Flink Window分析及Watermark解决乱序数据机制深入剖析

转载自：https://blog.csdn.net/shenshouniu/article/details/84558874

欢迎加入大数据学习群：
**Flink学习视频：**http://edu.51cto.com/sd/88e07

本文决心讲清楚这个纠结的水印Watermark问题，Come on ！

1 The Time

针对stream数据中的时间，可以分为以下三种：

• Event Time：事件产生的时间，它通常由事件中的时间戳描述。
• Ingestion time：事件进入Flink的时间
• Processing Time：事件被处理时当前系统的时间

• Flink中，默认Time类似是ProcessingTime ，可以在代码中设置：

1.1 tips（请认真思考下面的话，绝对震聋发溃！）

• 在水印的处理中，我们一般取事件时间序列的最大值作为水印的生成时间参考。

• 按照信号发生的顺序，时间是不断增加的，所以在时间序列上若出现事件时间小于时间序列最大值，一般都是延时的事件，时间序列最大值不会改变。

• 每处理一条事件数据，watermark时间就生成一次，后面窗的触发就是依据水印时间。若设置乱序延时为10s，则生成规则就是：

   final Long maxOutOfOrderness = 10000L;// 最大允许的乱序时间是10s
   new Watermark(currentMaxTimestamp - maxOutOfOrderness)
  
      
      
  
       
       
  1
       
       
  2
      
      

• 数据会按照时间进行依次Append,

• 水印依赖的条件是窗，水印只是决定了窗的触发时间，若设置最大允许的乱序时间是maxOutOfOrderness=10s，则窗的触发时机就是：

    watermark 时间 >= window_end_time
  
      
      
  
       
       
  1
      
      

• 窗触发时，数据除了正常的时间序列，同时也包含延时到达的序列。在窗触发前（也就水印时间），计算除了把之前的正常窗数据给触发了，同时还包含了本来也属于该窗的延时数据。

2 窗与水印的世纪谜题

• 事件时间的最大值，也就是当前的实际事件时间，因此需要以此为参考点。
• 实际窗：意思就是数据就在那里Append,窗数据已经准备好，等待触发时机。
• 水印时间不受影响：就是每次来的数据的事件时间最大值，不受延迟数据时间影响。
• 下面例子中，等水印时间为10:11:33时，满足时间窗 10:11:30 <-> 10:11:33的触发时机，此时需要处理的数据不仅包含正常数据10:11:32 ,同时还包含乱序数据10:11:31。
• 再次强调：窗时机到来时，会遍历乱序数据和原窗数据。
• 实际窗在流动，只是暂不触发。
• 水印也在标记流动
• 窗时机触发也在流动。
• watermark 时间 >= window_end_time时，触发历史窗执行。
  

3 EventTime和Watermarks 水位线理论碰撞

• 流处理从事件产生，到流经source，再到operator，中间是有一个过程和时间的。虽然大部分情况下，流到operator的数据都是按照事件产生的时间顺序来的，但是也不排除由于网络延迟等原因，导致乱序的产生，特别是使用kafka的话，多个分区的数据无法保证有序。所以在进行window计算的时候，我们又不能无限期的等下去，必须要有个机制来保证一个特定的时间后，必须触发window去进行计算了。这个特别的机制，就是watermark，watermark是用于处理乱序事件的。

• 通常，在接收到source的数据后，应该立刻生成watermark；但是，也可以在source后，应用简单的map或者filter操作后，再生成watermark。注意：如果指定多次watermark，后面指定的会覆盖前面的值。
  生成方式

• With Periodic Watermarks

    周期性的触发watermark的生成和发送，默认是100ms，每隔N秒自动向流里
    注入一个WATERMARK 时间间隔由ExecutionConfig.setAutoWatermarkInterval 
    决定. 每次调用getCurrentWatermark 方法, 如果得到的WATERMARK
    不为空并且比之前的大就注入流中 
    可以定义一个最大允许乱序的时间，这种比较常用
    实现AssignerWithPeriodicWatermarks接口
  
      
      
  
       
       
  1
       
       
  2
       
       
  3
       
       
  4
       
       
  5
       
       
  6
      
      

• With Punctuated Watermarks

    基于某些事件触发watermark的生成和发送基于事件向流里注入一个WATERMARK，
    每一个元素都有机会判断是否生成一个WATERMARK. 如果得到的WATERMARK
    不为空并且比之前的大就注入流中实现AssignerWithPunctuatedWatermarks接口
  
      
      
  
       
       
  1
       
       
  2
       
       
  3
      
      

• 多并行度流的watermarks

  注意：多并行度的情况下，watermark对齐会取所有channel最小的watermark。
  

4 With Periodic Watermarks案例实战

4.1 最朴实的水印方案（基于事件序列最大值）

 public class StreamingWindowWatermark {
public static void main(String[] args) throws Exception {
    //定义socket的端口号
    int port = 9010;
    //获取运行环境
    StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
    //设置使用eventtime，默认是使用processtime
    env.setStreamTimeCharacteristic(TimeCharacteristic.EventTime);
    //设置并行度为1,默认并行度是当前机器的cpu数量
    env.setParallelism(1);
    //连接socket获取输入的数据
    DataStream<String> text = env.socketTextStream("SparkMaster", port, "\n");

    //解析输入的数据
    DataStream<Tuple2<String, Long>> inputMap = text.map(new MapFunction<String, Tuple2<String, Long>>() {
        @Override
        public Tuple2<String, Long> map(String value) throws Exception {
            String[] arr = value.split(",");
            return new Tuple2<>(arr[0], Long.parseLong(arr[1]));
        }
    });

    //抽取timestamp和生成watermark
    DataStream<Tuple2<String, Long>> waterMarkStream = inputMap.assignTimestampsAndWatermarks(new AssignerWithPeriodicWatermarks<Tuple2<String, Long>>() {

        Long currentMaxTimestamp = 0L;
        final Long maxOutOfOrderness = 10000L;// 最大允许的乱序时间是10s

        SimpleDateFormat sdf = new SimpleDateFormat("yyyy-MM-dd HH:mm:ss.SSS");

        @Nullable
        @Override
        public Watermark getCurrentWatermark() {
            return new Watermark(currentMaxTimestamp - maxOutOfOrderness);
        }

        //定义如何提取timestamp
        @Override
        public long extractTimestamp(Tuple2<String, Long> element, long previousElementTimestamp) {
            long timestamp = element.f1;
            currentMaxTimestamp = Math.max(timestamp, currentMaxTimestamp);
            long id = Thread.currentThread().getId();
            System.out.println("作者：秦凯新 键值 :"+element.f0+",事件事件:[ "+sdf.format(element.f1)+" ],currentMaxTimestamp:[ "+
                    sdf.format(currentMaxTimestamp)+" ],水印时间:[ "+sdf.format(getCurrentWatermark().getTimestamp())+" ]");
            return timestamp;
        }
    });

    DataStream<String> window = waterMarkStream.keyBy(0)
            .window(TumblingEventTimeWindows.of(Time.seconds(3)))//按照消息的EventTime分配窗口，和调用TimeWindow效果一样
            .apply(new WindowFunction<Tuple2<String, Long>, String, Tuple, TimeWindow>() {
                /**
                 * 对window内的数据进行排序，保证数据的顺序
                 * @param tuple
                 * @param window
                 * @param input
                 * @param out
                 * @throws Exception
                 */
                @Override
                public void apply(Tuple tuple, TimeWindow window, Iterable<Tuple2<String, Long>> input, Collector<String> out) throws Exception {
                    String key = tuple.toString();
                    List<Long> arrarList = new ArrayList<Long>();
                    Iterator<Tuple2<String, Long>> it = input.iterator();
                    while (it.hasNext()) {
                        Tuple2<String, Long> next = it.next();
                        arrarList.add(next.f1);
                    }
                    Collections.sort(arrarList);
                    SimpleDateFormat sdf = new SimpleDateFormat("yyyy-MM-dd HH:mm:ss.SSS");
                    String result = "\n 作者：秦凯新 键值 : "+ key + "\n              触发窗内数据个数 : " + arrarList.size() + "\n              触发窗起始数据： " + sdf.format(arrarList.get(0)) + "\n              触发窗最后（可能是延时）数据：" + sdf.format(arrarList.get(arrarList.size() - 1))
                            + "\n              实际窗起始和结束时间： " + sdf.format(window.getStart()) + "《----》" + sdf.format(window.getEnd()) + " \n \n ";

                    out.collect(result);
                }
            });
    //测试-把结果打印到控制台即可
    window.print();

    //注意：因为flink是懒加载的，所以必须调用execute方法，上面的代码才会执行
    env.execute("eventtime-watermark");

}

}

• 执行测试数据

   0001,1538359882000		2018-10-01 10:11:22
   0002,1538359886000		2018-10-01 10:11:26
   0003,1538359892000		2018-10-01 10:11:32
   0004,1538359893000		2018-10-01 10:11:33
   0005,1538359894000		2018-10-01 10:11:34
   0006,1538359896000		2018-10-01 10:11:36
   0007,1538359897000		2018-10-01 10:11:37
  

0008,1538359899000 2018-10-01 10:11:39
0009,1538359891000 2018-10-01 10:11:31
0010,1538359903000 2018-10-01 10:11:43

0011,1538359892000 2018-10-01 10:11:32
0012,1538359891000 2018-10-01 10:11:31

0010,1538359906000 2018-10-01 10:11:46

第一个窗触发：2018-10-01 10:11:21.000《----》2018-10-01 10:11:24.000

第二个窗触发：2018-10-01 10:11:24.000《----》2018-10-01 10:11:27.000

第三个窗触发：2018-10-01 10:11:30.000《----》2018-10-01 10:11:33.000

第四个窗触发：10:11:33.000《----》2018-10-01 10:11:36.000

4.2 最霸道的水印设计（allowedLateness与OutputLateData）

• 在某些情况下， 我们希望对迟到的数据再提供一个宽容的时间。
  Flink 提供了 allowedLateness 方法可以实现对迟到的数据设置一个延迟时间， 在指定延迟时间内到达的数据还是可以触发 window 执行的。

• 第二次（或多次）触发的条件是 watermark < window_end_time + allowedLateness 时间内，
  这个窗口有 late 数据到达时。

• 举例：当 watermark 等于 10:11:34 的时候， 我们输入 eventtime 为 10:11:30、 10:11:31、10:11:32 的数据的时候， 是可以触发的， 因为这些数据的 window_end_time 都是 10:11:33， 也就是10:11:34<10:11:33+2 为 true。

• 举例：但是当 watermark 等于 10:11:35 的时候，我们再输入 eventtime 为 10:11:30、10:11:31、10:11:32的数据的时候， 这些数据的 window_end_time 都是 10:11:33， 此时， 10:11:35< 10:11:33+2 为false 了。 所以最终这些数据迟到的时间太久了， 就不会再触发 window 执行了，预示着丢弃。

• 同时注意，对于延迟的数据，我们完全可以把它揪出来作分析。通过设置sideOutputLateData。

    public class StreamingWindowWatermark2 {
    public static void main(String[] args) throws Exception {
        //定义socket的端口号
        int port = 9000;
        //获取运行环境
        StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
    //设置使用eventtime，默认是使用processtime
    env.setStreamTimeCharacteristic(TimeCharacteristic.EventTime);
  
    //设置并行度为1,默认并行度是当前机器的cpu数量
    env.setParallelism(1);
  
    //连接socket获取输入的数据
    DataStream<String> text = env.socketTextStream("hadoop100", port, "\n");
  
    //解析输入的数据
    DataStream<Tuple2<String, Long>> inputMap = text.map(new MapFunction<String, Tuple2<String, Long>>() {
        @Override
        public Tuple2<String, Long> map(String value) throws Exception {
            String[] arr = value.split(",");
            return new Tuple2<>(arr[0], Long.parseLong(arr[1]));
        }
    });
  
    //抽取timestamp和生成watermark
    DataStream<Tuple2<String, Long>> waterMarkStream = inputMap.assignTimestampsAndWatermarks(new AssignerWithPeriodicWatermarks<Tuple2<String, Long>>() {
  
        Long currentMaxTimestamp = 0L;
        final Long maxOutOfOrderness = 10000L;// 最大允许的乱序时间是10s
  
        SimpleDateFormat sdf = new SimpleDateFormat("yyyy-MM-dd HH:mm:ss.SSS");
        /**
         * 定义生成watermark的逻辑
         * 默认100ms被调用一次
         */
        @Nullable
        @Override
        public Watermark getCurrentWatermark() {
            return new Watermark(currentMaxTimestamp - maxOutOfOrderness);
        }
  
        //定义如何提取timestamp
        @Override
        public long extractTimestamp(Tuple2<String, Long> element, long previousElementTimestamp) {
            long timestamp = element.f1;
            currentMaxTimestamp = Math.max(timestamp, currentMaxTimestamp);
            System.out.println("key:"+element.f0+",eventtime:["+element.f1+"|"+sdf.format(element.f1)+"],currentMaxTimestamp:["+currentMaxTimestamp+"|"+
                    sdf.format(currentMaxTimestamp)+"],watermark:["+getCurrentWatermark().getTimestamp()+"|"+sdf.format(getCurrentWatermark().getTimestamp())+"]");
            return timestamp;
        }
    });
  
    //保存被丢弃的数据
    OutputTag<Tuple2<String, Long>> outputTag = new OutputTag<Tuple2<String, Long>>("late-data"){};
    //注意，由于getSideOutput方法是SingleOutputStreamOperator子类中的特有方法，所以这里的类型，不能使用它的父类dataStream。
    SingleOutputStreamOperator<String> window = waterMarkStream.keyBy(0)
            .window(TumblingEventTimeWindows.of(Time.seconds(3)))//按照消息的EventTime分配窗口，和调用TimeWindow效果一样
            //.allowedLateness(Time.seconds(2))//允许数据迟到2秒
            .sideOutputLateData(outputTag)
            .apply(new WindowFunction<Tuple2<String, Long>, String, Tuple, TimeWindow>() {
                /**
                 * 对window内的数据进行排序，保证数据的顺序
                 * @param tuple
                 * @param window
                 * @param input
                 * @param out
                 * @throws Exception
                 */
                @Override
                public void apply(Tuple tuple, TimeWindow window, Iterable<Tuple2<String, Long>> input, Collector<String> out) throws Exception {
                    String key = tuple.toString();
                    List<Long> arrarList = new ArrayList<Long>();
                    Iterator<Tuple2<String, Long>> it = input.iterator();
                    while (it.hasNext()) {
                        Tuple2<String, Long> next = it.next();
                        arrarList.add(next.f1);
                    }
                    Collections.sort(arrarList);
                    SimpleDateFormat sdf = new SimpleDateFormat("yyyy-MM-dd HH:mm:ss.SSS");
                    String result = key + "," + arrarList.size() + "," + sdf.format(arrarList.get(0)) + "," + sdf.format(arrarList.get(arrarList.size() - 1))
                            + "," + sdf.format(window.getStart()) + "," + sdf.format(window.getEnd());
                    out.collect(result);
                }
            });
    //把迟到的数据暂时打印到控制台，实际中可以保存到其他存储介质中
    DataStream<Tuple2<String, Long>> sideOutput = window.getSideOutput(outputTag);
    sideOutput.print();
    //测试-把结果打印到控制台即可
    window.print();
  
    //注意：因为flink是懒加载的，所以必须调用execute方法，上面的代码才会执行
    env.execute("eventtime-watermark");
    }
  
  

}

4.3 多并行度下的 watermark触发机制

4.3.1 先领会代码（感谢 github xuwei）

    import org.apache.flink.api.common.functions.MapFunction;
    import org.apache.flink.api.java.tuple.Tuple;
    import org.apache.flink.api.java.tuple.Tuple2;
    import org.apache.flink.streaming.api.TimeCharacteristic;
    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.AssignerWithPeriodicWatermarks;
    import org.apache.flink.streaming.api.functions.windowing.WindowFunction;
    import org.apache.flink.streaming.api.watermark.Watermark;
    import org.apache.flink.streaming.api.windowing.assigners.TumblingEventTimeWindows;
    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 org.apache.flink.util.OutputTag;
import javax.annotation.Nullable;
import java.text.SimpleDateFormat;
import java.util.ArrayList;
import java.util.Collections;
import java.util.Iterator;
import java.util.List;

public class StreamingWindowWatermark2 {

    public static void main(String[] args) throws Exception {
        //定义socket的端口号
        int port = 9010;
        //获取运行环境
        StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();

        //设置使用eventtime，默认是使用processtime
        env.setStreamTimeCharacteristic(TimeCharacteristic.EventTime);

        //设置并行度为1,默认并行度是当前机器的cpu数量
        env.setParallelism(8);

        //连接socket获取输入的数据
        DataStream<String> text = env.socketTextStream("SparkMaster", port, "\n");

        //解析输入的数据
        DataStream<Tuple2<String, Long>> inputMap = text.map(new MapFunction<String, Tuple2<String, Long>>() {
            @Override
            public Tuple2<String, Long> map(String value) throws Exception {
                String[] arr = value.split(",");
                return new Tuple2<>(arr[0], Long.parseLong(arr[1]));
            }
        });

        //抽取timestamp和生成watermark
        DataStream<Tuple2<String, Long>> waterMarkStream = inputMap.assignTimestampsAndWatermarks(new AssignerWithPeriodicWatermarks<Tuple2<String, Long>>() {

            Long currentMaxTimestamp = 0L;
            final Long maxOutOfOrderness = 10000L;// 最大允许的乱序时间是10s

            SimpleDateFormat sdf = new SimpleDateFormat("yyyy-MM-dd HH:mm:ss.SSS");
            /**
             * 定义生成watermark的逻辑
             * 默认100ms被调用一次
             */
            @Nullable
            @Override
            public Watermark getCurrentWatermark() {
                return new Watermark(currentMaxTimestamp - maxOutOfOrderness);
            }

            //定义如何提取timestamp
            @Override
            public long extractTimestamp(Tuple2<String, Long> element, long previousElementTimestamp) {
                long timestamp = element.f1;
                currentMaxTimestamp = Math.max(timestamp, currentMaxTimestamp);
                long id = Thread.currentThread().getId();
                System.out.println("作者：秦凯新 键值 :"+element.f0+"线程验证 ："+  id   +" , 事件事件:[ "+sdf.format(element.f1)+" ],currentMaxTimestamp:[ "+
                        sdf.format(currentMaxTimestamp)+" ],水印时间:[ "+sdf.format(getCurrentWatermark().getTimestamp())+" ]");                return timestamp;
            }
        });

        //保存被丢弃的数据
        OutputTag<Tuple2<String, Long>> outputTag = new OutputTag<Tuple2<String, Long>>("late-data"){};
        //注意，由于getSideOutput方法是SingleOutputStreamOperator子类中的特有方法，所以这里的类型，不能使用它的父类dataStream。
        SingleOutputStreamOperator<String> window = waterMarkStream.keyBy(0)
                .window(TumblingEventTimeWindows.of(Time.seconds(3)))//按照消息的EventTime分配窗口，和调用TimeWindow效果一样
                //.allowedLateness(Time.seconds(2))//允许数据迟到2秒
                .sideOutputLateData(outputTag)
                .apply(new WindowFunction<Tuple2<String, Long>, String, Tuple, TimeWindow>() {
                    /**
                     * 对window内的数据进行排序，保证数据的顺序
                     * @param tuple
                     * @param window
                     * @param input
                     * @param out
                     * @throws Exception
                     */
                    @Override
                    public void apply(Tuple tuple, TimeWindow window, Iterable<Tuple2<String, Long>> input, Collector<String> out) throws Exception {
                        String key = tuple.toString();
                        List<Long> arrarList = new ArrayList<Long>();
                        Iterator<Tuple2<String, Long>> it = input.iterator();
                        while (it.hasNext()) {
                            Tuple2<String, Long> next = it.next();
                            arrarList.add(next.f1);
                        }
                        Collections.sort(arrarList);
                        SimpleDateFormat sdf = new SimpleDateFormat("yyyy-MM-dd HH:mm:ss.SSS");
                        String result = "\n 作者：秦凯新 键值 : "+ key + "\n              触发窗内数据个数 : " + arrarList.size() + "\n              触发窗起始数据： " + sdf.format(arrarList.get(0)) + "\n              触发窗最后（可能是延时）数据：" + sdf.format(arrarList.get(arrarList.size() - 1))
                                + "\n              实际窗起始和结束时间： " + sdf.format(window.getStart()) + "《----》" + sdf.format(window.getEnd()) + " \n \n ";
                        out.collect(result);
                    }
                });
        //把迟到的数据暂时打印到控制台，实际中可以保存到其他存储介质中
        DataStream<Tuple2<String, Long>> sideOutput = window.getSideOutput(outputTag);
        sideOutput.print();
        //测试-把结果打印到控制台即可
        window.print();

        //注意：因为flink是懒加载的，所以必须调用execute方法，上面的代码才会执行
        env.execute("eventtime-watermark");

    }
}

4.3.2 前面代码中设置了并行度为 1：

    env.setParallelism(1);

  
  

   
   
1
  
  

如果这里不设置的话， 代码在运行的时候会默认读取本机 CPU 数量设置并行度。

下面我们来验证一下， 把代码中的并行度调整为 2：

    env.setParallelism(2);

  
  

   
   
1
  
  

• 发现玄机如下：在第二条事件时，其实已经达到窗的触发时机，但是因为并行度为2，只有等到最小

• watermark 到的时候才会触发窗计算。发现线程44处理的是001和003 ，线程42处理的是0002，所以只有等到线程42到达后，水印才会起作用执行2018-10-01 10:11:33.000所在的窗。

    0001,1538359890000		2018-10-01 10:11:30
    0002,1538359903000		2018-10-01 10:11:43
    0003,1538359908000		2018-10-01 10:11:48
  
      
      
  
  
      
      
  
  4.3.3 现在代码中设置了并行度为 8：
  
      
      
  
  
       
       
  
  发现  这 7 条数据都是被不同的线程处理的。 每个线程都有一个 watermark。且每一个线程都是基于自己接收数据的事件时间最大值。
  
  
       
       
  
  因此，导致到最后现在还没获取到最小的 watermark， 所以 window 无法被触发执行。
  
  
       
       
  
  只有所有的线程的最小watermark都满足watermark 时间 >= window_end_time时，触发历史窗才会执行。
    0001,1538359882000		2018-10-01 10:11:22
    0002,1538359886000		2018-10-01 10:11:26
    0003,1538359892000		2018-10-01 10:11:32
    0004,1538359893000		2018-10-01 10:11:33
    0005,1538359894000		2018-10-01 10:11:34
    0006,1538359896000		2018-10-01 10:11:36
    0007,1538359897000		2018-10-01 10:11:37
  
  
  
      
      
  
  
      
      
  
  
       
       
  
  当持续发生事件数据时。一旦所有线程都达到最低的窗触发时机时，就会进行窗触发执行了。输入数据如下：
    0007,1538359897000		2018-10-01 10:11:37
    0008,1538359897000		2018-10-01 10:11:37
    0009,1538359897000		2018-10-01 10:11:37
    0010,1538359897000		2018-10-01 10:11:37
    0011,1538359897000		2018-10-01 10:11:37
    0012,1538359897000		2018-10-01 10:11:37
    0013,1538359897000		2018-10-01 10:11:37
    0014,1538359897000		2018-10-01 10:11:37
    0015,1538359897000		2018-10-01 10:11:37