Flink中watermark的生成規(guī)則及其功能

問題分析

假如我們自己寫一個流式框架。我們該如何處理消息。正常情況下，我們看到消息按照順序一個個發(fā)送，接受后按照順序處理，這是沒有什么問題的。然而也要考慮到一些特殊情況下，消息不在是按照順序發(fā)送，產(chǎn)生了亂序，這時候該怎么處理？

核心問題講解

（1）watermark是用于處理亂序事件的，而正確的處理亂序事件，通常用watermark機制結合window來實現(xiàn)。我們知道，流處理從事件產(chǎn)生，到流經(jīng)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(shù)據(jù)都是按照事件產(chǎn)生的時間順序來的，但是也不排除由于網(wǎng)絡、背壓等原因，導致亂序的產(chǎn)生（out-of-order或者說late element）。但是對于late element，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(fā)window去進行計算。這個特別的機制，就是watermark。

（2）通常，在接收到source的數(shù)據(jù)后，應該立刻生成watermark；但是，也可以在接收source后，應用簡單的map或者filter操作，然后再生成watermark。

（3）如果延遲的數(shù)據(jù)有業(yè)務需要，則設置好允許延遲的時間，因為我們不能無限期的等下去。每個窗口都有屬于自己的最大等待延遲數(shù)據(jù)的時間限制，窗口結束時間+延遲時間=最大waterMark值，即當waterMark值大于的上述計算出的最大waterMark值，該窗口內(nèi)的數(shù)據(jù)就屬于遲到的數(shù)據(jù)，無法參與window計算。

問題擴展

Window：Window是處理無界流的關鍵，Windows將流拆分為一個個有限大小的buckets，可以在每一個buckets中進行計算。start_time,end_time：當Window時時間窗口的時候，每個window都會有一個開始時間和結束時間（前開后閉），這個時間是系統(tǒng)時間。event-time: 事件發(fā)生時間，是事件發(fā)生所在設備的當?shù)貢r間，比如一個點擊事件的時間發(fā)生時間，是用戶點擊操作所在的手機或電腦的時間。Watermarks：可以把他理解為一個水位線，這個Watermarks在不斷的變化，一旦Watermarks大于了某個window的end_time，就會觸發(fā)此window的計算，Watermarks就是用來觸發(fā)window計算的。

結合項目中使用

watermark如何處理亂序數(shù)據(jù)？
假如我們設置10s的時間窗口（window），那么0~10s，10~20s都是一個窗口，以0~10s為例，0位start-time，10為end-time。假如有4個數(shù)據(jù)的event-time分別是8(A),12.5(B),9(C),13.5(D)，我們設置Watermarks為當前所有到達數(shù)據(jù)event-time的最大值減去延遲值3.5秒。

當A到達的時候，Watermarks為max{8}-3.5=8-3.5 = 4.5 < 10,不會觸發(fā)計算；
當B到達的時候，Watermarks為max(12.5,8)-3.5=12.5-3.5 = 9 < 10,不會觸發(fā)計算；
當C到達的時候，Watermarks為max(12.5,8,9)-3.5=12.5-3.5 = 9 < 10,不會觸發(fā)計算；
當D到達的時候，Watermarks為max(13.5,12.5,8,9)-3.5=13.5-3.5 = 10 = 10,觸發(fā)計算；
觸發(fā)計算的時候，會將AC（因為他們都小于10）都計算進去。
通過上面這種方式，我們就將遲到的C計算進去了。這里的延遲3.5s是我們假設一個數(shù)據(jù)到達的時候，比他早3.5s的數(shù)據(jù)肯定也都到達了，這個是需要根據(jù)經(jīng)驗推算的，加入D到達以后有到達了一個E,event-time=6，但是由于0~10的時間窗口已經(jīng)開始計算了，所以E就丟了。



猜你喜歡：

Spark SQL用法建議【大數(shù)據(jù)文章】

Spark RDD的兩種依賴關系？

Hive安裝之嵌入模式?

黑馬大數(shù)據(jù)培訓課程