區(qū)分理解Flink水印延遲與窗口允許延遲的概念
link 在開窗處理事件時間(Event Time) 數(shù)據(jù)時，可設置水印延遲以及設置窗口允許延遲(allowedLateness)以保證數(shù)據(jù)的完整性。這兩者因都是設置延遲時間所以剛接觸時容易混淆。本文接下將展開討論分析“水印延遲”與“窗口允許延遲”概念及區(qū)別。
水印延遲(WaterMark)
(1) 水印
由于采用了事件時間，脫離了物理掛鐘。窗口不知道什么時候需要關閉并進行計算，這個時候需要借助水印來解決該問題。當窗口遇到水位標識時就默認是窗口時間段內(nèi)的數(shù)據(jù)都到齊了，可以觸發(fā)窗口計算。
(2) 水印延遲
設置水印延遲時間的目的是讓水印延遲到達，從而可以解決亂序問題。通過水印延遲到達讓在延遲時間范圍內(nèi)到達的遲到數(shù)據(jù)可以加入到窗口計算中，保證了數(shù)據(jù)的完整性。當水印到達后就會觸發(fā)窗口計算，在水印之后到達的遲到數(shù)據(jù)則會被丟棄。
窗口允許延遲(allowedLateness)
使用 StreamAPI 時，在進行開窗后可設置 allowedLateness 窗口延遲。官網(wǎng)中對其解釋如下：
| 默認情況下，當水印到達窗口末端時，遲到元素將會被刪除。但Flink允許為window operators指定允許的最大延遲。允許延遲指定元素在被刪除之前延遲的時間，默認值為0。當元素在水印經(jīng)過窗口末端后到達，且它的到達時間在窗口末端加上運行延遲的時間之內(nèi)，其仍會被添加到窗口中。根據(jù)所使用的觸發(fā)器，延遲但未被丟棄的元素可能會再次觸發(fā)窗口計算。EventTimeTrigger就是這種情況。為了做到這一點，F(xiàn)link保持窗口的狀態(tài)，直到它們允許的延遲到期。一旦發(fā)生這種情況，F(xiàn)link將刪除窗口并刪除其狀態(tài)，正如窗口生命周期部分中所描述的那樣。 |
簡單理解：通常在水印到達之后遲到數(shù)據(jù)將會被刪除，而窗口的延遲則是指數(shù)據(jù)在被刪除之前的允許保留時間。也就是說，在水印達到之后遲到數(shù)據(jù)本該被刪除，但是如果設置了窗口延遲，那么在水印之后到窗口延遲時間段內(nèi)到達的遲到數(shù)據(jù)還是會被加入到窗口計算中，并再次觸發(fā)窗口計算。
一個Demo 兩個猜想
下面我用一個 Demo 和兩個猜想來幫助大家加深理解這兩個概念。
例子：接收 Kafka 數(shù)據(jù)，數(shù)據(jù)為 JSON 格式如：{"word":"a","count":1,"time":1604286564}。我們開一個 5 秒的 tumbling windows 滾動窗口，以 word 作為 key 在窗口內(nèi)對 count 值進行累加。同時設置水印延遲 2 秒，窗口延遲 2 秒。代碼如下：
- public class MyExample {
- public static void main(String[] args) throws Exception {
- // 創(chuàng)建環(huán)境
- StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
- env.setParallelism(1);
- // 設置時間特性為
- env.setStreamTimeCharacteristic(TimeCharacteristic.EventTime);
- // 水印策略，其需要注入Timestamp Assigner（描述了如何訪問事件時間戳）和 Watermark Generator （事件流顯示的超出正常范圍的程度)
- WatermarkStrategy<WC> watermarkStrategy = WatermarkStrategy
- // forBoundedOutOfOrderness 屬于（periodic周期性），周期生成器通常通過onEvent()觀察傳入的事件，然后在框架調(diào)用onPeriodicEmit()時發(fā)出水印。
- .<WC>forBoundedOutOfOrderness(Duration.ofSeconds(2))
- .withTimestampAssigner(new SerializableTimestampAssigner<WC>() {
- @Override
- public long extractTimestamp(WC wc, long l) {
- return wc.getEventTime() * 1000;
- }
- });
- // Kafka 配置
- Properties properties = new Properties();
- properties.setProperty("bootstrap.servers", "Kafka地址:9092");
- properties.setProperty("group.id", "test");
- // Flink 需要知道如何轉(zhuǎn)換Kafka消息為Java對象（反序列化），默認提供了 KafkaDeserializationSchema(序列化需要自己編寫)、JsonDeserializationSchema、AvroDeserializationSchema、TypeInformationSerializationSchema
- env.addSource(new FlinkKafkaConsumer<>("flinktest1", new JSONKeyValueDeserializationSchema(true), properties).setStartFromLatest())
- // map 構建 WC 對象
- .map(new MapFunction<ObjectNode, WC>() {
- @Override
- public WC map(ObjectNode jsonNode) throws Exception {
- JsonNode valueNode = jsonNode.get("value");
- WC wc = new WC(valueNode.get("word").asText(),valueNode.get("count").asInt(),valueNode.get("time").asLong());
- return wc;
- }
- })
- // 設定水印策略
- .assignTimestampsAndWatermarks(watermarkStrategy)
- .keyBy(WC::getWord)
- // 窗口設置，這里設置為滾動窗口
- .window(TumblingEventTimeWindows.of(Time.seconds(5)))
- // 設置窗口延遲
- .allowedLateness(Time.seconds(2))
- .reduce(new ReduceFunction<WC>() {
- @Override
- public WC reduce(WC wc, WC t1) throws Exception {
- return new WC(wc.getWord(), wc.getCount() + t1.getCount());
- }
- })
- .print();
- env.execute();
- }
- static class WC {
- public String word;
- public int count;
- public long eventTime;
- public long getEventTime() {
- return eventTime;
- }
- public void setEventTime(long eventTime) {
- this.eventTime = eventTime;
- }
- public String getWord() {
- return word;
- }
- public void setWord(String word) {
- this.word = word;
- }
- public int getCount() {
- return count;
- }
- public void setCount(int count) {
- this.count = count;
- }
- public WC(String word, int count) {
- this.word = word;
- this.count = count;
- }
- public WC(String word, int count,long eventTime) {
- this.word = word;
- this.count = count;
- this.eventTime = eventTime;
- }
- @Override
- public String toString() {
- return "WC{" +
- "word='" + word + '\'' +
- ", count=" + count +
- '}';
- }
- }
- }
猜想1：
水印延遲 2s 達到，所以會在第 5 + 2 = 7s 時認為 [ 0 ,5 ) 窗口的數(shù)據(jù)全部到齊，并觸發(fā)窗口計算。
- // 往 Kafka 中寫入數(shù)據(jù)
- {"word":"a","count":1,"time":1604286560} //2020-11-02 11:09:20
- {"word":"a","count":1,"time":1604286561} //2020-11-02 11:09:21
- {"word":"a","count":1,"time":1604286562} //2020-11-02 11:09:22
- {"word":"a","count":1,"time":1604286566} //2020-11-02 11:09:26
- {"word":"a","count":1,"time":1604286567} //2020-11-02 11:09:27 （觸發(fā)了窗口計算）
控制臺輸出
分析：通過測試發(fā)現(xiàn)最后在第 7s 也就是 11:09:27 時觸發(fā)了窗口計算，這符合了我們的猜想一。水印延遲 2s 達到，所以會在第 5 + 2 = 7s 時認為 [ 0 ,5 ) 窗口的數(shù)據(jù)全部到齊，并觸發(fā)窗口計算。計算結果為3，這是因為只有最前面的3條數(shù)據(jù)屬于 [0,5) 窗口計算范圍之內(nèi)。
猜想2：
設置了窗口延遲2秒，那么只要在水印之后到窗口允許延遲的時間范圍內(nèi)達到且屬于 [ 0,5) 窗口的遲到數(shù)據(jù)會被加入到窗口中，且再次觸發(fā)窗口運算：
- // 繼續(xù)往 Kafka 中寫入數(shù)據(jù)
- {"word":"a","count":1,"time":1604286568} //2020-11-02 11:09:28 時間到達了第 8 秒
- {"word":"a","count":1,"time":1604286563} //2020-11-02 11:09:23 模擬一個在水印之后、在窗口允許延遲范圍內(nèi)、且屬于[0,5) 窗口的遲到數(shù)據(jù)，該數(shù)據(jù)還是會觸發(fā)并參與到[0,5) 窗口的計算
控制臺輸出新增了一行
- // 我們再繼續(xù)往 Kafka 中寫入數(shù)據(jù)
- {"word":"a","count":1,"time":1604286569} //2020-11-02 11:09:29 時間到達第9秒
- {"word":"a","count":1,"time":1604286563} //2020-11-02 11:09:23 模擬一個在水印之后且超出窗口允許延遲范圍、且屬于[0,5) 窗口的遲到數(shù)據(jù)，該數(shù)據(jù)不會參與和觸發(fā)[0,5)窗口計算
查看控制臺并沒有發(fā)現(xiàn)新的輸出打印。
解析：水印因延遲在第 7s 到達之后會觸發(fā)[0,5) 窗口計算，如果沒有設置窗口延遲的情況下，水印之后遲到且屬于 [0,5) 窗口的數(shù)據(jù)會被丟棄。上面我們實驗設置窗口延遲 2s，實現(xiàn)的效果就是在水印之后，窗口允許延遲時間之內(nèi)(7 + 2 = 9s 之間)，遲到且屬于 [0,5) 窗口的數(shù)據(jù)還是會觸發(fā)一次窗口計算，并參與到窗口計算中。而在 9s 之后，也就是超過窗口允許延時時間，那么遲到且屬于[0,5)的數(shù)據(jù)就會被丟棄。
總結
- WaterMark 到達之前，窗口在攢數(shù)據(jù)，不會觸發(fā)計算。
- WaterMark 等于 windowEndTime 時，第一次觸發(fā)窗口計算。
- WaterMark 到達之后，allowlateness之前，如果來了數(shù)據(jù)，每條數(shù)據(jù)都會觸發(fā)窗口計算。
- 超過了allowlateness之后到達的遲到數(shù)據(jù)會丟棄。
水印用于解決亂序問題保證數(shù)據(jù)的完整性。而之所以有allowlateness的出現(xiàn)是因為如果WaterMark 加大會導致窗口計算延遲。WaterMark 設定的時間，是第一次觸發(fā)窗口計算的時間。allowlateness 表示，WaterMark 觸發(fā)窗口計算以后，還可以再等多久的遲到數(shù)據(jù)，每次符合條件的數(shù)據(jù)到達都會再次觸發(fā)一次窗口計算。allowlateness 是在 Watermark 基礎上再做了一層遲到數(shù)據(jù)的保證。
