【趙強老師】Flink的Watermark機制（基於Flink 1.11.0實現）

在使用eventTime的時候如何處理亂序數據？我們知道，流處理從事件產生，到流經source，再到operator，中間是有一個過程和時間的。雖然大部分情況下，流到operator的數據都是按照事件產生的時間順序來的，但是也不排除由於網絡延遲等原因，導致亂序的產生，特別是使用kafka的話，多個分區的數據無法保證有序。所以在進行window計算的時候，我們又不能無限期的等下去，必須要有個機制來保證一個特定的時間后，必須觸發window去進行計算了。這個特別的機制，就是watermark。Watermark是用於處理亂序事件的，用於衡量Event Time進展的機制。watermark可以翻譯為水位線。

一、Watermark的核心原理

Watermark的核心本質可以理解成一個延遲觸發機制。
在 Flink 的窗口處理過程中，如果確定全部數據到達，就可以對 Window 的所有數據做 窗口計算操作（如匯總、分組等），如果數據沒有全部到達，則繼續等待該窗口中的數據全 部到達才開始處理。這種情況下就需要用到水位線（WaterMarks）機制，它能夠衡量數據處 理進度（表達數據到達的完整性），保證事件數據（全部）到達 Flink 系統，或者在亂序及 延遲到達時，也能夠像預期一樣計算出正確並且連續的結果。當任何 Event 進入到 Flink 系統時，會根據當前最大事件時間產生 Watermarks 時間戳。

那么 Flink 是怎么計算 Watermak 的值呢？

Watermark =進入Flink 的最大的事件時間(mxtEventTime)-指定的延遲時間(t)

那么有 Watermark 的 Window 是怎么觸發窗口函數的呢？
如果有窗口的停止時間等於或者小於 maxEventTime - t(當時的warkmark)，那么這個窗口被觸發執行。

其核心處理流程如下圖所示。

二、Watermark的三種使用情況

1、本來有序的Stream中的 Watermark

如果數據元素的事件時間是有序的，Watermark 時間戳會隨着數據元素的事件時間按順 序生成，此時水位線的變化和事件時間保持一直（因為既然是有序的時間，就不需要設置延遲了，那么t就是 0。所以 watermark=maxtime-0 = maxtime），也就是理想狀態下的水位 線。當 Watermark 時間大於 Windows 結束時間就會觸發對 Windows 的數據計算，以此類推， 下一個 Window 也是一樣。這種情況其實是亂序數據的一種特殊情況。

2、亂序事件中的Watermark

現實情況下數據元素往往並不是按照其產生順序接入到 Flink 系統中進行處理，而頻繁 出現亂序或遲到的情況，這種情況就需要使用 Watermarks 來應對。比如下圖，設置延遲時間t為2。

3、並行數據流中的Watermark

在多並行度的情況下，Watermark 會有一個對齊機制，這個對齊機制會取所有 Channel 中最小的 Watermark。

三、設置Watermark的核心代碼

1、首先，正確設置事件處理的時間語義，一般都是采用Event Time。

sEnv.setStreamTimeCharacteristic(TimeCharacteristic.EventTime);	

2、其次，指定生成Watermark的機制，包括：延時處理的時間和EventTime對應的字段。如下：

注意：不管是數據是否有序，都可以使用上面的代碼。有序的數據只是無序數據的一種特殊情況。

四、Watermark編程案例

測試數據：基站的手機通話數據，如下：

需求：按基站，每5秒統計通話時間最長的記錄。

• StationLog用於封裝基站數據

package watermark;

//station1,18688822219,18684812319,10,1595158485855
public class StationLog {
	private String stationID;   //基站ID
	private String from;		//呼叫放
	private String to;			//被叫方
	private long duration;		//通話的持續時間
	private long callTime;		//通話的呼叫時間
	public StationLog(String stationID, String from, 
			          String to, long duration, 
			          long callTime) {
		this.stationID = stationID;
		this.from = from;
		this.to = to;
		this.duration = duration;
		this.callTime = callTime;
	}
	public String getStationID() {
		return stationID;
	}
	public void setStationID(String stationID) {
		this.stationID = stationID;
	}
	public long getCallTime() {
		return callTime;
	}
	public void setCallTime(long callTime) {
		this.callTime = callTime;
	}
	public String getFrom() {
		return from;
	}
	public void setFrom(String from) {
		this.from = from;
	}

	public String getTo() {
		return to;
	}
	public void setTo(String to) {
		this.to = to;
	}
	public long getDuration() {
		return duration;
	}
	public void setDuration(long duration) {
		this.duration = duration;
	}
}

• 代碼實現：WaterMarkDemo用於完成計算（注意：為了方便咱們測試設置任務的並行度為1）   

package watermark;

import java.time.Duration;
import org.apache.flink.api.common.eventtime.SerializableTimestampAssigner;
import org.apache.flink.api.common.eventtime.WatermarkStrategy;
import org.apache.flink.api.common.functions.FilterFunction;
import org.apache.flink.api.common.functions.FlatMapFunction;
import org.apache.flink.api.common.functions.ReduceFunction;
import org.apache.flink.api.java.functions.KeySelector;
import org.apache.flink.streaming.api.TimeCharacteristic;
import org.apache.flink.streaming.api.datastream.DataStreamSource;
import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;
import org.apache.flink.streaming.api.functions.windowing.ProcessWindowFunction;
import org.apache.flink.streaming.api.windowing.time.Time;
import org.apache.flink.streaming.api.windowing.windows.TimeWindow;
import org.apache.flink.util.Collector;

//每隔五秒，將過去是10秒內，通話時間最長的通話日志輸出。
public class WaterMarkDemo {
	public static void main(String[] args) throws Exception {
		//得到Flink流式處理的運行環境
		StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
		env.setStreamTimeCharacteristic(TimeCharacteristic.EventTime);
		env.setParallelism(1);
		//設置周期性的產生水位線的時間間隔。當數據流很大的時候，如果每個事件都產生水位線，會影響性能。
		env.getConfig().setAutoWatermarkInterval(100);//默認100毫秒
		
		//得到輸入流
		DataStreamSource<String> stream = env.socketTextStream("bigdata111", 1234);
		stream.flatMap(new FlatMapFunction<String, StationLog>() {

			public void flatMap(String data, Collector<StationLog> output) throws Exception {
				String[] words = data.split(",");
				//                           基站ID            from    to        通話時長                                                    callTime
				output.collect(new StationLog(words[0], words[1],words[2], Long.parseLong(words[3]), Long.parseLong(words[4])));
			}
		}).filter(new FilterFunction<StationLog>() {
			
			@Override
			public boolean filter(StationLog value) throws Exception {
				return value.getDuration() > 0?true:false;
			}
		}).assignTimestampsAndWatermarks(WatermarkStrategy.<StationLog>forBoundedOutOfOrderness(Duration.ofSeconds(3))
				.withTimestampAssigner(new SerializableTimestampAssigner<StationLog>() {
					@Override
					public long extractTimestamp(StationLog element, long recordTimestamp) {
						return element.getCallTime(); //指定EventTime對應的字段
					}
				})
		).keyBy(new KeySelector<StationLog, String>(){
			@Override
			public String getKey(StationLog value) throws Exception {
				return value.getStationID();  //按照基站分組
			}}
		).timeWindow(Time.seconds(5)) //設置時間窗口
		.reduce(new MyReduceFunction(),new MyProcessWindows()).print();

		env.execute();
	}
}
//用於如何處理窗口中的數據，即：找到窗口內通話時間最長的記錄。
class MyReduceFunction implements ReduceFunction<StationLog> {
	@Override
	public StationLog reduce(StationLog value1, StationLog value2) throws Exception {
		// 找到通話時間最長的通話記錄
		return value1.getDuration() >= value2.getDuration() ? value1 : value2;
	}
}
//窗口處理完成后，輸出的結果是什么
class MyProcessWindows extends ProcessWindowFunction<StationLog, String, String, TimeWindow> {
	@Override
	public void process(String key, ProcessWindowFunction<StationLog, String, String, TimeWindow>.Context context,
			Iterable<StationLog> elements, Collector<String> out) throws Exception {
		StationLog maxLog = elements.iterator().next();

		StringBuffer sb = new StringBuffer();
		sb.append("窗口范圍是:").append(context.window().getStart()).append("----").append(context.window().getEnd()).append("\n");;
		sb.append("基站ID：").append(maxLog.getStationID()).append("\t")
		  .append("呼叫時間：").append(maxLog.getCallTime()).append("\t")
		  .append("主叫號碼：").append(maxLog.getFrom()).append("\t")
		  .append("被叫號碼：")	.append(maxLog.getTo()).append("\t")
		  .append("通話時長：").append(maxLog.getDuration()).append("\n");
		out.collect(sb.toString());
	}
}