Flink窗口与水位线

简介

Flink是一个分布式流处理框架，具有高性能、高可靠性和可扩展性。Flink支持实时和批处理，可以处理无限数据流和有限数据集。它提供了丰富的API和工具，可以方便地进行数据转换、聚合、过滤、窗口计算等操作。Flink还支持多种数据源和数据接收器，包括Kafka、HDFS、Elasticsearch等。Flink的运行模式包括本地模式和分布式模式，可以在各种环境中部署和运行。Flink已经被广泛应用于大数据分析、实时监控、智能推荐等领域。

核心概念

数据流（DataStreams）

Flink的数据处理基础是数据流，它是一种连续的、无限的数据集合。数据流可以是从文件、消息队列、套接字等数据源中获取的实时数据，也可以是有限的、批处理的数据集。Flink的DataStream API支持对数据流进行各种操作和转换。

窗口（Windows）

在流处理中，通常需要将数据按照时间或者其他维度进行切分，形成一个个的数据片段，这些数据片段就是窗口。Flink支持多种窗口类型，例如滚动窗口、滑动窗口、会话窗口等，可以根据需要选择合适的窗口类型进行数据处理。

时间（Time）

时间是Flink数据流处理中的重要概念，它用于对数据流进行切分、聚合、计算等操作。Flink支持多种时间类型，例如事件时间、处理时间、摄入时间等。

算子（Operators）

算子是Flink数据流处理中的基本操作单元，可以对数据流进行各种转换、聚合、过滤、连接等操作。Flink提供了多种算子，例如map、filter、reduce、join等。

状态（State）

状态是Flink数据流处理中的重要概念，它用于保存和更新数据流中的状态信息。例如，对于滑动窗口中的数据，需要保存前一段窗口的状态信息，以便进行增量计算。Flink支持多种状态类型，例如键值状态、列表状态、聚合状态等。

水位线

水位线概念

在Flink中，水位线是一种衡量Event Time进展的机制，用来处理实时数据中的乱序问题的，通常是水位线和窗口结合使用来实现。

从设备生成实时流事件，到Flink的source，再到多个oparator处理数据，过程中会受到网络延迟、背压等多种因素影响造成数据乱序。在进行窗口处理时，不可能无限期的等待延迟数据到达，当到达特定watermark时,认为在watermark之前的数据已经全部达到(即使后面还有延迟的数据), 可以触发窗口计算，这个机制就是 Watermark(水位线)，具体如下图所示。

①作用：作为衡量事件时间进展的标记；

②产生：从数据中提取时间戳，作为水位线的时间戳；

③特征：广播到下游，确保所有并行子任务都可以及时更新事件时间，进行窗口计算

水位线分类

有序流

所有数据按照事件发生时间，依次进入流，遵循先来后到原则。从每条数据提取的时间戳由小到大。

乱序流

数据发生时间与进入流时的顺序不一致

内置Watermark的生成原理

1、都是周期生成的： 默认200ms

2、有序流：watermark = 当前最大事件时间 - 1ms

3、乱序流：watermark = 当前最大时间 - 延迟时间 - 1ms

水位线生成策略

有序流：WatermarkStrategy.forMonotonousTimestamps()

乱序流：WatermarkStrategy. forBoundedOutOfOrderness()

自定义：implements WatermarkGenerator

水位线的特性

1. 水位线是插入到数据流中的一个标记，可以认为是一个特殊的数据
2. 水位线主要的内容是一个时间戳，用来表示当前事件时间的进展
3. 水位线是基于数据的时间戳生成
4. 水位线的时间戳必须单调递增，以确保任务的事件时间时钟一直向前推进
5. 水位线可以通过设置延迟，来保证正确处理乱序数据
6. 一个水位线t，表示在当前流中事件时间已经达到了时间戳t，代表t之前的所有数据都到齐了，之后流中不会出现时间戳t’ <=t 的数据
7. 水位线是Flink流处理中保证结果正确性的核心机制，它往往会跟窗口一起配合，完成堆乱序数据

多并行度水位线

上游并行子任务发来不同的水位线，当前任务会为每一个分区设置一个“分区水位线”（Partition Watermark），这是一个分区时钟；而当前任务自己的时钟，就是所有分区时钟里最小的那个；

空闲等待方法：withIdleness()

窗口

窗口概念

将无限数据切割成有限的“数据块”进行处理，串口是处理无界流的核心。

窗口更像一个“桶”，将流切割成有限大小的多个存储桶，每个数据都会分发到对应的桶中，当到达窗口结束时间时，就对每个桶中收集的数据进行计算处理。

• 动态创建：当有落在这个窗口区间范围的数据到达时，才创建对应的窗口
• 窗口关闭：到达窗口结束时间时，窗口就触发计算并关闭

窗口驱动类型

• 时间窗口

时间窗口以时间点到来定义窗口的开始（start）和结束（end），所以截取出的就是某一时间段的数据。到达时间时，窗口不再收集数据，触发计算输出结果，并将窗口关闭销毁。

窗口大小 = 结束时间 - 开始时间

• 计数窗口（Count Window）

基于元素的个数来截取数据，到达固定的个数时就触发计算并关闭窗口。

计数窗口理解简单，只需指定窗口大小，就可以把数据分配到对应的窗口中，Flink内部对应的类来表示计数窗口，底层通过全局窗口（Global Window）实现

窗口分配规则类型

• 滚动窗口（Tumbling Windows）

滚动窗口有固定的大小，是一种对数据进行“均匀切片”的划分方式，首尾相接。我们之前所举的例子都是滚动窗口，也正是因为滚动窗口无缝衔接，所以每个数据都会被分配到一个窗口，而且只会属于一个窗口。

滚动窗口可以基于时间定义，也可以基于数据个数定义；需要的参数只有窗口大小，我们可以定义一个长度为1小时的滚动时间窗口，那么每个小时就会进行一次统计；或者定义一个长度为10的滚动计数窗口，就会每10个数进行一次统计

例：

• 每分钟页面浏览量

• 滑动窗口（Sliding Windows）

滑动窗口的大小固定，但窗口之间不是首尾相接，而有部分重合。滑动窗口可以基于时间定义、数据个数。

定义滑动窗口的参数与两个：窗口大小，滑动步长。滑动步长是固定的，且代表了两个个窗口开始/结束的时间间隔。数据分配到多个窗口的个数 = 窗口大小/滑动步长

例：

• 每10秒钟计算前1分钟的页面浏览量
• SlidingEventTimeWindows.of(Time.minutes(1), Time.seconds(10))

• 会话窗口（Session Windows）

会话窗口只能基于时间来定义，“会话”终止的标志就是隔一段时间没有数据来。

size：两个会话窗口之间的最小距离。我们可以设置静态固定的size，也可以通过一个自定义的提取器（gap extractor）动态提取最小间隔gap的值。

在Flink底层，对会话窗口有比较特殊的处理：每来一个新的数据，都会创建一个新的会话窗口，然后判断已有窗口之间的距离，如果小于给定的size，就对它们进行合并操作。在Winodw算子中，对会话窗口有单独的处理逻辑。

会话窗口的长度不固定、起始和结束时间不确定，各个分区窗口之间没有任何关联。会话窗口之间一定是不会重叠的，且会留有至少为size的间隔

例：

• 每个会话的网页浏览量，其中会话之间的间隔至少为30分钟
• EventTimeSessionWindows.withGap(Time.minutes(30))

• 全局窗口（Global Windows）

相同key的所有数据都分配到一个同一个窗口中；无界流的数据永无止境，窗口没有结束的时候，默认不做触发计算，如果希望对数据进行计算处理，还需要自定义“触发器”（Trigger）

窗口的生命周期

一个窗口在第一个属于它的元素到达时就会被创建，然后在时间（event 或 processing time） 超过窗口的“结束时间戳 + 用户定义的

allowed lateness

”时关闭删除

处理乱序、迟到数据的3个机制

乱序与迟到的区别

乱序：接收到的数据顺序和生成的数据的时间顺序不一致

迟到：超过了处理时间到达的数据

乱序迟到数据的处理机制

1. watermark设置 乱序程度
2. 窗口允许迟到（推迟关窗时间，再关窗之前，迟到数据来了仍然被计算，来一条计算一次，直至关窗）
3. 侧输出流

疑问点

如果watermark等待3s，窗口允许迟到2s，为什么不直接watermark等待5s，或者窗口允许迟到5s

watermark设置太大会影响计算延迟

窗口允许迟到，是对大部分迟到数据的处理，让数据尽量准确

总结：在不影响计算时间的情况下，尽量保证数据的准确，修正数据