Flink中watermark的生成規(guī)則及其功能

問(wèn)題分析

假如我們自己寫(xiě)一個(gè)流式框架。我們?cè)撊绾翁幚硐?。正常情況下，我們看到消息按照順序一個(gè)個(gè)發(fā)送，接受后按照順序處理，這是沒(méi)有什么問(wèn)題的。然而也要考慮到一些特殊情況下，消息不在是按照順序發(fā)送，產(chǎn)生了亂序，這時(shí)候該怎么處理？

核心問(wèn)題講解

（1）watermark是用于處理亂序事件的，而正確的處理亂序事件，通常用watermark機(jī)制結(jié)合window來(lái)實(shí)現(xiàn)。我們知道，流處理從事件產(chǎn)生，到流經(jīng)source，再到operator，中間是有一個(gè)過(guò)程和時(shí)間的。雖然大部分情況下，流到operator的數(shù)據(jù)都是按照事件產(chǎn)生的時(shí)間順序來(lái)的，但是也不排除由于網(wǎng)絡(luò)、背壓等原因，導(dǎo)致亂序的產(chǎn)生（out-of-order或者說(shuō)late element）。但是對(duì)于late element，我們又不能無(wú)限期的等下去，必須要有個(gè)機(jī)制來(lái)保證一個(gè)特定的時(shí)間后，必須觸發(fā)window去進(jìn)行計(jì)算。這個(gè)特別的機(jī)制，就是watermark。

（2）通常，在接收到source的數(shù)據(jù)后，應(yīng)該立刻生成watermark；但是，也可以在接收source后，應(yīng)用簡(jiǎn)單的map或者filter操作，然后再生成watermark。

（3）如果延遲的數(shù)據(jù)有業(yè)務(wù)需要，則設(shè)置好允許延遲的時(shí)間，因?yàn)槲覀儾荒軣o(wú)限期的等下去。每個(gè)窗口都有屬于自己的最大等待延遲數(shù)據(jù)的時(shí)間限制，窗口結(jié)束時(shí)間+延遲時(shí)間=最大waterMark值，即當(dāng)waterMark值大于的上述計(jì)算出的最大waterMark值，該窗口內(nèi)的數(shù)據(jù)就屬于遲到的數(shù)據(jù)，無(wú)法參與window計(jì)算。

問(wèn)題擴(kuò)展

Window：Window是處理無(wú)界流的關(guān)鍵，Windows將流拆分為一個(gè)個(gè)有限大小的buckets，可以在每一個(gè)buckets中進(jìn)行計(jì)算。start_time,end_time：當(dāng)Window時(shí)時(shí)間窗口的時(shí)候，每個(gè)window都會(huì)有一個(gè)開(kāi)始時(shí)間和結(jié)束時(shí)間（前開(kāi)后閉），這個(gè)時(shí)間是系統(tǒng)時(shí)間。event-time: 事件發(fā)生時(shí)間，是事件發(fā)生所在設(shè)備的當(dāng)?shù)貢r(shí)間，比如一個(gè)點(diǎn)擊事件的時(shí)間發(fā)生時(shí)間，是用戶點(diǎn)擊操作所在的手機(jī)或電腦的時(shí)間。Watermarks：可以把他理解為一個(gè)水位線，這個(gè)Watermarks在不斷的變化，一旦Watermarks大于了某個(gè)window的end_time，就會(huì)觸發(fā)此window的計(jì)算，Watermarks就是用來(lái)觸發(fā)window計(jì)算的。

結(jié)合項(xiàng)目中使用

watermark如何處理亂序數(shù)據(jù)？
假如我們?cè)O(shè)置10s的時(shí)間窗口（window），那么0~10s，10~20s都是一個(gè)窗口，以0~10s為例，0位start-time，10為end-time。假如有4個(gè)數(shù)據(jù)的event-time分別是8(A),12.5(B),9(C),13.5(D)，我們?cè)O(shè)置Watermarks為當(dāng)前所有到達(dá)數(shù)據(jù)event-time的最大值減去延遲值3.5秒。

當(dāng)A到達(dá)的時(shí)候，Watermarks為max{8}-3.5=8-3.5 = 4.5 < 10,不會(huì)觸發(fā)計(jì)算；
當(dāng)B到達(dá)的時(shí)候，Watermarks為max(12.5,8)-3.5=12.5-3.5 = 9 < 10,不會(huì)觸發(fā)計(jì)算；
當(dāng)C到達(dá)的時(shí)候，Watermarks為max(12.5,8,9)-3.5=12.5-3.5 = 9 < 10,不會(huì)觸發(fā)計(jì)算；
當(dāng)D到達(dá)的時(shí)候，Watermarks為max(13.5,12.5,8,9)-3.5=13.5-3.5 = 10 = 10,觸發(fā)計(jì)算；
觸發(fā)計(jì)算的時(shí)候，會(huì)將AC（因?yàn)樗麄兌夹∮?0）都計(jì)算進(jìn)去。
通過(guò)上面這種方式，我們就將遲到的C計(jì)算進(jìn)去了。這里的延遲3.5s是我們假設(shè)一個(gè)數(shù)據(jù)到達(dá)的時(shí)候，比他早3.5s的數(shù)據(jù)肯定也都到達(dá)了，這個(gè)是需要根據(jù)經(jīng)驗(yàn)推算的，加入D到達(dá)以后有到達(dá)了一個(gè)E,event-time=6，但是由于0~10的時(shí)間窗口已經(jīng)開(kāi)始計(jì)算了，所以E就丟了。



猜你喜歡：

Spark SQL用法建議【大數(shù)據(jù)文章】

Spark RDD的兩種依賴關(guān)系？

Hive安裝之嵌入模式?

黑馬大數(shù)據(jù)培訓(xùn)課程