5万人关注的大数据成神之路，不来了解一下吗？
5万人关注的大数据成神之路，真的不来了解一下吗？
5万人关注的大数据成神之路，确定真的不来了解一下吗？
Apache Flink中，Window操作在流式数据处理中是非常核心的一种抽象，它把一个无限流数据集分割成一个个有界的Window（或称为Bucket），然后就可以非常方便地定义作用于Window之上的各种计算操作。本文我们主要基于Apache Flink 1.4.0版本，说明Keyed Window与Non-Keyed Window的基本概念，然后分别对与其相关的WindowFunction与WindowAllFunction的类设计进行分析，最后通过编程实践来应用。
基本概念
Flink将Window分为两类，一类叫做Keyed Window，另一类叫做Non-Keyed Window。为了说明这两类Window的不同，我们看下Flink官网给出的，基于这两种类型的Window编写代码的结构说明。
基于Keyed Window进行编程，用户代码基本结构如下所示：
基于Non-Keyed Window进行编程，用户代码基本结构如下所示：
上面两种编程结构的区别在于：
从编程API上看，Keyed Window编程结构，可以直接对输入的stream按照Key进行操作，输入的stream中识别Key，即输入stream中的每个数据元素哪一部分是作为Key来关联这个数据元素的，这样就可以对stream中的数据元素基于Key进行相关计算操作，如keyBy，可以根据Key进行分组（相同的Key必然可以分到同一组中去）。如果输入的stream中没有Key，比如就是一条日志记录信息，那么无法对其进行keyBy操作。而对于Non-Keyed Window编程结构来说，无论输入的stream具有何种结构（比如是否具有Key），它都认为是无结构的，不能对其进行keyBy操作，而且如果使用Non-Keyed Window函数操作，就会对该stream进行分组（具体如何分组依赖于我们选择的WindowAssigner，它负责将stream中的每个数据元素指派到一个或多个Window中），指派到一个或多个Window中，然后后续应用到该stream上的计算都是对Window中的这些数据元素进行操作。
从计算上看，Keyed Window编程结构会将输入的stream转换成Keyed stream，逻辑上会对应多个Keyed stream，每个Keyed stream会独立进行计算，这就使得多个Task可以对Windowing操作进行并行处理，具有相同Key的数据元素会被发到同一个Task中进行处理。而对于Non-Keyed Window编程结构，Non-Keyed stream逻辑上将不能split成多个stream，所有的Windowing操作逻辑只能在一个Task中进行处理，也就是说计算并行度为1。
在实际编程过程中，我们可以看到DataStream的API也有对应的方法timeWindow()和timeWindowAll()，他们也分别对应着Keyed Window和Non-Keyed Window。
WindowFunction与AllWindowFunction
Flink中对输入stream进行Windowing操作后，将到达的数据元素指派到指定的Window中，或者基于EventTime/ProcessingTime，或者基于Count，或者混合EventTime/ProcessingTime/Count，来对数据元素进行分组。那么，在对分配的Window进行操作时，就需要使用Flink提供的函数（Function），而对于Window的操作，分别基于Keyed Window、Non-Keyed Window提供了WindowFunction、AllWindowFunction，通过实现特定的Window函数，能够访问Window相关的元数据，来满足实际应用需要。下面，我们从类设计的角度，来看下对应的继承层次结构：
- Keyed Window对应的WindowFunction
Keyed Window对应的WindowFunction类图，如下所示：
通常，如果我们想要自定义处理Window中数据元素的处理逻辑，或者访问Window对应的元数据，可以继承自ProcessWindowFunction类来实现。我们看一下ProcessWindowFunction对应的类声明：
对Keyed stream的Window进行操作，上面泛型对应4个类型参数：
IN表示进入到该ProcessWindowFunction的数据元素的类型，例如stream中上一个操作的输出是包含两个String类型的元组，则IN类型对应为(String, String)；
OUT表示该ProcessWindowFunction处理后的输出数据元素的类型，例如输出一个String和一个Long的元组，则OUT类型对应为(String, Long)；
KEY有一点不同，需要注意，它并不是面向应用编程用户使用的，而且该值不会提供有意义的业务应用含义，在Keyed Window中它是用来跟踪该Window的，一般应用开发中只需要将其作为输出的Key即可，后面我们会有对应的编程实践；
W类型表示该ProcessWindowFunction作用的Window的类型，例如TimeWindow、GlobalWindow。
下面，我们看一下继承自ProcessWindowFunction需要实现的方法，方法签名如下所示：
进入到该Window，对应着其中一个Keyed stream。属于某个Window的数据元素都在elements这个集合中，我们可以对这些数据元素进行处理。通过context可以访问Window对应的元数据信息，比如TimeWindow的开始时间（start）和结束时间（end）。out是一个Collector，负责收集处理后的数据元素并发送到stream下游进行处理。
- Non-Keyed Window对应的AllWindowFunction
Non-Keyed Window对应的WindowFunction类图，如下所示：
类似地，如果我们想要自定义处理Window中数据元素的处理逻辑，或者访问Window对应的元数据，可以继承自ProcessAllWindowFunction类来实现。我们看一下ProcessAllWindowFunction对应的类声明：
可以同ProcessWindowFunction对比一下，发现ProcessAllWindowFunction的泛型参数中没有了用来跟踪Window的KEY，因为Non-Keyed Window只在一个Task中进行处理，其它的OUT和W与前面ProcessWindowFunction类相同，不再累述。
继承自ProcessAllWindowFunction，需要实现的方法，如下所示：
该ProcessAllWindowFunction作用于原始输入的stream，所有的数据元素经过Windowing后，都会经过该方法进行处理，在该方法具体处理逻辑与ProcessWindowFunction.process()类似。
编程实践
现在，我们模拟这样一个场景：某个App开发商需要从多个渠道（Channel）推广App，需要通过日志来分析对应的用户行为（安装、打开、浏览、点击、购买、关闭、卸载），我们假设要实时（近实时）统计分析每个时间段内（如每隔5秒）来自不同渠道的用户的行为。
首先，创建一个模拟生成数据的SourceFunction，实现代码如下所示：
有了该数据源，我们就可以基于该SimulatedEventSource来构建Flink Streaming应用程序了。下面，也分别面向Keyed Window和Non-Keyed Window来编程实践，并比较它们不同之处。
Keyed Window编程
我们基于Sliding Window（WindowAssigner）来在stream上生成Window，Window大小size=5s，silde=1s，即每个Window计算5s之内的数据元素，每个1s启动一个Window（查看提交该Flink程序的命令行中指定的各个参数值）。同时，基于上面自定义实现的SimulatedEventSource作为输入数据源，创建Flink stream，然后后续就可以对stream进行各种操作了。
处理stream数据，我们希望能够获取到每个Window对应的起始时间和结束时间，然后输出基于Window（起始时间+结束时间）、渠道（Channel）、行为类型进行分组统计的结果，最后将结果数据实时写入到指定Kafka topic中。
我们实现的Flink程序类为SlidingWindowAnalytics，代码如下所示：
首先，对输入stream进行一个map操作，处理输出 ((渠道, 行为类型), 计数)。
其次，基于该结果进行一个keyBy操作，指定Key为(渠道, 行为类型)，得到了多个Keyed stream。
接着，对每个Keyed stream应用Sliding Window操作，设置Sliding Window的size和slide值。
然后，因为我们想要获取到Window对应的起始时间和结束时间，所以需要对Windowing后的stream进行一个ProcessWindowFunction操作，这个是我们自定义实现的，在其中获取到Window起始时间和结束时间，并对Windowing的数据进行分组统计（groupBy），然后输出带有Window起始时间和结束时间，以及渠道、行为类型、统计计数这些信息，对应的实现类为MyReduceWindowFunction，代码如下所示：
上面对应于ProcessWindowFunction的泛型参数的值，分别为：IN=((String, String), Long)、OUT=((String, String, String, String), Long)、KEY=Tuple、W=TimeWindow，这样可以对照方法process()中的各个参数的类型来理解。上述代码中，elements中可能存在多个相同的Key的值，但是具有同一个Key的数据元素一定会在同一个Window中（即elements），我们需要对elements进行一个groupBy的内存计算操作，再对每个group中的数据进行汇总计数，输出为((Window开始时间, Window结束时间, 渠道, 行为类型), 累加计数值)。这样，即可有调用stream上的process方法，将该MyReduceWindowFunction实现的示例作为参数值传进去即可。
最后，通过map操作将结果格式化，输出保存到Kafka中。
运行上面我们实现的Flink程序，执行如下命令：
提交运行后，可以通过Flink Web Dashboard查看Job运行状态。可以在Kafka中查看最终结果数据，对应的输出数据示例如下所示：
通过结果可以看到，采用Sliding Window来指派Window，随着时间流逝各个Window之间存在重叠的现象，这正是我们最初想要的结果。
- Non-Keyed Window编程
这里，我们基于Tumbling Window（WindowAssigner）来在stream上生成Non-Keyed Window。Tumbling Window也被称为固定时间窗口（Fixed Time Window），各个Window的时间长度相同，Window之间没有重叠。
我们想要达到的目标和前面类似，也希望获取到每个Window对应的起始时间和结束时间，所以需要实现一个ProcessWindowAllFunction，但因为是Non-Keyed Window，只有一个Task来负责对所有输入stream中的数据元素指派Window，这在编程实现中并没有感觉到有太大的差异。实现的Flink程序为TumblingWindowAllAnalytics，代码如下所示：
object TumblingWindowAllAnalytics {
var MAX_LAGGED_TIME = 5000L
def checkParams(params: ParameterTool) = {
if (params.getNumberOfParameters < 5) {
println("Missing parameters!\n"
+ "Usage: Windowing "
+ "--window-result-topic <windowed_result_topic> "
+ "--bootstrap.servers <kafka_brokers> "
+ "--zookeeper.connect <zk_quorum> "
+ "--window-all-lagged-millis <window_all_lagged_millis> "
+ "--window-all-size-millis <window_all_size_millis>")
System.exit(-1)
}
}
def main(args: Array[String]): Unit = {
val params = ParameterTool.fromArgs(args)
checkParams(params)
MAX_LAGGED_TIME = params.getLong("window-all-lagged-millis", MAX_LAGGED_TIME)
val windowAllSizeMillis = params.getRequired("window-all-size-millis").toLong
val env = StreamExecutionEnvironment.getExecutionEnvironment
env.setStreamTimeCharacteristic(TimeCharacteristic.ProcessingTime)
val stream: DataStream[(String, String)] = env.addSource(new SimulatedEventSource)
// create a Kafka producer for Kafka 0.9.x
val kafkaProducer = new FlinkKafkaProducer09(
params.getRequired("window-result-topic"),
new SimpleStringSchema, params.getProperties
)
stream
.map(t => {
val channel = t._1
val eventFields = t._2.split("\t")
val ts = eventFields(0).toLong
val behaviorType = eventFields(3)
(ts, channel, behaviorType)
})
.assignTimestampsAndWatermarks(new TimestampExtractor(MAX_LAGGED_TIME))
.map(t => (t._2, t._3))
.timeWindowAll(Time.milliseconds(windowAllSizeMillis))
.process(new MyReduceWindowAllFunction())
.map(t => {
val key = t._1
val count = t._2
val windowStartTime = key._1
val windowEndTime = key._2
val channel = key._3
val behaviorType = key._4
Seq(windowStartTime, windowEndTime,
channel, behaviorType, count).mkString("\t")
})
.addSink(kafkaProducer)
env.execute(getClass.getSimpleName)
}
class TimestampExtractor(val maxLaggedTime: Long)
extends AssignerWithPeriodicWatermarks[(Long, String, String)] with Serializable {
var currentWatermarkTs = 0L
override def getCurrentWatermark: Watermark = {
if(currentWatermarkTs <= 0) {
new Watermark(Long.MinValue)
} else {
new Watermark(currentWatermarkTs - maxLaggedTime)
}
}
override def extractTimestamp(element: (Long, String, String),
previousElementTimestamp: Long): Long = {
val ts = element._1
Math.max(ts, currentWatermarkTs)
}
}
}上面代码中，我们在输入stream开始处理时，调用DataStream的assignTimestampsAndWatermarks方法为stream中的每个数据元素指派时间戳，周期性地生成WaterMark来控制stream的处理进度（Progress），用来提取时间戳和生成WaterMark的实现参考实现类TimestampExtractor。有关WaterMark相关的内容，可以参考后面的参考链接中给出的介绍。
另外，我们实现了Flink的ProcessWindowAllFunction抽象类，对应实现类为MyReduceWindowAllFunction，用来处理每个Window中的数据，获取对应的Window的起始时间和结束时间，实现代码如下所示：
class MyReduceWindowAllFunction
extends ProcessAllWindowFunction[(String, String), ((String, String, String, String), Long), TimeWindow] {
override def process(context: Context,
elements: Iterable[(String, String)],
collector: Collector[((String, String, String, String), Long)]): Unit = {
val startTs = context.window.getStart
val endTs = context.window.getEnd
val elems = elements.map(t => {
((t._1, t._2), 1L)
})
for(group <- elems.groupBy(_._1)) {
val myKey = group._1
val myValue = group._2
var count = 0L
for(elem <- myValue) {
count += elem._2
}
val channel = myKey._1
val behaviorType = myKey._2
val outputKey = (formatTs(startTs), formatTs(endTs), channel, behaviorType)
collector.collect((outputKey, count))
}
}
private def formatTs(ts: Long) = {
val df = new SimpleDateFormat("yyyyMMddHHmmss")
df.format(new Date(ts))
}
}与Keyed Window实现中的ProcessWindowFunction相比，这里没有了对应的泛型参数KEY，因为这种情况下只有一个Task处理stream输入的所有数据元素，ProcessAllWindowFunction的实现类对所有未进行groupBy（也无法进行，因为数据元素的Key未知）操作得到的Window中的数据元素进行处理，处理逻辑和前面基本相同。
提交Flink程序TumblingWindowAllAnalytics，执行如下命令行：
参考链接
《大数据成神之路》
https://ci.apache.org/projects/flink/flink-docs-release-1.4/dev/stream/operators/windows.html
https://www.oreilly.com/ideas/the-world-beyond-batch-streaming-101
https://www.oreilly.com/ideas/the-world-beyond-batch-streaming-102
