大数据开发-Flink-窗口全解析
大数据开发-Flink-窗口全解析
Flink认为Batch是Streaming的一个特例，因此Flink底层引擎是一个流式引擎，在上面实现了流处理和批处理。而Window就是从Streaming到Batch的桥梁。通俗讲，Window是用来对一个无限的流设置一个有限的集合，从而在有界的数据集上进行操作的一种机制。流上的集合由Window来划定范围，比如“计算过去10分钟”或者“最后50个元素的和”。Window可以由时间（Time Window）（比如每30s）或者数据（Count Window）（如每100个元素）驱动。DataStream API提供了Time和Count的Window。
一个Flink窗口应用的大致骨架结构如下所示：
// Keyed Windowstream .keyBy(...) <- 按照一个Key进行分组 .window(...) <- 将数据流中的元素分配到相应的窗口中 [.trigger(...)] <- 指定触发器Trigger（可选） [.evictor(...)] <- 指定清除器Evictor(可选) .reduce/aggregate/process() <- 窗口处理函数Window Function// Non-Keyed Windowstream .windowAll(...) <- 不分组，将数据流中的所有元素分配到相应的窗口中 [.trigger(...)] <- 指定触发器Trigger（可选） [.evictor(...)] <- 指定清除器Evictor(可选) .reduce/aggregate/process() <- 窗口处理函数Window Function
Flink窗口的骨架结构中有两个必须的两个操作：
使用窗口分配器（WindowAssigner）将数据流中的元素分配到对应的窗口。
当满足窗口触发条件后，对窗口内的数据使用窗口处理函数（Window Function）进行处理，常用的Window Function有
reduce、aggregate、process
|
|
将数据依据固定的窗口长度对数据进行切分，滚动窗口下窗口之间之间不重叠，且窗口长度是固定的。我们可以用TumblingEventTimeWindows和TumblingProcessingTimeWindows创建一个基于Event Time或Processing Time的滚动时间窗口。窗口的长度可以用org.apache.flink.streaming.api.windowing.time.Time中的seconds、minutes、hours和days来设置。
//关键处理案例KeyedStream<Tuple2<String, Integer>, Tuple> keyedStream = mapStream.keyBy(0);// 基于时间驱动，每隔10s划分一个窗口WindowedStream<Tuple2<String, Integer>, Tuple, TimeWindow> timeWindow =keyedStream.timeWindow(Time.seconds(10));// 基于事件驱动, 每相隔3个事件(即三个相同key的数据), 划分一个窗口进行计算// WindowedStream<Tuple2<String, Integer>, Tuple, GlobalWindow> countWindow =keyedStream.countWindow(3);// apply是窗口的应用函数，即apply里的函数将应用在此窗口的数据上。timeWindow.apply(new MyTimeWindowFunction()).print();// countWindow.apply(new MyCountWindowFunction()).print();
|
当我们想要每100个用户的购买行为作为驱动，那么每当窗口中填满100个”相同”元素了，就会对窗口进行计算，很好理解，下面是一个实现案例
public class MyCountWindowFunction implements WindowFunction<Tuple2<String, Integer>, String, Tuple, GlobalWindow> { @Override public void apply(Tuple tuple, GlobalWindow window, Iterable<Tuple2<String, Integer>> input, Collector<String> out) throws Exception { SimpleDateFormat format = new SimpleDateFormat("yyyy-MM-dd HH:mm:ss.SSS"); int sum = 0; for (Tuple2<String, Integer> tuple2 : input){ sum += tuple2.f1; } //无用的时间戳，默认值为： Long.MAX_VALUE,因为基于事件计数的情况下，不关心时间。 long maxTimestamp = window.maxTimestamp(); out.collect("key:" + tuple.getField(0) + " value: " + sum + "| maxTimeStamp :"+ maxTimestamp + "," + format.format(maxTimestamp) ); }}|
动窗口是固定窗口的更广义的一种形式，滑动窗口由固定的窗口长度和滑动间隔组成，特点：窗口长度固定，可以有重叠，滑动窗口以一个步长（Slide）不断向前滑动，窗口的长度固定。使用时，我们要设置Slide和Size。Slide的大小决定了Flink以多大的频率来创建新的窗口，Slide较小，窗口的个数会很多。Slide小于窗口的Size时，相邻窗口会重叠，一个事件会被分配到多个窗口；Slide大于Size，有些事件可能被丢掉
|
//基于时间驱动，每隔5s计算一下最近10s的数据// WindowedStream<Tuple2<String, Integer>, Tuple, TimeWindow> timeWindow =keyedStream.timeWindow(Time.seconds(10), Time.seconds(5));SingleOutputStreamOperator<String> applyed = countWindow.apply(new WindowFunction<Tuple3<String, String, String>, String, String, GlobalWindow>() { @Override public void apply(String s, GlobalWindow window, Iterable<Tuple3<String, String, String>> input, Collector<String> out) throws Exception { Iterator<Tuple3<String, String, String>> iterator = input.iterator(); StringBuilder sb = new StringBuilder(); while (iterator.hasNext()) { Tuple3<String, String, String> next = iterator.next(); sb.append(next.f0 + ".." + next.f1 + ".." + next.f2); }// window. out.collect(sb.toString()); }});|
/*** 滑动窗口：窗口可重叠* 1、基于时间驱动* 2、基于事件驱动*/WindowedStream<Tuple3<String, String, String>, String, GlobalWindow> countWindow = keybyed.countWindow(3,2);SingleOutputStreamOperator<String> applyed = countWindow.apply(new WindowFunction<Tuple3<String, String, String>, String, String, GlobalWindow>() { @Override public void apply(String s, GlobalWindow window, Iterable<Tuple3<String, String, String>> input, Collector<String> out) throws Exception { Iterator<Tuple3<String, String, String>> iterator = input.iterator(); StringBuilder sb = new StringBuilder(); while (iterator.hasNext()) { Tuple3<String, String, String> next = iterator.next(); sb.append(next.f0 + ".." + next.f1 + ".." + next.f2); }// window. out.collect(sb.toString()); }});|
由一系列事件组合一个指定时间长度的timeout间隙组成，类似于web应用的session，也就是一段时间没有接收到新数据就会生成新的窗口，在这种模式下，窗口的长度是可变的，每个窗口的开始和结束时间并不是确定的。我们可以设置定长的Session gap，也可以使用SessionWindowTimeGapExtractor动态地确定Session gap的长度。
val input: DataStream[T] = ...// event-time session windows with static gapinput .keyBy(...) .window(EventTimeSessionWindows.withGap(Time.minutes(10))) .<window function>(...)// event-time session windows with dynamic gapinput .keyBy(...) .window(EventTimeSessionWindows.withDynamicGap(new SessionWindowTimeGapExtractor[T] { override def extract(element: T): Long = { // determine and return session gap } })) .<window function>(...)// processing-time session windows with static gapinput .keyBy(...) .window(ProcessingTimeSessionWindows.withGap(Time.minutes(10))) .<window function>(...)// processing-time session windows with dynamic gapinput .keyBy(...) .window(DynamicProcessingTimeSessionWindows.withDynamicGap(new SessionWindowTimeGapExtractor[T] { override def extract(element: T): Long = { // determine and return session gap } })) .<window function>(...)|
在窗口划分完毕后，就是要对窗口内的数据进行处理，一是增量计算对应reduce 和aggregate，二是全量计算对应process ,增量计算指的是窗口保存一份中间数据，每流入一个新元素，新元素与中间数据两两合一，生成新的中间数据，再保存到窗口中。全量计算指的是窗口先缓存该窗口所有元素，等到触发条件后对窗口内的全量元素执行计算
|
https://cloud.tencent.com/developer/article/1584926
吴邪，小三爷，混迹于后台，大数据，人工智能领域的小菜鸟。
更多请关注
__EOF__
本文作者：SuperFox
本文链接：https://www.cnblogs.com/hulichao/p/14829736.html