flink的watermark机制你学会了吗？

大家好，今天我们来聊一聊flink的Watermark机制。

这也是flink系列的的第一篇文章，如果对flink、大数据感兴趣的小伙伴，记得点个关注呀。

背景

​ flink作为先进的流水计算引擎，提供了三种时间概念，这对基于时间的流处理应用提供了多种可能。

• Event time 指生产设备中每个独立的事件发生的时间，比如用户点击产生的时间。

• Process time 指正在执行相关进程的机器的系统时间。

• IngestionTime 指事件进入flink的时间。

  

WaterMark机制主要是用来解决EventTime乱序的情况。从事件的产生、到经过消息中间件、然后经过data source和Operator，在传输的过程中，由于网络传输等原因，会导致EventTime出现乱序，如果只是根据EventTime来决定window的运行，我们不能明确数据是否已经全部到位，所以我们需要有一个机制来保证特定的时间后，必须触发window去执行计算了，这个机制就是Watermark。

定义

WaterMark是一种特殊的时间戳，它会被插入到数据流中，用于表示EventTime小于Watermark的事件全部落入到了相应的窗口中。

如图所示，这是一个窗口大小为5的乱序流。w(5)表示EventTime小于5的数据已经落入相应的窗口。当Watermark大于等于窗口的最大时间戳（即窗口的endTime），就会触发相应窗口的计算。比如W(5)大于等于5，会触发窗口[0,5)的计算。

生成

WaterMark有两种生成方式，分别是Punctuated Watermark（标点水位线）和Periodic Watermark（周期性水位线）。

• 标点水位线

  标点水位线（Punctuated Watermark）是通过数据流中某些特殊标记事件来触发新水位线的生成。这种方式下，窗口的触发与时间无关，而是决定于何时收到标记事件。在实际的生产中Punctuated方式在TPS很高的场景下会产生大量的Watermark在一定程度上对下游算子造成压力，所以只有在实时性要求非常高的场景才会选择Punctuated的方式进行Watermark的生成。

• 周期性水位线

  周期性的（允许一定时间间隔或者达到一定的记录条数）产生一个Watermark。水位线提升的时间间隔是由用户设置的，在两次水位线提升时隔内会有一部分消息流入，用户可以根据这部分数据来计算出新的水位线。在实际的生产中Periodic的方式必须结合时间和积累条数两个维度继续周期性产生Watermark，否则在极端情况下会有很大的延时。

案例

在实际的项目中，主要是使用周期性的水位线，我们可以通过env.getConfig().setAutoWatermarkInterval()设置，默认是200ms。

public class test {
    public static void main(String[] args) throws Exception {
    
        StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();

        env.getConfig().setAutoWatermarkInterval(100);

        DataStreamSource<String> inputStream = env.socketTextStream("localhost", 8888);

        SerializableTimestampAssigner<String> timestampAssigner = 
          new SerializableTimestampAssigner<String>(){
            @Override
            public long extractTimestamp(String element, long recordTimestamp) {
                String[] fields = element.split(" ");
                Long aLong = new Long(fields[0]);
                return aLong * 1000L;
            }
        };

        SingleOutputStreamOperator<Tuple2<String,Long>> result=inputStream.assignTimestampsAndWatermarks(
                WatermarkStrategy
                        .<String>forBoundedOutOfOrderness(Duration.ofSeconds(5))
                        .withTimestampAssigner(timestampAssigner)
        ).map(new MapFunction<String, Tuple2<String,Long>>() {
            @Override
            public Tuple2<String, Long> map(String s) {
                return Tuple2.of(s.split(" ")[1],1L);
            }
        }).keyBy(0)
        .window(TumblingEventTimeWindows.of(Time.seconds(10)))
        .reduce(new ReduceFunction<Tuple2<String, Long>>() {
            @Override
            public Tuple2<String, Long> reduce(Tuple2<String, Long> stringLongTuple2, Tuple2<String, Long> t1) throws Exception {
                return new Tuple2<>(stringLongTuple2.f0,stringLongTuple2.f1+t1.f1);
            }
        });
        result.print();
        env.execute("warter mark test");

    }
}

当通过nc -l 8888输入数据

1630312530 java
1630312533 java
1630312536 java
1630312540 java
1630312543 java
1630312538 java
1630312545 java
1630312539 java
1630312550 java
1630312549 java
1630312555 java

输出为：

1> (java,5)
1> (java,4)

当事件“1630312545 java”进入流处理后，生成的Watermark为“W(1630312540)”，大于等于窗口[1630312530，1630312540)的endTime，触发窗口的计算，此时延迟数据“1630312538 java”也会被计算在内，所以会输出“(java,5)”，而事件“1630312539 java”是在Watermark已经触发相应的窗口计算后，才进入流处理中，延迟太久，会被忽略掉。当事件“163031255 java”进入流处理后，生成的Wartermark为W(163031250)，触发窗口[163031240,163031250)的计算。

最后

到此为止，我们已经把Watermark机制聊完了，如果喜欢，请点个关注吧。

更多有趣知识，请关注公众号【程序员学长】。我给你准备了上百本学习资料，包括python、java、数据结构和算法等。如果需要，请关注公众号【程序员学长】，回复【资料】，即可得。

你知道的越多，你的思维也就越开阔，我们下期再见。