【Flink】Flink对于迟到数据的处理

设置允许延迟的时间是通过allowedLateness(lateness: Time)设置

保存延迟数据则是通过sideOutputLateData(outputTag: OutputTag[T])保存

获取延迟数据是通过DataStream.getSideOutput(tag: OutputTag[X])获取

下面先分别讲解这几个方法，再给出具体的实例加深理解

1、allowedLateness(lateness: Time)

def allowedLateness(lateness: Time): WindowedStream[T, K, W] = {

    javaStream.allowedLateness(lateness)

    this

}

该方法传入一个Time值，设置允许数据迟到的时间，这个时间和waterMark中的时间概念不同。再来回顾一下，

waterMark=数据的事件时间-允许乱序时间值

随着新数据的到来，waterMark的值会更新为最新数据事件时间-允许乱序时间值，但是如果这时候来了一条历史数据，waterMark值则不会更新。总的来说，waterMark是为了能接收到尽可能多的乱序数据。

那这里的Time值呢？主要是为了等待迟到的数据，在一定时间范围内，如果属于该窗口的数据到来，仍会进行计算，后面会对计算方式仔细说明

注意：该方法只针对于基于event-time的窗口，如果是基于processing-time，并且指定了非零的time值则会抛出异常

2、sideOutputLateData(outputTag: OutputTag[T])

def sideOutputLateData(outputTag: OutputTag[T]): WindowedStream[T, K, W] = {

    javaStream.sideOutputLateData(outputTag)

    this

}

该方法是将迟来的数据保存至给定的outputTag参数，而OutputTag则是用来标记延迟数据的一个对象。

3、DataStream.getSideOutput(tag: OutputTag[X])

通过window等操作返回的DataStream调用该方法，传入标记延迟数据的对象来获取延迟的数据

4、对延迟数据的理解

延迟数据是指：

在当前窗口【假设窗口范围为10-15】已经计算之后，又来了一个属于该窗口的数据【假设事件时间为13】，这时候仍会触发window操作，这种数据就称为延迟数据。

那么问题来了，延迟时间怎么计算呢？

假设窗口范围为10-15，延迟时间为2s，则只要waterMark<15+2，并且属于该窗口，就能触发window操作。而如果来了一条数据使得waterMark>=15+2，10-15这个窗口就不能再触发window操作，即使新来的数据的event-time<15+2+3

5、代码实例讲解

大概讲解一下代码的流程：

1、监听某主机的9000端口，读取socket数据(格式为  name:timestamp)

2、给当前进入flink程序的数据加上waterMark，值为eventTime-3s

3、根据name值进行分组，根据窗口大小为5s划分窗口，设置允许迟到时间为2s，依次统计窗口中各name值的数据

4、输出统计结果以及迟到数据

5、启动Job

import org.apache.commons.lang3.time.FastDateFormat

import org.apache.flink.api.java.tuple.Tuple

import org.apache.flink.streaming.api.TimeCharacteristic

import org.apache.flink.streaming.api.functions.AssignerWithPeriodicWatermarks

import org.apache.flink.streaming.api.scala.function.WindowFunction

import org.apache.flink.streaming.api.scala.{DataStream, OutputTag, StreamExecutionEnvironment}

import org.apache.flink.streaming.api.watermark.Watermark

import org.apache.flink.streaming.api.windowing.assigners.TumblingEventTimeWindows

import org.apache.flink.streaming.api.windowing.time.Time

import org.apache.flink.streaming.api.windowing.windows.TimeWindow

import org.apache.flink.util.Collector

import scala.collection.mutable.ArrayBuffer

/**

  * 延迟测试

  * 详细讲解博客地址：https://blog.csdn.net/hlp4207/article/details/90717905

  */

object WaterMarkFunc02 {

  // 线程安全的时间格式化对象

  val sdf: FastDateFormat = FastDateFormat.getInstance("yyyy-MM-dd HH:mm:ss:SSS")

  def main(args: Array[String]): Unit = {

    val hostName = "s102"

    val port = 9000

    val delimiter = '\n'

    val env = StreamExecutionEnvironment.getExecutionEnvironment

    // 将EventTime设置为流数据时间类型

    env.setStreamTimeCharacteristic(TimeCharacteristic.EventTime)

    env.setParallelism(1)

    val streams: DataStream[String] = env.socketTextStream(hostName, port, delimiter)

    import org.apache.flink.api.scala._

    val data = streams.map(data => {

      // 输入数据格式：name:时间戳

      // flink:1559223685000

      try {

        val items = data.split(":")

        (items(0), items(1).toLong)

      } catch {

        case _: Exception => println("输入数据不符合格式：" + data)

          ("0", 0L)

      }

    }).filter(data => !data._1.equals("0") && data._2 != 0L)

    //为数据流中的元素分配时间戳，并定期创建水印以监控事件时间进度

    val waterStream: DataStream[(String, Long)] = data.assignTimestampsAndWatermarks(new AssignerWithPeriodicWatermarks[(String, Long)] {

      // 事件时间

      var currentMaxTimestamp = 0L

      val maxOutOfOrderness = 3000L

      var lastEmittedWatermark: Long = Long.MinValue

      // Returns the current watermark

      override def getCurrentWatermark: Watermark = {

        // 允许延迟三秒

        val potentialWM = currentMaxTimestamp - maxOutOfOrderness

        // 保证水印能依次递增

        if (potentialWM >= lastEmittedWatermark) {

          lastEmittedWatermark = potentialWM

        }

        new Watermark(lastEmittedWatermark)

      }

      // Assigns a timestamp to an element, in milliseconds since the Epoch

      override def extractTimestamp(element: (String, Long), previousElementTimestamp: Long): Long = {

        // 将元素的时间字段值作为该数据的timestamp

        val time = element._2

        if (time > currentMaxTimestamp) {

          currentMaxTimestamp = time

        }

        val outData = String.format("key: %s    EventTime: %s    waterMark:  %s",

          element._1,

          sdf.format(time),

          sdf.format(getCurrentWatermark.getTimestamp))

        println(outData)

        time

      }

    })

    val lateData = new OutputTag[(String,Long)]("late")

    val result: DataStream[String] = waterStream.keyBy(0)// 根据name值进行分组

      .window(TumblingEventTimeWindows.of(Time.seconds(5L)))// 5s跨度的基于事件时间的翻滚窗口

    /**

      * 对于此窗口而言，允许2秒的迟到数据，即第一次触发是在watermark > end-of-window时

      * 第二次（或多次）触发的条件是watermark < end-of-window + allowedLateness时间内，这个窗口有late数据到达

      */

      .allowedLateness(Time.seconds(2L))

      .sideOutputLateData(lateData)

      .apply(new WindowFunction[(String, Long), String, Tuple, TimeWindow] {

        override def apply(key: Tuple, window: TimeWindow, input: Iterable[(String, Long)], out: Collector[String]): Unit = {

          val timeArr = ArrayBuffer[String]()

          val iterator = input.iterator

          while (iterator.hasNext) {

            val tup2 = iterator.next()

            timeArr.append(sdf.format(tup2._2))

          }

          val outData = String.format("key: %s    data: %s    startTime:  %s    endTime:  %s",

            key.toString,

            timeArr.mkString("-"),

            sdf.format(window.getStart),

            sdf.format(window.getEnd))

          out.collect(outData)

        }

      })

    result.print("window计算结果:")

    val late = result.getSideOutput(lateData)

    late.print("迟到的数据:")

    env.execute(this.getClass.getName)

  }

}

接下来开始输入数据进行测试验证：

可以看到window范围为【15-20】，这时候我们再输入几条属于该范围的数据：

输入了事件时间为17、16、15三条数据，都触发了window操作，那我们试着输入一下窗口范围为【10-15】的数据：

窗口范围为【10-15】的数据则属于迟到的数据，已经超过了最大等待时间，我们可以来试着计算一下允许上个窗口迟到数据的waterMark值

窗口结束时间+延迟时间=最大waterMark值

15 + 2 = 17

当前的waterMark值为20，大于17，所以窗口范围为10-15的数据已经是迟到的数据了

再来计算一下窗口时间范围为15-20的临界值：

20 + 2 = 22

即当waterMark上涨到22,15-20窗口范围内的数据就属于迟到数据，不能再参与计算了

记住我们算出的临界值22，继续输入数据测试：

输入数据A时，waterMark上涨至21，此时输入属于15-20窗口范围内的数据B，依然能触发窗口操作；

输入数据C，waterMark上涨至22，等于刚才我们算出来的临界值，此时输入,数据B，则已不能触发窗口操作，属于迟到的数据。

最后，总结一下flink对于延迟数据的处理：

如果延迟的数据有业务需要，则设置好允许延迟的时间，每个窗口都有属于自己的最大等待延迟数据的时间限制：