Flink Watermark和时间语义
Flink 中的时间语义
时间语义: EventTime
:事件创建时间;Ingestion Time
:数据进入Flink
的时间;Processing Time
:执行操作算子的本地系统时间,与机器无关。不同的时间语义有不同的应用场合,我们往往更关系事件时间Event Time
。数据生成的时候就会自动注入时间戳,Event Time
可以从日志数据的时间戳timestamp)
中提取。
设置 Event Time
我们可以直接在代码中,对执行环境调用setStreamTimeCharacteristic
方法,设置流的时间特性。具体的时间,还需要从数据中提取时间戳timestamp
。
val env = StreamExecutionEnvironment.getExecutionEnvironment
//从调用时刻开始给 env 创建的每一个 stream 追加时间特性
env.setStreamTimeCharacteristic(TimeCharacteristic.EventTime)
乱序数据的影响
当Flink
以Event Time
模式处理数据流时,它会根据数据里的时间戳来处理基于时间的算子。由于网络、分布式等原因,会导致乱序数据的产生。如上图所示,理想情况与实际情况会存在差异,乱序数据会让窗口计算不准确。解决方案是让窗口等几分钟。
水位线 Watermark
怎么避免乱序数据带来计算不正确?
遇到一个时间戳到达了窗口关闭时间,不应该立刻触发窗口计算,而是等待一段时间,等迟到的数据来了再关闭窗口。Watermark
是一种衡量Event Time
进展的机制,可以设置延迟触发。Watermark
是用于处理乱序事件的,而正确的处理乱序事件,通常用Watermark
机制结合window
来实现。数据流中的Watermark
用于表示timestamp
小于Watermark
的数据,都已经达到了,因此,window
的执行也是由Watermark
触发的。Watermark
用来让程序自己延迟和结果正确性。
Watermark 的特点: Watermark
是一条特殊的数据记录,必须单调递增,以确保任务的事件时间时钟在向前推进,而不是在后退。Watermark
与数据的时间戳有关。
watermark 的传递、引入和设定
watermark
的传递: 一个Task
输入可以并行多个,如下有4
个并行度,输出也可能存在多个并行,如下有3个。每个任务Task
内部都有一个事件时钟,且每个分区也维护了对应的WM
,如下的Partition WM
。当事件流流进Partition
时会判断新事件流的WM
是否大于当前的Partition WM
,当大于时就更新Partition
的时间戳WM
为新流入的WM
(取最大值),如下1->2
象限Partition WM
的变化。同时,如下Task
也维护了一个全局的WM
表示事件时钟,该值取分区中最小的WM
作为输出的时间戳,如下第二象限的输出选择最小的WM=3
向下传递。当第二个(横线)分区Partition WM
流进来WM=7
的事件流时,就会出现第三象限的情景,但是最小的WM
还是=3
,因此不更新Task
全局的WM
。当第三个分区Partition WM
流进来WM=6
的事件流时,就会出现第四象限的情景,此时分区Partition WM
的最小值=4
,因此Task
全局WM
就=4
。
watermark
的引入: Event Time
的使用一定要指定数据源中的时间戳。对于排好序的数据,只需要指定时间戳就够了,不需要延迟触发。
import org.apache.flink.streaming.api.windowing.time.Time
//同时分配时间戳和水位线
dataStream.assignTimestampsAndWatermarks(
//无序数据 Time.milliseconds(1000)=延迟时间
new BoundedOutOfOrdernessTimestampExtractor[SensorReading](Time.milliseconds(1000)) {
//提取事件戳 = timestamp * 1000是因为出入的毫秒
override def extractTimestamp(t: SensorReading): Long = {
t.timestamp * 1000
}
})
【1】对于排好序的数据,不需要延迟触发,可以只指定事件戳就行了
dataStream.assignTimestampsAndWatermarks(_.timestamp * 1000)
【2】Flink
暴露了TimestampAssigner
接口供我们实现,使我们可以自定义如何从事件数据中抽取时间戳和生成 watermark
。MyAssigner
可以有两种类型,都继承自TimestampAssigner
。
dataStream.assignTimestampsAndWatermarks(new MyAssigner())
TimestampAssigner
:定义了抽取时间戳,以及生成watermark
的方法,有两种类型:
【1】AssignerWithPeriodicWatermarks
: 系统会周期性的将Watermark
插入到流中。默认周期是200
毫秒(如果是processingTime
则Watermark = 0
),可以使用ExecutionConfig.setAutoWatermarkInterval()
方法进行设置。升序和前面乱序的处理BoundedOutOfOrderness
,都是基于周期性watermark
的。举例:如下产生watermark
的逻辑:每隔5
秒,Flink
调用AssignerWithPeriodicWatermarks
的getCurrentWatermark()
方法。如果方法返回一个时间戳大于之前水位的时间戳,新的water
会被插入到流中。这个检查保证了水位线是单调递增的。如果方法返回的时间戳小于之前水位的时间戳,则不会产生新的watermark
。
//方案一:
//EventTime是以数据自带的时间戳字段为准,应用程序需要指定如何从record中抽取时间戳字段
env.setStreamTimeCharacteristic(TimeCharacteristic.EventTime)
//每隔 5秒产生一个 watermark
env.getConfig.setAutoWatermarkInterval(5000);
//方案二
//自定义一个周期性的时间戳
class PeriodicAssigner extends AssignerWithPeriodicWatermarks[SensorReading]{
val bound: Long = 60 * 1000 //延时为 1 分钟
var maxTs: Long = Long.MinValue //观察到的最大时间戳
//生成水位线
override def getCurrentWatermark: Watermark = {
new Watermark(maxTs - bound)
}
//抽取时间戳的方法
override def extractTimestamp(t: SensorReading, l: Long): Long = {
maxTs = maxTs.max(t.timestamp)
t.timestamp
}
}
【2】AssignerWithPunctuatedWatermarks
: 没有时间周期规律,可打断的生成watermark
。
class PunctuatedAssigner extends AssignerWithPunctuatedWatermarks[SensorReading]{
val bound: Long = 60 * 1000
//获取水位线,根据数据触发
override def checkAndGetNextWatermark(t: SensorReading, l: Long): Watermark = {
if(t.id == "sensor_1"){
new Watermark(l - bound)
}else{
null
}
}
//抽取时间戳的方法
override def extractTimestamp(t: SensorReading, l: Long): Long = {
t.timestamp
}
}
watermark 的设定:
【1】在Flink
中,watermark
由应用程序开发人员生成,这通常需要对相应的领域有一定的了解。
【2】如果watermark
设置的延迟太久,收到结果的速度可能就会很慢,解决办法是在水位线到达之前输出一个近似结果。
【3】而如果watermark
到达得太早,则可能收到错误结果,不过Flink
处理迟到数据的机制可以解决这个问题。