Flink窗口介绍及应用

Windows是Flink流计算的核心，本文将概括的介绍几种窗口的概念，重点只放在窗口的应用上。

本实验的数据采用自拟电影评分数据（userId, movieId, rating, timestamp），userId和movieId范围分别为1-100和1-200的随机数，rating范围为[0:0.5:5.0]一共10个档位，timestamp为10000-20000之间的随机数，且数据顺序采用timestamp的升序排列。（2.1-2.6节的数据是乱序）

一、窗口（window）的类型

对于窗口的操作主要分为两种，分别对于Keyedstream和Datastream。他们的主要区别也仅仅在于建立窗口的时候一个为.window(...)，一个为.windowAll(...)。对于Keyedstream的窗口来说，他可以使得多任务并行计算，每一个logical key stream将会被独立的进行处理。

stream
       .keyBy(...)               <-  keyed versus non-keyed windows
       .window(...)/.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/fold/apply()      <-  required: "function"
      [.getSideOutput(...)]      <-  optional: "output tag"

按照窗口的Assigner来分，窗口可以分为

Tumbling window， sliding window，session window，global window，custom window

每种窗口又可分别基于processing time和event time，这样的话，窗口的类型严格来说就有很多。

还有一种window叫做count window，依据元素到达的数量进行分配，之后也会提到。

窗口的生命周期开始在第一个属于这个窗口的元素到达的时候，结束于第一个不属于这个窗口的元素到达的时候。

二、窗口的操作

2.1 Tumbling window

固定相同间隔分配窗口，每个窗口之间没有重叠看图一眼明白。

下面的例子定义了每隔3毫秒一个窗口的流：

WindowedStream<MovieRate, Integer, TimeWindow> Rates = rates
    .keyBy(MovieRate::getUserId)
    .window(TumblingEventTimeWindows.of(Time.milliseconds(3)));

2.2 Sliding Windows

跟上面一样，固定相同间隔分配窗口，只不过每个窗口之间有重叠。窗口重叠的部分如果比窗口小，窗口将会有多个重叠，即一个元素可能被分配到多个窗口里去。

下面的例子给出窗口大小为10毫秒，重叠为5毫秒的流：

WindowedStream<MovieRate, Integer, TimeWindow> Rates = rates
                .keyBy(MovieRate::getUserId)
                .window(SlidingEventTimeWindows.of(Time.milliseconds(10), Time.milliseconds(5)));

2.3 Session window

这种窗口主要是根据活动的事件进行窗口化，他们通常不重叠，也没有一个固定的开始和结束时间。一个session window关闭通常是由于一段时间没有收到元素。在这种用户交互事件流中，我们首先想到的是将事件聚合到会话窗口中（一段用户持续活跃的周期），由非活跃的间隙分隔开。

// 静态间隔时间
WindowedStream<MovieRate, Integer, TimeWindow> Rates = rates
                .keyBy(MovieRate::getUserId)
                .window(EventTimeSessionWindows.withGap(Time.milliseconds(10)));
// 动态时间
WindowedStream<MovieRate, Integer, TimeWindow> Rates = rates
                .keyBy(MovieRate::getUserId)
                .window(EventTimeSessionWindows.withDynamicGap(()));

2.4 Global window

将所有相同keyed的元素分配到一个窗口里。好吧，就这样：

WindowedStream<MovieRate, Integer, GlobalWindow> Rates = rates
    .keyBy(MovieRate::getUserId)
    .window(GlobalWindows.create());

三、窗口函数

窗口函数就是这四个：ReduceFunction，AggregateFunction，FoldFunction，ProcessWindowFunction。前两个执行得更有效，因为Flink可以增量地聚合每个到达窗口的元素。

Flink必须在调用函数之前在内部缓冲窗口中的所有元素，所以使用ProcessWindowFunction进行操作效率不高。不过ProcessWindowFunction可以跟其他的窗口函数结合使用，其他函数接受增量信息，ProcessWindowFunction接受窗口的元数据。

举一个AggregateFunction的例子吧，下面代码为MovieRate按user分组，且分配5毫秒的Tumbling窗口，返回每个user在窗口内评分的所有分数的平均值。

DataStream<Tuple2<Integer,Double>> Rates = rates
                .keyBy(MovieRate::getUserId)
                .window(TumblingEventTimeWindows.of(Time.milliseconds(5)))
                .aggregate(new AggregateFunction<MovieRate, AverageAccumulator, Tuple2<Integer,Double>>() {
                    @Override
                    public AverageAccumulator createAccumulator() {
                        return new AverageAccumulator();
                    }

                    @Override
                    public AverageAccumulator add(MovieRate movieRate, AverageAccumulator acc) {
                        acc.userId = movieRate.userId;
                        acc.sum += movieRate.rate;
                        acc.count++;
                        return acc;
                    }

                    @Override
                    public Tuple2<Integer,Double> getResult(AverageAccumulator acc) {
                        return  Tuple2.of(acc.userId, acc.sum/(double)acc.count);
                    }

                    @Override
                    public AverageAccumulator merge(AverageAccumulator acc0, AverageAccumulator acc1) {
                        acc0.count += acc1.count;
                        acc0.sum += acc1.sum;
                        return acc0;
                    }
                });

public static class AverageAccumulator{
        int userId;
        int count;
        double sum;
    }

以下是部分输出：

...
1> (44,3.0)
4> (96,0.5)
2> (51,0.5)
3> (90,2.75)
...

看上面的代码，会发现add()函数特别生硬，因为我们想返回Tuple2<Integer, Double>类型，即Integer为key，但AggregateFunction似乎没有提供这个机制可以让AverageAccumulator的构造函数提供参数。所以，这里引入ProcessWindowFunction与AggregateFunction的结合版，AggregateFunction进行增量叠加，当窗口关闭时，ProcessWindowFunction将会被提供AggregateFunction返回的结果，进行Tuple封装：

DataStream<Tuple2<Integer,Double>> Rates = rates
    .keyBy(MovieRate::getUserId)
    .window(TumblingEventTimeWindows.of(Time.milliseconds(5)))
    .aggregate(new MyAggregateFunction(), new MyProcessWindowFunction());

public static class MyAggregateFunction implements AggregateFunction<MovieRate, AverageAccumulator, Double> {
    @Override
    public AverageAccumulator createAccumulator() {
        return new AverageAccumulator();
    }

    @Override
    public AverageAccumulator add(MovieRate movieRate, AverageAccumulator acc) {
        acc.sum += movieRate.rate;
        acc.count++;
        return acc;
    }

    @Override
    public Double getResult(AverageAccumulator acc) {
        return  acc.sum/(double)acc.count;
    }

    @Override
    public AverageAccumulator merge(AverageAccumulator acc0, AverageAccumulator acc1) {
        acc0.count += acc1.count;
        acc0.sum += acc1.sum;
        return acc0;
    }
}

public static class MyProcessWindowFunction extends
    ProcessWindowFunction<Double, Tuple2<Integer, Double>, Integer, TimeWindow> {

    @Override
    public void process(Integer key,
                        Context context,
                        Iterable<Double> results,
                        Collector<Tuple2<Integer, Double>> out) throws Exception {
        Double result = results.iterator().next();
        out.collect(new Tuple2<>(key, result));
    }
}

public static class AverageAccumulator{
    int count;
    double sum;
}

可以得到，结果与上面一样，但代码好看了很多。

四、其他操作

4.1 Triggers（触发器）

触发器定义了窗口何时准备好被窗口处理。每个窗口分配器默认都有一个触发器，如果默认的触发器不符合你的要求，就可以使用trigger(...)自定义触发器。

通常来说，默认的触发器适用于多种场景。例如，多有的event-time窗口分配器都有一个EventTimeTrigger作为默认触发器。该触发器在watermark通过窗口末尾时出发。

PS：GlobalWindow默认的触发器时NeverTrigger，该触发器从不出发，所以在使用GlobalWindow时必须自定义触发器。

4.2 Evictors（驱逐器）

Evictors可以在触发器触发之后以及窗口函数被应用之前和/或之后可选择的移除元素。使用Evictor可以防止预聚合，因为窗口的所有元素都必须在应用计算逻辑之前先传给Evictor进行处理

4.3 Allowed Lateness

当使用event-time窗口时，元素可能会晚到，例如Flink用于跟踪event-time进度的watermark已经超过了窗口的结束时间戳。

默认来说，当watermark超过窗口的末尾时，晚到的元素会被丢弃。但是flink也允许为窗口operator指定最大的allowed lateness，以至于可以容忍在彻底删除元素之前依然接收晚到的元素，其默认值是0。

为了支持该功能，Flink会保持窗口的状态，知道allowed lateness到期。一旦到期，flink会删除窗口并删除其状态。

把晚到的元素当作side output。

SingleOutputStreamOperator<T> result = input
    .keyBy(<key selector>)
    .window(<window assigner>)
    .allowedLateness(<time>)
    .sideOutputLateData(lateOutputTag)
    .<windowed transformation>(<window function>);