count Window
- 3、自定义Window
- 4、示例
-
- 4.1 滚动窗口示例
- 4.2 滑动窗口示例
- 五、window Function(窗口函数)
-
- 1、分类
- 2、增量聚合统计
-
- 示例:
- 3、全量聚合统计
-
- 示例:
-
-
一、Time的简介
flink 中的streaming定义了多种流式处理的时间,Event Time(事件时间)、Ingestion Time(接收时间)、Processing Time(处理时间)。
Event Time:指事件产生的时间,比如业务数据库一条数据产生的时间、一条日志数据产生的时间等。
Ingestion Time:指flink接收数据的时间。
Processing Time:指数据被flink算子处理的时间。
在真实的业务代码开发中,我们常使用Event TIme、Processing Time。
二、Window的概念
flink中,streaming流式计算被设计为用于处理无限数据集的数据处理引擎,其中无限数据集是指一种源源不断有数据过来的数据集,window (窗口)将无界数据流切割成为有界数据流进行处理的方式。实现方式是将流分发到有限大小的桶(bucket)中进行分析。
三、Window的类型
1、分类关系
- TimeWindow(计时窗口),按照一定时间生成 Window(比如:每5秒
- CountWindow(计数窗口),按照指定的数据量生成一个 Window,与时间无关(比如:每20个元素)。
- TumblingWindow(滚动窗口)
- Sliding Window(滑动窗口)
- Session Window(会话窗口)
它们之间的关系图
2、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,它的特点是时间对齐,窗口长度固定,没有重叠。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:
适合做每个时间段的聚合计算,例如:统计每5分钟内用户的热搜词
3、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,特点为时间对齐,窗口长度固定,可以有重叠。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:
适用于对最近一个时间段内的统计,例如:求某接口最近 5min 的失败率来决定是否要报警这种场景。
4、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。他的特点为:窗口大小是由数据本身决定,它没有固定的开始和结束时间。会话窗口根据Session gap间隙切分不同的窗口,当一个窗口在大于Session gap间隙的时间内没有接收到新数据时,窗口将关闭。例如:设置的时间gap是5秒,那么,当相邻的记录相差>=5秒时,则触发窗口。
适用于每个用户在一个独立的session中平均页面访问时长,前后两个session的间隔时间为15分钟这种场景。
四、windows 的使用
window算子api的使用分有key的、无key的,它们api分别的写法如下:
Keyed Windows
Non-Keyed Windows
我们下面按照上面的window分类关系去讲解api的使用,且举得例子都是Keyed Windows的,可以类比使用对应api理解Non-Keyed Windows。
1、Time Window
在time Window中,我们经常会在flink的老版本中使用timeWindow,如下图:
输入一个Time.seconds(n)是滚动窗口,输入两个是滑动窗口。特别注意,这里默认使用的Time是Processing Time。
在flink1.13中方法已经过时,能用但不建议使用。请使用原生window进行使用,如下图:
在window的参数中指定使用的窗口类型、时间类型,这个示例可以看出使用的是滚动窗口,时间类型为Processing Time
2、Count Window
Count Window中我们常在flink中使用
countWindow(高版本中没有过时),传入一个参数就是滚动窗口,如果传入两个参数就是滑动窗口,如下图:
3、自定义Window
如下图Keyed Windows、Non-Keyed Windows两种使用自定义的接口, 可以自己定义trigger(触发器)、evictor(移除器)、allowedLateness(允许窗口延时)、sideOutputLateData(侧输出流)等,自定义window。
4、示例
4.1 滚动窗口示例
需求:每隔5s时间,统计最近5s出现的单词
代码:
import org.apache.flink.streaming.api.scala.{DataStream, StreamExecutionEnvironment}import org.apache.flink.streaming.api.windowing.time.Timeimport org.apache.flink.api.scala._import org.apache.flink.streaming.api.windowing.assigners.TumblingProcessingTimeWindows/** * todo: 基于计时的滚动窗口应用--Tumbling Windows * * 滚动窗口,每隔5s时间,统计最近5s出现的单词 */object TestTimeWindowByTumbling { def main(args: Array[String]): Unit = { //todo:1、获取流式处理的环境 val env: StreamExecutionEnvironment = StreamExecutionEnvironment.getExecutionEnvironment //todo:2、获取数据源 val socketTextStream: DataStream[String] = env.socketTextStream("companynode01",19999) //todo: 3、对数据进行操作处理 socketTextStream.flatMap(x=>x.split(" ")) .map(x=>(x, 1)) .keyBy(_._1) // .timeWindow(Time.seconds(5)) //过时 // 滚动窗口 .window(TumblingProcessingTimeWindows.of(Time.seconds(5))) .sum(1) .print() //todo: 4、启动 env.execute("TestTimeWindowByTumbling") }}
4.2 滑动窗口示例
需求:每隔5s时间,统计最近10s出现的单词
代码:
import org.apache.flink.api.scala._import org.apache.flink.streaming.api.scala.{DataStream, StreamExecutionEnvironment}import org.apache.flink.streaming.api.windowing.assigners.SlidingProcessingTimeWindowsimport org.apache.flink.streaming.api.windowing.time.Time/** * todo: 基于计时的滚动窗口应用--Sliding Windows * * 滑动窗口,每隔5s时间,统计最近10s出现的单词 */object TestTimeWindowBySliding { def main(args: Array[String]): Unit = { //todo:1、获取流式处理的环境 val env: StreamExecutionEnvironment = StreamExecutionEnvironment.getExecutionEnvironment //todo:2、获取数据源 val socketTextStream: DataStream[String] = env.socketTextStream("companynode01",19999) //todo: 3、对数据进行操作处理 socketTextStream.flatMap(x=>x.split(" ")) .map(x=>(x, 1)) .keyBy(_._1)// .timeWindow(Time.seconds(15),Time.seconds(5)) //过时 //滑动窗口 .window(SlidingProcessingTimeWindows.of(Time.seconds(10),Time.seconds(5))) .sum(1) .print() //todo: 4、启动 env.execute("TestTimeWindowBySliding") }}
五、window Function(窗口函数)
1、分类
窗口函数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),它在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等。
- 全量窗口函数(full window functions),它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。典型的全量窗口聚合函数有apply、process。
2、增量聚合统计
窗口当中每加入一条数据,就进行一次统计。常用的增量聚合算子有reduce(reduceFunction)、aggregate(aggregateFunction)sum()、min()、max()等。
示例:
需求:通过接收socket当中输入的单词,统计每5秒钟单词的累计数量
使用reduce的代码
import org.apache.flink.streaming.api.windowing.time.Timeimport org.apache.flink.streaming.api.windowing.assigners.{TumblingEventTimeWindows, TumblingProcessingTimeWindows}//import org.apache.flink.api.java.functions.KeySelectorimport org.apache.flink.streaming.api.scala.{DataStream, StreamExecutionEnvironment}import org.apache.flink.api.scala._/** * 增量聚合函数 * 通过接收socket当中输入的数据,统计每5秒钟数据的累计的值 * 基于 `reduce` 函数的计时窗口数据增量聚合 */object TestReduceOfTimeWindow { def main(args: Array[String]): Unit = { val env:StreamExecutionEnvironment = StreamExecutionEnvironment.getExecutionEnvironment val socketTextStream: DataStream[String] = env.socketTextStream("companynode01", 19999) socketTextStream.flatMap(x => x.split(" ")) .map(x=>(x, 1))// .keyBy(0) .keyBy(_._1) .window(TumblingProcessingTimeWindows.of(Time.seconds(5))) .reduce((c1, c2) => (c1._1, c1._2+c2._2)) .print() env.execute() }}
使用aggregate的代码
import org.apache.flink.streaming.api.scala.{DataStream, StreamExecutionEnvironment}import org.apache.flink.api.scala._import org.apache.flink.streaming.api.windowing.assigners.TumblingProcessingTimeWindowsimport org.apache.flink.streaming.api.windowing.time.Timeimport org.apache.flink.api.common.functions.AggregateFunction/** * 增量聚合函数 * 基于`aggregate`函数的计时窗口数据增量聚合 */object TestAggregateOfTimeWindow { def main(args: Array[String]): Unit = { val env: StreamExecutionEnvironment = StreamExecutionEnvironment.getExecutionEnvironment val socketTextStream: DataStream[String] = env.socketTextStream("companynode01", 9999) socketTextStream.flatMap(x => x.split(" ")) .map(x => (x, 1)) .keyBy(_._1) .window(TumblingProcessingTimeWindows.of(Time.seconds(5))) .aggregate(new MyAggregateFunction) .print() env.execute("TestAggregateOfTimeWindow") }}//自定义AggregateFunction函数class MyAggregateFunction extends AggregateFunction[(String, Int), (String, Int), (String, Int)] { var initAccumulator: (String, Int) = ("", 0) //累加值的初始化操作 override def createAccumulator(): (String, Int) = { initAccumulator } //累加元素 override def add(in: (String, Int), acc: (String, Int)): (String, Int) = { (in._1, acc._2 + in._2) } // 聚合的结果 override def getResult(acc: (String, Int)): (String, Int) = { acc } //分布式累加 override def merge(acc: (String, Int), acc1: (String, Int)): (String, Int) = { (acc._1, acc._2 + acc1._2) }}
3、全量聚合统计
等到窗口截止,或者窗口内的数据全部到齐,然后再进行统计。
常用的增量聚合算子有apply(windowFunction)、process(processWindowFunction)其中processWindowFunction 比 windowFunction 提供了更多的上下文信息。
示例:
需求:通过接收socket当中输入的数值,统计5秒钟输入数值的平均值。
使用apply函数实现的代码:
import org.apache.flink.streaming.api.scala.{DataStream, StreamExecutionEnvironment}import org.apache.flink.api.scala._import org.apache.flink.streaming.api.scala.function.WindowFunctionimport org.apache.flink.streaming.api.windowing.assigners.TumblingProcessingTimeWindowsimport org.apache.flink.streaming.api.windowing.time.Timeimport org.apache.flink.streaming.api.windowing.windows.TimeWindowimport org.apache.flink.util.Collectorobject TestApplyOfTimeWindow { def main(args: Array[String]): Unit = { val env: StreamExecutionEnvironment = StreamExecutionEnvironment.getExecutionEnvironment //2、获取数据源,例如输入如下数据源 /** * 1 * 2 * 3 * 4 * 5 * 6 */ val socketStream: DataStream[String] = env.socketTextStream("companynode01", 19999) socketStream.flatMap(x => x.split(" ")) .map(x => ("countAvg", x.toInt))// .keyBy(0) //keyBy中的key是个虚拟key,不会输出 .keyBy(_._1) .window(TumblingProcessingTimeWindows.of(Time.seconds(5))) .apply(new MyApplyWindowFunction) .print() env.execute("TestApplyOfTimeWindow") }}class MyApplyWindowFunction extends WindowFunction[(String, Int), Double, String, TimeWindow]{ override def apply(key: String, window: TimeWindow, input: Iterable[(String, Int)], out: Collector[Double]): Unit = { //记次数 var totalNum = 0 //记累加结果 var countNum = 0 for(elem <- input) { totalNum += 1 countNum += elem._2 } out.collect(countNum/totalNum) }}
使用process函数实现的代码:
import org.apache.flink.streaming.api.scala.{DataStream, StreamExecutionEnvironment}import org.apache.flink.api.scala._import org.apache.flink.streaming.api.scala.function.ProcessWindowFunctionimport org.apache.flink.streaming.api.windowing.assigners.{TumblingEventTimeWindows, TumblingProcessingTimeWindows}import org.apache.flink.streaming.api.windowing.time.Timeimport org.apache.flink.streaming.api.windowing.windows.TimeWindowimport org.apache.flink.util.Collector/** * 基于 `process` 函数的计时窗口数据全量聚合 */object TestProcessOfTimeWindow { def main(args: Array[String]): Unit = { val env:StreamExecutionEnvironment = StreamExecutionEnvironment.getExecutionEnvironment val socketStream: DataStream[String] = env.socketTextStream("companynode01", 19999) socketStream.flatMap(x => x.split(" ")) .map(x => ("countAvg", x.toInt)) .keyBy(x => x._1) //是使用的processingTime,接口已经过时// .timeWindow(Time.seconds(5)) .window(TumblingProcessingTimeWindows.of(Time.seconds(5))) .process(new MyProcessWindowFunction) .print() env.execute("TestProcessOfTimeWindow") }}class MyProcessWindowFunction extends ProcessWindowFunction[(String, Int), Double, String, TimeWindow] { override def process(key: String, context: Context, elements: Iterable[(String, Int)], out: Collector[Double]): Unit = { //计次数 var totalNum = 0 //计累加次数 var countNum = 0 for (elem <- elements) { totalNum += 1 countNum += elem._2 } //计算平均值, totalNum.asInstanceOf[Double]是将totalNum强转成Double类型 out.collect(countNum/totalNum.asInstanceOf[Double]) }}