Flink流计算编程--在WindowedStream中体会EventTime与ProcessingTime

科技2023-11-22 79

一、Flink流处理简介

Flink流处理的API叫做DataStream，可以在保证Exactly-Once的前提下提供高吞吐、低延时的实时流处理。

二、Flink中的Time模型

Flink中提供了3种时间模型：EventTime、ProcessingTime、与Ingestion Time。底层实现上分为2种：Processing Time与Event Time，而Ingestion Time本质上也是一种Event Time，可以通过官方文档上的一张图展现是3者的区别： Event Time：事件产生的时间，即数据产生时自带时间戳，例如‘2016/06/17 11:04:00.960’ Ingestion Time：数据进入到Flink的时间，即数据进入source operator时获取时间戳 Processing Time：系统时间，与数据本身的时间戳无关，即在window窗口内计算完成的时间（默认的Time）

关于Event Time，需要指出的是：数据产生的时间，编程时首先就是要告诉Flink，哪一列作为Event Time列，同时分配时间戳（TimeStamp）并发出水位线（WaterMark），来跟踪Event Time。简单理解，就是以Event Time列作为时间。水位线既然是用来标记Event Time的，那么Event Time在产生时有可能因为网络或程序错误导致的时间乱序，即Late Element的产生，因此WaterMark分为有序与无序2种：关于Late Element，举个例子说明：数据随着时间的流逝而产生，即数据的产生本是升序的，当Flink采用Event Time作为时间模型时，理论上也应该是升序的数据不断的进行计算。但是突然有个“延迟的”数据进入到了Flink，此时时间窗口已过，那么这个“延迟的”数据就不会被正确的计算。对于这些数据，流处理的可能无法实时正确计算，因为WarterMark不可能无限制的等待Late Element的到来，所以可以通过之后的批处理（batch）对已经计算的数据进行更正。

三、Flink流处理编程的步骤

共5个步骤： 1、获取DataStream的运行环境 2、从Source中创建DataStream 3、在DataStream上进行transformation操作 4、将结果输出 5、执行流处理程序

四、程序说明

说明： IDE：IntelliJ IDEA Community Edition（From JetBrains）开发语言： Scala 2.10 运行环境：Flink 1.0.3 集群（1个JobManager+2个TaskManager）程序提交：客户端CLI 管理工具：maven 3.3.9

五、程序演示–体会Event Time

关键点：设置Event time characteristic：

env.setStreamTimeCharacteristic(TimeCharacteristic.EventTime)

复写map方法，实现稍微复杂点的map transaction：

map(new EventTimeFunction)

分配timestamp以及watermark:

val timeValue = parsedStream.assignAscendingTimestamps(_._2)

在dataStream上运行keyBy操作，产生keyedStream，继而在keyedStream上运行window操作，产生windowedStream，此时，windowedStream包含的元素主要包含3方面：K->key，W->window，T->Iterable[(…)]，即每个key在特定窗口内的元素的集合。不同的stream之间的互相调用，可以参考：在windowedStream上聚合sum：

val sumVolumePerMinute = timeValue .keyBy(_._1) .window(TumblingEventTimeWindows.of(Time.minutes(1))) .sum(3) .name("sum volume per minute")

运行程序，测试结果：输入：

600000.SH,600000,20160520,93000960,1,39,173200,400,800,66,0,0,62420,76334,93002085 600000.SH,600000,20160520,93059000,1,39,173200,200,1000,66,0,0,62420,76334,93002085 600000.SH,600000,20160520,93101000,1,39,173200,300,1200,66,0,0,62420,76334,93002085 ......

输出如下：

（60000,20160520093000960,600）（60000,20160520093101000,300） ...

可以看出，结果就是按照Event Time的时间窗口计算得出的，而无关系统的时间（包括输入的快慢）。 Event Time Test的详细完整代码如下：

import java.text.SimpleDateFormat import org.apache.flink.api.common.functions.MapFunction import org.apache.flink.streaming.api.TimeCharacteristic import org.apache.flink.streaming.api.scala._ import org.apache.flink.streaming.api.windowing.assigners.TumblingEventTimeWindows import org.apache.flink.streaming.api.windowing.time.Time /** * 这是一个简单的Flink DataStream程序，实现每分钟的累计成交量 * source：通过SocketStream模拟kafka消费数据 * sink：直接print输出到local，以后要实现sink到HDFS以及写到Redis * 技术点： * 1、采用EventTime统计每分钟的累计成交量，而不是系统时钟（processing Time） * 2、将输入的时间合并并生成Long类型的毫秒时间，以此作为Timestamp，生成Timestamp和WaterMark * 3、采用TumblingEventTimeWindow作为窗口，即翻滚窗口，不重叠的范围内实现统计 */ object TransactionSumVolume1 { case class Transaction(szWindCode:String, szCode:Long, nAction:String, nTime:String, seq:Long, nIndex:Long, nPrice:Long, nVolume:Long, nTurnover:Long, nBSFlag:Int, chOrderKind:String, chFunctionCode:String, nAskOrder:Long, nBidOrder:Long, localTime:Long ) def main(args: Array[String]): Unit = { /** * when Running the program, you should input 2 parameters: hostname and port of Socket */ if (args.length != 2) { System.err.println("USAGE:\nSocketTextStreamWordCount <hostname> <port>") return } val hostName = args(0) val port = args(1).toInt /** * Step 1. Obtain an execution environment for DataStream operation * set EventTime instead of Processing Time */ val env = StreamExecutionEnvironment.getExecutionEnvironment env.setStreamTimeCharacteristic(TimeCharacteristic.EventTime) /** * Step 2. Create DataStream from socket */ val input = env.socketTextStream(hostName,port) /** * Step 3. Implement '分钟成交量' logic */ /** * parse input stream to a new Class which is implement the Map function */ val parsedStream = input .map(new EventTimeFunction) /** * assign Timestamp and WaterMark for Event time: eventTime(params should be a Long type) */ val timeValue = parsedStream.assignAscendingTimestamps(_._2) val sumVolumePerMinute = timeValue .keyBy(_._1) .window(TumblingEventTimeWindows.of(Time.minutes(1))) .sum(3) .name("sum volume per minute") /** * Step 4. Sink the final result to standard output(.out file) */ sumVolumePerMinute.map(value => (value._1,value._3,value._4)).print() /** * Step 5. program execution */ env.execute("SocketTextStream for sum of volume Example") } class EventTimeFunction extends MapFunction[String, (Long, Long, String, Long)] { def map(s: String): (Long, Long, String, Long) = { val columns = s.split(",") val transaction : Transaction = Transaction(columns(0),columns(1).toLong,columns(2),columns(3),columns(4).toLong,columns(5).toLong, columns(6).toLong,columns(7).toLong,columns(8).toLong,columns(9).toInt,columns(9),columns(10),columns(11).toLong, columns(12).toLong,columns(13).toLong) val format = new SimpleDateFormat("yyyyMMddHHmmssSSS") val volume : Long = transaction.nVolume val szCode : Long = transaction.szCode if (transaction.nTime.length == 8 ) { val eventTimeString = transaction.nAction + '0' + transaction.nTime val eventTime : Long= format.parse(eventTimeString).getTime (szCode, eventTime, eventTimeString, volume) }else { val eventTimeString = transaction.nAction + transaction.nTime val eventTime = format.parse(eventTimeString).getTime (szCode, eventTime, eventTimeString, volume) } } } }

六、程序演示–体会Processing Time

关键点：设置TumblingProcessingTimeWindow，由于默认的Time Characteristic就是Processing Time，因此不用特别指定，在windowed assign时，只需指定系统自带的timeWindow即可：

timeWindow(Time.seconds(15))

在windowedStream之后，需要进行聚合操作，产生新的DataStream。系统提供了sum、reduce、fold等操作，但是如果遇到窗口内的计算非常复杂的情况，则需要采用apply{…}方法。windowedStream.apply{}的方法可参考源码：org.apache.flink.streaming.api.scala.WindowedStream.scala 提供了6种不同的方法，详情见： WindowedStream.scala

这个测试就是在windowedStream上调用了apply方法，实现了稍微复杂的运算：

.apply{ (k : Long, w : TimeWindow, T: Iterable[(Long, Long, Long)], out : Collector[(Long,String,String,Double)]) => var sumVolume : Long = 0 var sumTurnover : Long = 0 for(elem <- T){ sumVolume = sumVolume + elem._2 sumTurnover = sumTurnover + elem._3 } val format = new SimpleDateFormat("yyyy-MM-dd HH:mm:ss.SSS") val vwap : Double = BigDecimal(String.valueOf(sumTurnover)) ./ (BigDecimal(String.valueOf(sumVolume))) .setScale(2,BigDecimal.RoundingMode.HALF_UP) .toDouble out.collect((k,format.format(w.getStart),format.format(w.getEnd),vwap)) }

运行程序，测试结果：输入（由于是Processing Time，输入时要注意时间间隔，超过15秒的就会产生新窗口，我的操作是前2条数据同时输入，隔一段时间后输入第3条数据）：

结果如下：

（60000,2016-06-16 17:56:00.000,2016-06-16 17:56:15.000，3.0）（60000,2016-06-16 17:58:15.000,2016-06-16 17:58:30.000，4.0）

可以看到，这个结果跟事件的时间没有任何关系，只跟系统处理完成的时间有关。完整的代码如下：

import java.text.SimpleDateFormat import org.apache.flink.api.common.functions.MapFunction import org.apache.flink.streaming.api.TimeCharacteristic import org.apache.flink.streaming.api.scala._ import org.apache.flink.streaming.api.windowing.windows.TimeWindow import org.apache.flink.streaming.api.windowing.time.Time import org.apache.flink.util.Collector /** * 这个Flink DataStream程序，实现“每15秒的加权平均价--VWAP” * source：通过SocketStream模拟kafka消费数据 * sink：直接print输出到local，以后要实现sink到HDFS以及写到Redis * 技术点： * 1、采用默认的Processing Time统计每15秒钟的加权平均价 * 2、采用TumblingProcessingTimeWindow作为窗口，即翻滚窗口，系统时钟，不重叠的范围内实现统计 * 3、在WindowedStream上实现自定义的apply算法，即加权平均价，而非简单的Aggregation */ object TransactionVWap { case class Transaction(szWindCode:String, szCode:Long, nAction:String, nTime:String, seq:Long, nIndex:Long, nPrice:Long, nVolume:Long, nTurnover:Long, nBSFlag:Int, chOrderKind:String, chFunctionCode:String, nAskOrder:Long, nBidOrder:Long, localTime:Long ) def main(args: Array[String]): Unit = { /** * when Running the program, you should input 2 parameters: hostname and port of Socket */ if (args.length != 2) { System.err.println("USAGE:\nSocketTextStreamWordCount <hostname> <port>") return } val hostName = args(0) val port = args(1).toInt /** * Step 1. Obtain an execution environment for DataStream operation * set EventTime instead of Processing Time */ val env = StreamExecutionEnvironment.getExecutionEnvironment //Processing time is also the Default TimeCharacteristic env.setStreamTimeCharacteristic(TimeCharacteristic.ProcessingTime) /** * Step 2. Create DataStream from socket */ val input = env.socketTextStream(hostName,port) /** * Step 3. Implement '每15秒加权平均价-VWAP' logic * Note: windowedStream contains 3 attributes: T=>elements, K=>key, W=>window */ val sumVolumePerMinute = input //transform Transaction to tuple(szCode, volume, turnover) .map(new VwapField) //partition by szCode .keyBy(_._1) //building Tumbling window for 15 seconds .timeWindow(Time.seconds(15)) //compute VWAP in window .apply{ (k : Long, w : TimeWindow, T: Iterable[(Long, Long, Long)], out : Collector[(Long,String,String,Double)]) => var sumVolume : Long = 0 var sumTurnover : Long = 0 for(elem <- T){ sumVolume = sumVolume + elem._2 sumTurnover = sumTurnover + elem._3 } val format = new SimpleDateFormat("yyyy-MM-dd HH:mm:ss.SSS") val vwap : Double = BigDecimal(String.valueOf(sumTurnover)) ./ (BigDecimal(String.valueOf(sumVolume))) .setScale(2,BigDecimal.RoundingMode.HALF_UP) .toDouble out.collect((k,format.format(w.getStart),format.format(w.getEnd),vwap)) } .name("VWAP per 15 seconds") /** * Step 4. Sink the final result to standard output(.out file) */ sumVolumePerMinute.print() /** * Step 5. program execution */ env.execute("SocketTextStream for sum of volume Example") } class VwapField extends MapFunction[String, (Long, Long, Long)] { def map(s: String): (Long, Long, Long) = { val columns = s.split(",") val transaction : Transaction = Transaction(columns(0),columns(1).toLong,columns(2),columns(3),columns(4).toLong,columns(5).toLong, columns(6).toLong,columns(7).toLong,columns(8).toLong,columns(9).toInt,columns(9),columns(10),columns(11).toLong, columns(12).toLong,columns(13).toLong) val volume : Long = transaction.nVolume val szCode : Long = transaction.szCode val turnover : Long = transaction.nTurnover (szCode, volume, turnover) } } }

七、总结

何时用Event Time，何时用Processing Time，这个要看具体的业务场景。同时，对于Event Time中的Late Element，大家可以自己模拟输入，看看结果如何。自定义function与operator都应该是有状态的，以便恢复，这里简化，并没有设置state。

参考文档 1.https://www.oreilly.com/ideas/the-world-beyond-batch-streaming-101 2.https://www.oreilly.com/ideas/the-world-beyond-batch-streaming-102 3.https://ci.apache.org/projects/flink/flink-docs-master/apis/streaming/index.html 4.https://ci.apache.org/projects/flink/flink-docs-master/apis/streaming/event_time.html 5.https://ci.apache.org/projects/flink/flink-docs-master/apis/streaming/windows.html 6.http://blog.madhukaraphatak.com/introduction-to-flink-streaming-part-9/ 7.http://www.cnblogs.com/fxjwind/p/5434572.html 8.https://github.com/apache/flink/ 9.http://wuchong.me/blog/2016/05/20/flink-internals-streams-and-operations-on-streams/ 10.http://data-artisans.com/blog/ 11.http://dataartisans.github.io/flink-training/

Processed: 0.015, SQL: 8