24、Flink 基础 - Flink的Window
一、Flink Window
1.1 概述
streaming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是一种切割无限数据为有限块进行处理的手段。
Window是无限数据流处理的核心，Window将一个无限的stream拆分成有限大小的”buckets”桶，我们可以在这些桶上做计算操作。
举例子：假设按照时间段划分桶，接收到的数据马上能判断放到哪个桶，且多个桶的数据能并行被处理。（迟到的数据也可判断是原本属于哪个桶的）
1.2 Window类型
1、 时间窗口（TimeWindow）；
1)滚动时间窗口
2)滑动时间窗口
3)会话窗口 2、 计数窗口（CountWindow）；
1)滚动计数窗口
2)滑动计数窗口
TimeWindow：按照时间生成Window
CountWindow：按照指定的数据条数生成一个Window，与时间无关
滚动窗口(Tumbling Windows)
1、 依据固定的窗口长度对数据进行切分；
2、 时间对齐，窗口长度固定，没有重叠；
滑动窗口(Sliding Windows)
1、 可以按照固定的长度向后滑动固定的距离；
2、 滑动窗口由固定的窗口长度和滑动间隔组成；
3、 可以有重叠(是否重叠和滑动距离有关系)；
4、 滑动窗口是固定窗口的更广义的一种形式，滚动窗口可以看做是滑动窗口的一种特殊情况（即窗口大小和滑动间隔相等）；
会话窗口(Session Windows)
1、 由一系列事件组合一个指定时间长度的timeout间隙组成，也就是一段时间没有接收到新数据就会生成新的窗口；
2、 特点：时间无对齐；
二、Flink Window API
2.1 概述
1、 窗口分配器——window()方法；
2、 我们可以用.window()来定义一个窗口，然后基于这个window去做一些聚合或者其他处理操作；
注意window()方法必须在keyBy之后才能使用。 3、 Flink提供了更加简单的.timeWindow()和.countWindow()方法，用于定义时间窗口和计数窗口；
DataStream<Tuple2<String,Double>> minTempPerWindowStream =
datastream
.map(new MyMapper())
.keyBy(data -> data.f0)
.timeWindow(Time.seconds(15))
.minBy(1);
窗口分配器(window assigner)
1、 window()方法接收的输入参数是一个WindowAssigner；
2、 WindowAssigner负责将每条输入的数据分发到正确的window中；
3、 Flink提供了通用的WindowAssigner；
1)滚动窗口（tumbling window）
2)滑动窗口（sliding window）
3)会话窗口（session window）
4)全局窗口（global window）
创建不同类型的窗口
1、 滚动时间窗口（tumblingtimewindow）；
.timeWindow(Time.seconds(15)) 2、 滑动时间窗口（slidingtimewindow）；
timeWindow(Time.seconds(15),Time.seconds(5)) 3、 会话窗口（sessionwindow）；
.window(EventTimeSessionWindows.withGap(Time.minutes(10))) 4、 滚动计数窗口（tumblingcountwindow）；
.countWindow(5) 5、 滑动计数窗口（slidingcountwindow）；
.countWindow(10,2)
DataStream的windowAll()类似分区的global操作，这个操作是non-parallel的(并行度强行为1)，所有的数据都会被传递到同一个算子operator上，官方建议如果非必要就不要用这个API
2.2 TimeWindow
TimeWindow将指定时间范围内的所有数据组成一个window，一次对一个window里面的所有数据进行计算。
滚动窗口
Flink默认的时间窗口根据ProcessingTime进行窗口的划分，将Flink获取到的数据根据进入Flink的时间划分到不同的窗口中。
DataStream<Tuple2<String, Double>> minTempPerWindowStream = dataStream
.map(new MapFunction<SensorReading, Tuple2<String, Double>>() {
@Override
public Tuple2<String, Double> map(SensorReading value) throws Exception {
return new Tuple2<>(value.getId(), value.getTemperature());
}
})
.keyBy(data -> data.f0)
.timeWindow( Time.seconds(15) )
.minBy(1);
时间间隔可以通过Time.milliseconds(x)，Time.seconds(x)，Time.minutes(x)等其中的一个来指定。
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5s，也就是说，每5s就计算输出结果一次，每一次计算的window范围是15s内的所有元素。
DataStream<SensorReading> minTempPerWindowStream = dataStream
.keyBy(SensorReading::getId)
.timeWindow( Time.seconds(15), Time.seconds(5) )
.minBy("temperature");
时间间隔可以通过Time.milliseconds(x)，Time.seconds(x)，Time.minutes(x)等其中的一个来指定。
2.3 CountWindow
CountWindow根据窗口中相同key元素的数量来触发执行，执行时只计算元素数量达到窗口大小的key对应的结果。
** 注意：CountWindow的window_size指的是相同Key的元素的个数，不是输入的所有元素的总数。**
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。
DataStream<SensorReading> minTempPerWindowStream = dataStream
.keyBy(SensorReading::getId)
.countWindow( 5 )
.minBy("temperature");
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范围是10个元素。
DataStream<SensorReading> minTempPerWindowStream = dataStream
.keyBy(SensorReading::getId)
.countWindow( 10, 2 )
.minBy("temperature");
2.4 window function
window function 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：
1、 增量聚合函数（incrementalaggregationfunctions）；
2、 全窗口函数（fullwindowfunctions）；
增量聚合函数
1、 每条数据到来就进行计算，保持一个简单的状态（来一条处理一条，但是不输出，到窗口临界位置才输出）；
2、 典型的增量聚合函数有ReduceFunction,AggregateFunction；
全窗口函数
1、 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（来一个放一个，窗口临界位置才遍历且计算、输出）；
2、 ProcessWindowFunction，WindowFunction；
2.5 其他可选API
1、 .trigger()——触发器；
定义window 什么时候关闭，触发计算并输出结果 2、 .evitor()——移除器；
定义移除某些数据的逻辑 3、 .allowedLateness()——允许处理迟到的数据；
4、 .sideOutputLateData()——将迟到的数据放入侧输出流；
5、 .getSideOutput()——获取侧输出流；
三、代码测试
3.1 测试滚动时间窗口的增量聚合函数
增量聚合函数，特点即每次数据过来都处理，但是到了窗口临界才输出结果。
Java代码:
package org.flink.window;
import org.flink.beans.SensorReading;
import org.apache.flink.api.common.functions.AggregateFunction;
import org.apache.flink.streaming.api.datastream.DataStream;
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;
/**
* @remark : 测试滚动时间窗口的增量聚合函数
*/
public class WindowTest1_TimeWindow {
public static void main(String[] args) throws Exception {
// 创建执行环境
StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
// 并行度设置1，方便看结果
env.setParallelism(1);
// // 从文件读取数据
// DataStream<String> dataStream = env.readTextFile("/tmp/Flink_Tutorial/src/main/resources/sensor.txt");
// 从socket文本流获取数据
DataStream<String> inputStream = env.socketTextStream("10.31.1.122", 7777);
// 转换成SensorReading类型
DataStream<SensorReading> dataStream = inputStream.map(line -> {
String[] fields = line.split(",");
return new SensorReading(fields[0], new Long(fields[1]), new Double(fields[2]));
});
// 开窗测试
// 1. 增量聚合函数 (这里简单统计每个key组里传感器信息的总数)
DataStream<Integer> resultStream = dataStream.keyBy("id")
// .countWindow(10, 2);
// .window(EventTimeSessionWindows.withGap(Time.minutes(1)));
// .window(TumblingProcessingTimeWindows.of(Time.seconds(15)))
// .timeWindow(Time.seconds(15)) // 已经不建议使用@Deprecated
.window(TumblingProcessingTimeWindows.of(Time.seconds(15)))
.aggregate(new AggregateFunction<SensorReading, Integer, Integer>() {
// 新建的累加器
@Override
public Integer createAccumulator() {
return 0;
}
// 每个数据在上次的基础上累加
@Override
public Integer add(SensorReading value, Integer accumulator) {
return accumulator + 1;
}
// 返回结果值
@Override
public Integer getResult(Integer accumulator) {
return accumulator;
}
// 分区合并结果(TimeWindow一般用不到，SessionWindow可能需要考虑合并)
@Override
public Integer merge(Integer a, Integer b) {
return a + b;
}
});
resultStream.print("result");
env.execute();
}
}
运行Java程序，查看结果
启动Flink程序，在socket窗口输入数据
输入(下面用“换行”区分每个15s内的输入，实际输入时无换行)
sensor_1,1547718199,35.8
sensor_6,1547718201,15.4
sensor_7,1547718202,6.7
sensor_10,1547718205,38.1
sensor_1,1547718207,36.3
sensor_1,1547718209,32.8
sensor_1,1547718212,37.1
输出（下面用“换行”区分每个15s内的输出，实际输出无换行）
因为代码实现每15s一个window，所以"sensor_1"中间一组才累计2，最初一次不累计，最后一次也是另外的window，重新从1计数。
result> 1
result> 1
result> 1
result> 1
result> 2
result> 1
3.2 测试滚动时间窗口的全窗口函数
全窗口函数，特点即数据过来先不处理，等到窗口临界再遍历、计算、输出结果。
代码:
package org.flink.window;
import org.flink.beans.SensorReading;
import org.apache.commons.collections.IteratorUtils;
import org.apache.flink.api.common.functions.AggregateFunction;
import org.apache.flink.api.java.tuple.Tuple;
import org.apache.flink.api.java.tuple.Tuple3;
import org.apache.flink.streaming.api.datastream.DataStream;
import org.apache.flink.streaming.api.datastream.SingleOutputStreamOperator;
import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;
import org.apache.flink.streaming.api.functions.windowing.WindowFunction;
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;
/**
* @remark : 测试滚动时间窗口的全窗口函数
*/
public class WindowTest2_TimeWindow {
public static void main(String[] args) throws Exception {
// 创建执行环境
StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
// 并行度设置1，方便看结果
env.setParallelism(1);
// // 从文件读取数据
// DataStream<String> dataStream = env.readTextFile("/tmp/Flink_Tutorial/src/main/resources/sensor.txt");
// 从socket文本流获取数据
DataStream<String> inputStream = env.socketTextStream("10.31.1.122", 7777);
// 转换成SensorReading类型
DataStream<SensorReading> dataStream = inputStream.map(line -> {
String[] fields = line.split(",");
return new SensorReading(fields[0], new Long(fields[1]), new Double(fields[2]));
});
// 2. 全窗口函数 （WindowFunction和ProcessWindowFunction，后者更全面）
SingleOutputStreamOperator<Tuple3<String, Long, Integer>> resultStream2 = dataStream.keyBy(SensorReading::getId)
.window(TumblingProcessingTimeWindows.of(Time.seconds(15)))
// .process(new ProcessWindowFunction<SensorReading, Object, Tuple, TimeWindow>() {
// })
.apply(new WindowFunction<SensorReading, Tuple3<String, Long, Integer>, String, TimeWindow>() {
@Override
public void apply(String s, TimeWindow window, Iterable<SensorReading> input, Collector<Tuple3<String, Long, Integer>> out) throws Exception {
String id = s;
long windowEnd = window.getEnd();
int count = IteratorUtils.toList(input.iterator()).size();
out.collect(new Tuple3<>(id, windowEnd, count));
}
});
resultStream2.print("result2");
env.execute();
}
}
启动远程 nc
nc -lk 7777
在本地socket输入，查看Flink输出结果
输入（以“空行”表示每个15s时间窗口内的输入，实际没有“空行”）
sensor_1,1547718199,35.8
sensor_6,1547718201,15.4
sensor_7,1547718202,6.7
sensor_10,1547718205,38.1
sensor_1,1547718207,36.3
sensor_1,1547718209,32.8
输出（以“空行”表示每个15s时间窗口内的输入，实际没有“空行”）
这里每个window都是分开计算的，所以第一个window里的sensor_1和第二个window里的sensor_1并没有累计。
result2> (sensor_1,1612190820000,1)
result2> (sensor_6,1612190820000,1)
result2> (sensor_7,1612190835000,1)
result2> (sensor_1,1612190835000,2)
result2> (sensor_10,1612190835000,1)
2.3 测试滑动计数窗口的增量聚合函数
滑动窗口，当窗口不足设置的大小时，会先按照步长输出。
eg：窗口大小10，步长2，那么前5次输出时，窗口内的元素个数分别是（2，4，6，8，10），再往后就是10个为一个窗口了。
代码:
package org.flink.window;
import org.flink.beans.SensorReading;
import org.apache.flink.api.common.functions.AggregateFunction;
import org.apache.flink.api.java.tuple.Tuple2;
import org.apache.flink.streaming.api.datastream.DataStream;
import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;
/**
* @remark : 测试滑动计数窗口的增量聚合函数
*/
public class WindowTest3_CountWindow {
public static void main(String[] args) throws Exception {
// 创建执行环境
StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
// 并行度设置1，方便看结果
env.setParallelism(1);
// 从socket文本流获取数据
DataStream<String> inputStream = env.socketTextStream("10.31.1.122", 7777);
// 转换成SensorReading类型
DataStream<SensorReading> dataStream = inputStream.map(line -> {
String[] fields = line.split(",");
return new SensorReading(fields[0], new Long(fields[1]), new Double(fields[2]));
});
DataStream<Double> resultStream = dataStream.keyBy(SensorReading::getId)
.countWindow(10, 2)
.aggregate(new MyAvgFunc());
resultStream.print("result");
env.execute();
}
public static class MyAvgFunc implements AggregateFunction<SensorReading, Tuple2<Double, Integer>, Double> {
@Override
public Tuple2<Double, Integer> createAccumulator() {
return new Tuple2<>(0.0, 0);
}
@Override
public Tuple2<Double, Integer> add(SensorReading value, Tuple2<Double, Integer> accumulator) {
// 温度累加求和，当前统计的温度个数+1
return new Tuple2<>(accumulator.f0 + value.getTemperature(), accumulator.f1 + 1);
}
@Override
public Double getResult(Tuple2<Double, Integer> accumulator) {
return accumulator.f0 / accumulator.f1;
}
@Override
public Tuple2<Double, Integer> merge(Tuple2<Double, Integer> a, Tuple2<Double, Integer> b) {
return new Tuple2<>(a.f0 + b.f0, a.f1 + b.f1);
}
}
}
启动远程nc服务
nc -lk 7777
本地socket输入，Flink控制台查看输出结果
输入
这里为了方便，就只输入同一个keyBy组的数据sensor_1
sensor_1,1547718199,1
sensor_1,1547718199,2
sensor_1,1547718199,3
sensor_1,1547718199,4
sensor_1,1547718199,5
sensor_1,1547718199,6
sensor_1,1547718199,7
sensor_1,1547718199,8
sensor_1,1547718199,9
sensor_1,1547718199,10
sensor_1,1547718199,11
sensor_1,1547718199,12
sensor_1,1547718199,13
sensor_1,1547718199,14
输出
输入时，会发现，每次到达一个窗口步长（这里为2），就会计算得出一次结果。
第一次计算前2个数的平均值
第二次计算前4个数的平均值
第三次计算前6个数的平均值
第四次计算前8个数的平均值
第五次计算前10个数的平均值
第六次计算前最近10个数的平均值
第七次计算前最近10个数的平均值
result> 1.5
result> 2.5
result> 3.5
result> 4.5
result> 5.5
result> 7.5
result> 9.5
3.4 其他可选API代码片段
// 3. 其他可选API
OutputTag<SensorReading> outputTag = new OutputTag<SensorReading>("late") {
};
SingleOutputStreamOperator<SensorReading> sumStream = dataStream.keyBy("id")
.timeWindow(Time.seconds(15))
// .trigger() // 触发器，一般不使用
// .evictor() // 移除器，一般不使用
.allowedLateness(Time.minutes(1)) // 允许1分钟内的迟到数据<=比如数据产生时间在窗口范围内，但是要处理的时候已经超过窗口时间了
.sideOutputLateData(outputTag) // 侧输出流，迟到超过1分钟的数据，收集于此
.sum("temperature"); // 侧输出流 对 温度信息 求和。
// 之后可以再用别的程序，把侧输出流的信息和前面窗口的信息聚合。（可以把侧输出流理解为用来批处理来补救处理超时数据）