flink自定义窗口分配器 周、月
关于分配器介绍内容来自官网
窗口分配的概念
窗口分配程序(Window Assigners)定义如何将元素分配给窗口。
通过window(...) (for keyed streams)
或windowAll()for non-keyed streams)
指定需要的WindowAssigner。
WindowAssigner负责将每个传入元素分配给一个或多个窗口。
Flink为最常见的用例提供了预定义的窗口分配程序如:tumbling windows, sliding windows, session windows and global windows.
同时还可以通过扩展WindowAssigner
类来实现自定义窗口assigner
。
所有内置的窗口分配程序(除了global windows)都根据时间将元素分配给窗口,时间可以是处理时间,也可以是事件时间。
基于时间的窗口有一个开始时间戳(包括)和一个结束时间戳(不包括),它们一起描述窗口的大小。[starTimestamp,endTimestamp)
:左闭右开
Flink预定义的窗口分配程序
Tumbling Windows (滚动窗口)
翻转窗口分配程序将每个元素分配给指定窗口大小的窗口,滚动窗口有一个固定的大小并且元素之间不重叠。
val input: DataStream[T] = ...
// tumbling event-time windows
input
.keyBy(<key selector>)
.window(TumblingEventTimeWindows.of(Time.seconds(5)))
.<windowed transformation>(<window function>)
// tumbling processing-time windows
input
.keyBy(<key selector>)
.window(TumblingProcessingTimeWindows.of(Time.seconds(5)))
.<windowed transformation>(<window function>)
//偏移量的一个重要用例是将窗口调整到UTC-0以外的时区。例如,在中国,您必须指定时间偏移量(-8)。
//事件时间窗口偏移-8小时
input
.keyBy(<key selector>)
.window(TumblingEventTimeWindows.of(Time.days(1), Time.hours(-8)))
.<windowed transformation>(<window function>)
Sliding Windows (滑动窗口)
滑动窗口分配程序将元素分配给固定长度的窗口。类似于滚动窗口分配程序,窗口的大小由窗口大小参数配置。
同时还有一个附加的窗口滑动距离参数控制滑动窗口启动的频率。
滑动距离与窗口大小的的不同会导致数据元素是否重叠、丢失、恰好一次
具体情况如下:
- slideSize>windowSize 丢失数据
- slideSize<windowSize 数据重叠
- slideSize=windowSize 恰好一次(此时等同TumblingWindows)
val input: DataStream[T] = ...
// sliding event-time windows
input
.keyBy(<key selector>)
.window(SlidingEventTimeWindows.of(Time.seconds(10), Time.seconds(5)))
.<windowed transformation>(<window function>)
// sliding processing-time windows
input
.keyBy(<key selector>)
.window(SlidingProcessingTimeWindows.of(Time.seconds(10), Time.seconds(5)))
.<windowed transformation>(<window function>)
// sliding processing-time windows offset by -8 hours
input
.keyBy(<key selector>)
.window(SlidingProcessingTimeWindows.of(Time.hours(12), Time.hours(1), Time.hours(-8)))
.<windowed transformation>(<window function>)
Session Windows(会话窗口)
会话窗口分配程序根据活动的会话对元素进行分组。
与滚动、滑动窗口不同的是,会话窗口没有数据重叠,也没有固定的开始和结束时间。
当某个会话窗口在一段时间内没有接收到元素时,它将关闭窗口
val input: DataStream[T] = ...
// event-time session windows with static gap
input
.keyBy(<key selector>)
.window(EventTimeSessionWindows.withGap(Time.minutes(10)))
.<windowed transformation>(<window function>)
// event-time session windows with dynamic gap
input
.keyBy(<key selector>)
.window(EventTimeSessionWindows.withDynamicGap(new SessionWindowTimeGapExtractor[String] {
override def extract(element: String): Long = {
// determine and return session gap
}
}))
.<windowed transformation>(<window function>)
// processing-time session windows with static gap
input
.keyBy(<key selector>)
.window(ProcessingTimeSessionWindows.withGap(Time.minutes(10)))
.<windowed transformation>(<window function>)
// processing-time session windows with dynamic gap
input
.keyBy(<key selector>)
.window(DynamicProcessingTimeSessionWindows.withDynamicGap(new SessionWindowTimeGapExtractor[String] {
override def extract(element: String): Long = {
// determine and return session gap
}
}))
.<windowed transformation>(<window function>)
Global Windows(全局窗口)
全局窗口分配程序将具有相同键的所有元素分配给同一个全局窗口。
全局窗口模式仅在指定自定义触发器时才有用。否则,将不执行任何计算,因为全局窗口没有一个可以处理聚合元素的自然末端。(窗口没有结束,没有出发计算的条件,除非自定义触发器)
val input: DataStream[T] = ...
input
.keyBy(<key selector>)
.window(GlobalWindows.create())
.<windowed transformation>(<window function>)
上面就是flink提供一些窗口分配程序,基本能满足大多数情况。
但是对于某些特殊情况flink提供的分配成程序没法满足要求,此时就需要根据需求自定义分配程序。
实现自定的分配程序需要实现org.apache.flink.streaming.api.windowing.assigners.WindowAssigner
自定义 WindowAssigner
如果我们定义按天、小时、分钟的滚动窗口都很容易实现。
但是如果我们要定义一周(周日开始或周一),一个月(1号开始)的滚动窗口,那么现有API基本没法实现或很难实现。
对此就需要我们实现一个自定义的窗口分配器。
import java.text.SimpleDateFormat
import java.util
import java.util.{Calendar, Collections, Date}
import com.meda.utils.DateHelper
import org.apache.flink.api.common.ExecutionConfig
import org.apache.flink.api.common.typeutils.TypeSerializer
import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment
import org.apache.flink.streaming.api.windowing.assigners.WindowAssigner
import org.apache.flink.streaming.api.windowing.triggers.{EventTimeTrigger, Trigger}
import org.apache.flink.streaming.api.windowing.windows.TimeWindow
/**
* 实现根据周或月的窗口划分窗口
* 比如按照周日的00:00:00到下一个周六23:59:59
* 或者每个月第一天的00:00:00到最后一天的23:59:59
* 实现参考了 TumblingEventTimeWindows
*
* @param tag 标签 month or week
* @tparam T 需要划分窗口的数据类型(输入类型)
*/
class CustomWindowAssigner[T](tag: String) extends WindowAssigner[T, TimeWindow] {
//窗口分配的主要方法,需要为每一个元素指定所属的分区
override def assignWindows(element: T, timestamp: Long, context: WindowAssigner.WindowAssignerContext): util.Collection[TimeWindow] = {
var offset: (Long, Long) = null
tag match {
case "month" => offset = getTimestampFromMon(timestamp)
case "week" => offset = getTimestampFromWeek(timestamp)
}
//分配窗口
Collections.singletonList(new TimeWindow(offset._1, offset._2))
}
//注意此处需要进行类型的转换,否则或编译出错,java版本好像没问题,但是java对于上面的offset处理有点难搞,所以放弃了
override def getDefaultTrigger(env: StreamExecutionEnvironment): Trigger[T, TimeWindow] = EventTimeTrigger.create().asInstanceOf[Trigger[T, TimeWindow]]
override def getWindowSerializer(executionConfig: ExecutionConfig): TypeSerializer[TimeWindow] = new TimeWindow.Serializer
//是否使用事件时间
override def isEventTime: Boolean = true
/**
* 获取指定时间戳当月时间戳范围
* eg:2020-03-12 11:35:13 (timestamp=1583984113960l)
* 结果为:(1582992000000,1585670399999)=>(2020-03-01 00:00:00,2020-03-31 23:59:59)
*
* @param timestamp 时间戳
* @return
*/
def getTimestampFromMon(timestamp: Long): (Long, Long) = {
val calendar = Calendar.getInstance()
calendar.setTime(DateHelper.getInstance().getDateFromStr(new SimpleDateFormat("yyyyMM01000000").format(new Date(timestamp)), "yyyyMMddHHmmss"))
val numsOfMon: Long = calendar.getActualMaximum(Calendar.DAY_OF_MONTH)
calendar.set(Calendar.DAY_OF_MONTH, 1)
val start: Long = calendar.getTimeInMillis
val end: Long = start + numsOfMon * 24 * 60 * 60 * 1000 - 1
(start, end)
}
/**
* 获取指定时间戳本周时间范围(从周日开始)
* eg:2020-03-14 23:59:59 (timestamp=1583895064000l)
* 结果为:(1583596800000,1584201599999)=>(2020-03-08 00:00:00,2020-03-14 23:59:59)
*
* @param timestamp 时间戳
* @return
*/
def getTimestampFromWeek(timestamp: Long): (Long, Long) = {
val calendar = Calendar.getInstance()
calendar.setTime(DateHelper.getInstance().getDateFromStr(new SimpleDateFormat("yyyyMMdd000000").format(new Date(timestamp)), "yyyyMMddHHmmss"))
// calendar.setFirstDayOfWeek(Calendar.SUNDAY)//设置周日为首日 默认值,一般不用设置
calendar.set(Calendar.DAY_OF_WEEK, Calendar.SUNDAY)
val start: Long = calendar.getTimeInMillis
(start, start + 7 * 24 * 60 * 60 * 1000l - 1)
}
}
//输入数据
case class Top100Input(event_id: String, date_d: String, timeStamp: Long, uid: Long, weekTag: String, monthTag: String)
//调用
val dStream: DataStream[Top100Input] = ...
dStream
.keyBy(_.weekTag)
.window(new CustomWindowAssigner[Top100Input]("week"))
dStream
.keyBy(_.monthTag)
.window(new CustomWindowAssigner[Top100Input]("month"))