Flink(八)【Flink的窗口机制】

Flink的窗口机制

Flink的窗口机制

1.窗口概述

在流处理应用中，数据是连续不断的，因此我们不可能等到所有数据都到了才开始处理。当然我们可以每来一个消息就处理一次，但是有时我们需要做一些聚合类的处理，例如：在过去的1分钟内有多少用户点击了我们的网页。在这种情况下，我们必须定义一个窗口，用来收集最近一分钟内的数据，并对这个窗口内的数据进行计算。

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窗口是一种切割无限数据为有限块进行处理的手段。

在Flink中, 窗口(window)是处理无界流的核心. 窗口把流切割成有限大小的多个"存储桶"(bucket), 我们在这些桶上进行计算。

2.窗口分类

窗口分为2类:

基于时间的窗口(时间驱动)
基于元素个数的(数据驱动)

基于时间的窗口

时间窗口包含一个开始时间戳(包括)和结束时间戳(不包括), 这两个时间戳一起限制了窗口的尺寸.

在代码中, Flink使用TimeWindow这个类来表示基于时间的窗口. 这个类提供了key查询开始时间戳和结束时间戳的方法, 还提供了针对给定的窗口获取它允许的最大时间差的方法(maxTimestamp())

时间窗口又分4种:

滚动窗口(Tumbling Windows)

滚动窗口有固定的大小, 窗口与窗口之间不会重叠也没有缝隙.比如,如果指定一个长度为5分钟的滚动窗口, 当前窗口开始计算, 每5分钟启动一个新的窗口.

滚动窗口能将数据流切分成不重叠的窗口，每一个事件只能属于一个窗口。

java代码

package com.flink.day04_window;

import org.apache.flink.api.common.functions.FlatMapFunction;

import org.apache.flink.api.java.tuple.Tuple2;

import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;

import org.apache.flink.streaming.api.windowing.assigners.TumblingProcessingTimeWindows;

import org.apache.flink.streaming.api.windowing.time.Time;

import org.apache.flink.util.Collector;

import java.util.Arrays;

/**

 * @description: TODO 滚动时间窗口

 * 1.	时间间隔可以通过: Time.milliseconds(x), Time.seconds(x), Time.minutes(x),等等来指定.

 * 2.	我们传递给window函数的对象叫窗口分配器.

 * @author: HaoWu

 * @create: 2021年05月14日

 */

public class Flink01_Window_Tumbling {

    public static void main(String[] args) throws Exception {

        StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();

        env.setParallelism(2);

        env.socketTextStream("localhost",9999)

                .flatMap(new FlatMapFunction<String, Tuple2<String,Integer>>() {

                    @Override

                    public void flatMap(String value, Collector<Tuple2<String, Integer>> out) throws Exception {

//                        String[] datas = value.split(",");

//                        for (int i = 0; i < datas.length-1; i++) {

//                            out.collect(Tuple2.of(datas[i],1));

//                        }

                        Arrays.stream(value.split(",")).forEach(word -> out.collect(Tuple2.of(word, 1)));

                    }

                })

              .keyBy(t->t.f0)

                .window(TumblingProcessingTimeWindows.of(Time.seconds(5)))

                .sum(1)

                .print();

        env.execute();

    }

}

说明:

时间间隔可以通过: Time.milliseconds(x), Time.seconds(x), Time.minutes(x),等等来指定.
我们传递给window函数的对象叫窗口分配器.

滑动窗口(Sliding Windows)

与滚动窗口一样, 滑动窗口也是有固定的长度. 另外一个参数我们叫滑动步长, 用来控制滑动窗口启动的频率.

所以, 如果滑动步长小于窗口长度, 滑动窗口会重叠. 这种情况下, 一个元素可能会被分配到多个窗口中

例如, 滑动窗口长度10分钟, 滑动步长5分钟, 则, 每5分钟会得到一个包含最近10分钟的数据.

java代码

package com.flink.day04_window;

import org.apache.flink.api.common.functions.FlatMapFunction;

import org.apache.flink.api.java.tuple.Tuple2;

import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;

import org.apache.flink.streaming.api.functions.windowing.ProcessWindowFunction;

import org.apache.flink.streaming.api.windowing.assigners.SlidingProcessingTimeWindows;

import org.apache.flink.streaming.api.windowing.time.Time;

import org.apache.flink.streaming.api.windowing.windows.TimeWindow;

import org.apache.flink.util.Collector;

import java.util.Arrays;

/**

 * @description: TODO 滑动窗口

 * @author: HaoWu

 * @create: 2021年05月17日

 */

public class Flink02_Window_Sliding {

    public static void main(String[] args) throws Exception {

        StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();

        env.setParallelism(2);

        env.socketTextStream("localhost",9999)

                .flatMap(new FlatMapFunction<String, Tuple2<String,Integer>>() {

                    @Override

                    public void flatMap(String value, Collector<Tuple2<String, Integer>> out) throws Exception {

                        String[] datas = value.split(",");

                        Arrays.stream(datas).forEach(ele->{out.collect(Tuple2.of(ele,1));});

                    }

                })

                .keyBy(t->t.f0)

                .window(SlidingProcessingTimeWindows.of(Time.seconds(5),Time.seconds(1)))

                .process(new ProcessWindowFunction<Tuple2<String, Integer>, String, String, TimeWindow>() {

                    Integer count=0;

                    @Override

                    public void process(String s, Context context, Iterable<Tuple2<String, Integer>> elements, Collector<String> out) throws Exception {

                        for (Tuple2<String, Integer> element : elements) {

                            count++;

                        }

                        long start = context.window().getStart();

                        long end = context.window().getEnd();

                        out.collect("当前key:"+s+",窗口:["+start+","+end+"),count:"+count);

                    }

                }).print();

        env.execute();

    }

}

会话窗口(Session Windows)

会话窗口分配器会根据活动的元素进行分组. 会话窗口不会有重叠, 与滚动窗口和滑动窗口相比, 会话窗口也没有固定的开启和关闭时间.

如果会话窗口有一段时间没有收到数据, 会话窗口会自动关闭, 这段没有收到数据的时间就是会话窗口的gap(间隔).

我们可以配置静态的gap, 也可以通过一个gap extractor 函数来定义gap的长度. 当时间超过了这个gap, 当前的会话窗口就会关闭, 后序的元素会被分配到一个新的会话窗口.

示例代码

1.静态gap

.window(ProcessingTimeSessionWindows.withGap(Time.seconds(10)))

2.动态gap

.window(ProcessingTimeSessionWindows.withDynamicGap(new SessionWindowTimeGapExtractor<Tuple2<String, Long>>() {

    @Override

    public long extract(Tuple2<String, Long> element) { // 返回 gap值, 单位毫秒

        return element.f0.length() * 1000;

    }

}))

创建原理

因为会话窗口没有固定的开启和关闭时间, 所以会话窗口的创建和关闭与滚动,滑动窗口不同. 在Flink内部, 每到达一个新的元素都会创建一个新的会话窗口, 如果这些窗口彼此相距比较定义的gap小, 则会对他们进行合并. 为了能够合并, 会话窗口算子需要合并触发器和合并窗口函数: ReduceFunction, AggregateFunction, or ProcessWindowFunction

全局窗口(Global Windows)

全局窗口分配器会分配相同key的所有元素进入同一个 Global window. 这种窗口机制只有指定自定义的触发器时才有用. 否则, 不会做任务计算, 因为这种窗口没有能够处理聚集在一起元素的结束点.

示例代码:

.window(GlobalWindows.create());

基于元素个数的窗口

按照指定的数据条数生成一个Window，与时间无关

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。

示例代码

.countWindow(3)

说明:那个窗口先达到3个元素, 哪个窗口就关闭. 不影响其他的窗口.

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范围最多是3个元素。

实例代码

.countWindow(3, 2)

3.窗口函数

前面指定了窗口的分配器, 接着我们需要来指定如何计算, 这事由window function来负责. 一旦窗口关闭, window function 去计算处理窗口中的每个元素.

window function 可以是ReduceFunction,AggregateFunction,or ProcessWindowFunction中的任意一种.

ReduceFunction,AggregateFunction更加高效, 原因就是Flink可以对到来的元素进行增量聚合 ProcessWindowFunction 可以得到一个包含这个窗口中所有元素的迭代器, 以及这些元素所属窗口的一些元数据信息.

ProcessWindowFunction不能被高效执行的原因是Flink在执行这个函数之前, 需要在内部缓存这个窗口上所有的元素

ReduceFunction(增量聚合函数)

package com.flink.day04_window;

import org.apache.flink.api.common.functions.FlatMapFunction;

import org.apache.flink.api.common.functions.ReduceFunction;

import org.apache.flink.api.java.tuple.Tuple2;

import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;

import org.apache.flink.streaming.api.windowing.assigners.TumblingProcessingTimeWindows;

import org.apache.flink.streaming.api.windowing.time.Time;

import org.apache.flink.util.Collector;

import java.util.Arrays;

/**

 * @description: TODO 窗口函数之增量聚合函数:reduce

 *               注意：第一个元素不会进入reduce方法

 * @author: HaoWu

 * @create: 2021年05月17日

 */

public class Flink03_Window_Function_ReduceFunction {

    public static void main(String[] args) throws Exception {

        StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();

        env.setParallelism(2);

        env.socketTextStream("localhost",9999)

                .flatMap(new FlatMapFunction<String, Tuple2<String,Integer>>() {

                    @Override

                    public void flatMap(String value, Collector<Tuple2<String, Integer>> out) throws Exception {

                        Arrays.stream(value.split(",")).forEach(word -> out.collect(Tuple2.of(word, 1)));

                    }

                })

                .keyBy(t->t.f0)

                .window(TumblingProcessingTimeWindows.of(Time.seconds(5)))

                // value1是上次聚合的结果. 所以遇到每个窗口的第一个元素时, 这个函数不会进来

                .reduce(new ReduceFunction<Tuple2<String, Integer>>() {

                    @Override

                    public Tuple2<String, Integer> reduce(Tuple2<String, Integer> value1, Tuple2<String, Integer> value2) throws Exception {

                        System.out.println(value1+"----------"+value2);

                        return Tuple2.of(value1.f0,value1.f1+value2.f1);

                    }

                }).print();

        env.execute();

    }

}

AggregateFunction(增量聚合函数)

package com.flink.day04_window;

import org.apache.flink.api.common.functions.AggregateFunction;

import org.apache.flink.api.common.functions.FlatMapFunction;

import org.apache.flink.api.java.tuple.Tuple2;

import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;

import org.apache.flink.streaming.api.windowing.assigners.TumblingProcessingTimeWindows;

import org.apache.flink.streaming.api.windowing.time.Time;

import org.apache.flink.util.Collector;

import java.util.Arrays;

/**

 * @description: TODO 窗口函数之增量聚合函数:aggregate

 * @author: HaoWu

 * @create: 2021年05月25日

 */

public class Flink04_Window_Function_AggregateFunction {

    public static void main(String[] args) throws Exception {

        //1.创建执行环境

        StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();

        //2.逻辑处理

        env.socketTextStream("localhost", 9999)

                .flatMap(new FlatMapFunction<String, Tuple2<String, Long>>() {

                    @Override

                    public void flatMap(String value, Collector<Tuple2<String, Long>> out) throws Exception {

                        String[] arr = value.split(",");

                        Arrays.stream(arr).forEach(x -> out.collect(Tuple2.of(x, 1L)));

                    }

                })

                .keyBy(x -> x.f0)

                .window(TumblingProcessingTimeWindows.of(Time.seconds(5)))

                .aggregate(new AggregateFunction<Tuple2<String, Long>, Long, Long>() {

                               // 创建累加器: 初始化中间值

                               @Override

                               public Long createAccumulator() {

                                   System.out.println("createAccumulator");

                                   return 0L;

                               }

                               // 累加器操作

                               @Override

                               public Long add(Tuple2<String, Long> value, Long accumulator) {

                                   System.out.println("add");

                                   return accumulator + value.f1;

                               }

                               // 获取结果

                               @Override

                               public Long getResult(Long accumulator) {

                                   System.out.println("getResult");

                                   return accumulator;

                               }

                               // 累加器的合并: 只有会话窗口才会调用

                               @Override

                               public Long merge(Long a, Long b) {

                                   System.out.println("merge");

                                   return a + b;

                               }

                           }

                ).print();

        //3.执行程序

        env.execute();

    }

}

ProcessWindowFunction(全窗口函数)

package com.flink.day04_window;

import org.apache.flink.api.common.functions.FlatMapFunction;

import org.apache.flink.api.java.tuple.Tuple2;

import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;

import org.apache.flink.streaming.api.functions.windowing.ProcessWindowFunction;

import org.apache.flink.streaming.api.windowing.assigners.TumblingProcessingTimeWindows;

import org.apache.flink.streaming.api.windowing.time.Time;

import org.apache.flink.streaming.api.windowing.windows.TimeWindow;

import org.apache.flink.util.Collector;

import java.util.Arrays;

/**

 * @description: TODO 窗口函数之 全窗口函数

 * @author: HaoWu

 * @create: 2021年05月25日

 */

public class Flink05_Window_Function_ProcessWindowFunction {

    public static void main(String[] args) throws Exception {

        //1.创建执行环境

        StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();

        env.setParallelism(2);

        //2.逻辑处理

        env.socketTextStream("localhost", 9999)

                .flatMap(new FlatMapFunction<String, Tuple2<String, Long>>() {

                    @Override

                    public void flatMap(String value, Collector<Tuple2<String, Long>> out) throws Exception {

                        String[] arr = value.split(",");

                        Arrays.stream(arr).forEach(x -> out.collect(Tuple2.of(x, 1L)));

                    }

                })

                .keyBy(x -> x.f0)

                .window(TumblingProcessingTimeWindows.of(Time.seconds(5)))

                .process(new ProcessWindowFunction<Tuple2<String, Long>, Tuple2<String,Long>, String, TimeWindow>() {

                    // 参数1: key 参数2: 上下文对象 参数3: 这个窗口内所有的元素 参数4: 收集器, 用于向下游传递数据

                    @Override

                    public void process(String key, Context context, Iterable<Tuple2<String, Long>> elements, Collector<Tuple2<String, Long>> out) throws Exception {

                        System.out.println("窗口开始："+context.window().getStart());

                        long sum = 0L;

                        for (Tuple2<String, Long> t : elements) {

                            sum += t.f1;

                        }

                        out.collect(Tuple2.of(key, sum));

                        System.out.println("窗口结束："+context.window().getEnd());

                    }

                }).print();

        //3.执行程序

        env.execute();

    }

}

4.Key和No Key的窗口区别

其实, 在用window前首先需要确认应该是在keyBy后的流上用, 还是在没有keyBy的流上使用.

在keyed streams上使用窗口, 窗口计算被并行的运用在多个task上, 可以认为每个task都有自己单独窗口. 正如前面的代码所示.

在非non-keyed stream上使用窗口, 流的并行度只能是1, 所有的窗口逻辑只能在一个单独的task上执行.

示例代码

.windowAll(TumblingProcessingTimeWindows.of(Time.seconds(10)))

需要注意的是: 非key分区的流, 即使把并行度设置为大于1 的数, 窗口也只能在某个分区上使用