Window 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。
Window 类型
Window 可以分成两类:
-
CountWindow:
按照指定的数据条数生成一个 Window,与时间无关。 -
TimeWindow:
按照时间生成 Window。对于 TimeWindow,可以根据窗口实现原理的不同分成三类:滚动窗口(Tumbling Window)、滑动窗口(Sliding Window)和会话窗口(Session Window)。
-
滚动窗口(Tumbling Windows)
将数据依据固定的窗口长度对数据进行切片。
特点:时间对齐,窗口长度固定,没有重叠。
适用场景: 适合做 BI 统计等(做每个时间段的聚合计算)。
滚动窗口分配器将每个元素分配到一个指定窗口大小的窗口中,滚动窗口有一 个固定的大小,并且不会出现重叠。例如:如果你指定了一个 5 分钟大小的滚动窗 口,窗口的创建如下图所示:
-
滑动窗口(Sliding Windows)
滑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: 时间对齐,窗口长度固定,可以有重叠。
适用场景: 对最近一个时间段内的统计(求某接口最近 5min 的失败率来决定是否要报警)。
滑动窗口分配器将元素分配到固定长度的窗口中,与滚动窗口类似,窗口的大 小由窗口大小参数来配置,另一个窗口滑动参数控制滑动窗口开始的频率。因此, 滑动窗口如果滑动参数小于窗口大小的话,窗口是可以重叠的,在这种情况下元素 会被分配到多个窗口中。
例如,你有 10 分钟的窗口和 5 分钟的滑动,那么每个窗口中 5 分钟的窗口里包 含着上个 10 分钟产生的数据,如下图所示:
-
会话窗口(Session Windows)
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。特点: 时间无对齐。
适用场景: 线上用户行为分析。
session 窗口分配器通过 session 活动来对元素进行分组,session 窗口跟滚动窗口和滑动窗口相比,不会有重叠和固定的开始时间和结束时间的情况,相反,当它 在一个固定的时间周期内不再收到元素,即非活动间隔产生,那个这个窗口就会关 闭。一个 session 窗口通过一个 session 间隔来配置,这个 session 间隔定义了非活跃 周期的长度,当这个非活跃周期产生,那么当前的 session 将关闭并且后续的元素将 被分配到新的 session 窗口中去。
Window API
TimeWindow
TimeWindow 是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 Processing Time 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。
val minTempPerWindow = dataStream .map(r => (r.id, r.temperature)) .keyBy(_._1) .timeWindow(Time.seconds(15)) .reduce((r1, r2) => (r1._1, r1._2.min(r2._2)))
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(SlidingEventTimeWindows)
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。
val minTempPerWindow: DataStream[(String, Double)] = dataStream .map(r => (r.id, r.temperature)) .keyBy(_._1) .timeWindow(Time.seconds(15), Time.seconds(5)) .reduce((r1, r2) => (r1._1, r1._2.min(r2._2))) // .window(SlidingEventTimeWindows.of(Time.seconds(15),Time.sec onds(5))
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。
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。
val minTempPerWindow: DataStream[(String, Double)] = dataStream .map(r => (r.id, r.temperature)) .keyBy(_._1) .countWindow(5) .reduce((r1, r2) => (r1._1, r1._2.max(r2._2)))
-
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。
val keyedStream: KeyedStream[(String, Int), Tuple] = dataStream.map(r => (r.id, r.temperature)).keyBy(0) //每当某一个 key 的个数达到 2 的时候,触发计算,计算最近该 key 最近 10 个元素的内容 val windowedStream: WindowedStream[(String, Int), Tuple, GlobalWindow] = keyedStream.countWindow(10,2) val sumDstream: DataStream[(String, Int)] = windowedStream.sum(1)
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:
- 增量聚合函数(incremental aggregation functions) 每条数据到来就进行计算,保持一个简单的状态。典型的增量聚合函数有 ReduceFunction, AggregateFunction。
- 全窗口函数(full window functions) 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。 ProcessWindowFunction 就是一个全窗口函数。
其它可选 API
-
.trigger() —— 触发器 定义 window 什么时候关闭,触发计算并输出结果
-
evitor() —— 移除器
定义移除某些数据的逻辑
-
allowedLateness() —— 允许处理迟到的数据
-
sideOutputLateData() —— 将迟到的数据放入侧输出流
-
getSideOutput() —— 获取侧输出流