聊聊Flink必知必會(五)
從原始碼中，根據關鍵的程式碼，梳理一下Flink中的時間與視窗實現邏輯。
WindowedStream
對資料流執行keyBy()操作後，再呼叫window()方法，就會返回WindowedStream，表示分割區後又加窗的資料流。如果資料流沒有經過分割區，直接呼叫window()方法則會返回AllWindowedStream。
如下：
// 建構函式
public WindowedStream(KeyedStream<T, K> input, WindowAssigner<? super T, W> windowAssigner) {
this.input = input;
this.builder =
new WindowOperatorBuilder<>(
windowAssigner,
windowAssigner.getDefaultTrigger(input.getExecutionEnvironment()),
input.getExecutionConfig(),
input.getType(),
input.getKeySelector(),
input.getKeyType());
}
// KeyedStream型別，表示被加窗的輸入流。
private final KeyedStream<T, K> input;
// 用於構建WindowOperator，最終會生成windowAssigner,Evictor,Trigger
private final WindowOperatorBuilder<T, K, W> builder;
在這裡面還涉及到一些視窗的基本計算運算元，比如reduce,aggregate,apply,process,sum等等.
視窗相關模型的實現
Window
Window類是Flink中對視窗的抽象。它是一個抽象類，包含抽象方法maxTimestamp()，用於獲取屬於該視窗的最大時間戳。
TimeWindow類是其子類。包含了視窗的start,end,offset等時間概念欄位，這裡會計算視窗的起始時間：
// 建構函式
public TimeWindow(long start, long end) {
this.start = start;
this.end = end;
}
// timestamp:獲取視窗啟動時的第一個時間戳epoch毫秒
public static long getWindowStartWithOffset(long timestamp, long offset, long windowSize) {
final long remainder = (timestamp - offset) % windowSize;
// handle both positive and negative cases
if (remainder < 0) {
return timestamp - (remainder + windowSize);
} else {
return timestamp - remainder;
}
}
WindowAssigner
WindowAssigner表示視窗分配器，用來把元素分配到零個或多個視窗（Window物件）中。它是一個抽象類，其中重要的抽象方法為assignWindows()方法，用來給元素分配視窗。
Flink有多種型別的視窗，如Tumbling Window、Sliding Window等。各種型別的視窗又分為基於事件時間或處理時間的視窗。WindowAssigner的實現類就對應著具體型別的視窗。
SlidingEventTimeWindows是WindowAssigner的另一個實現類，表示基於事件時間的Sliding Window。它有3個long型別的欄位size、slide和offset，分別表示視窗的大小、滑動的步長和視窗起始位置的偏移量。它對assignWindows()方法的實現如下：
@Override
public Collection<TimeWindow> assignWindows(
Object element, long timestamp, WindowAssignerContext context) {
// Long.MIN_VALUE is currently assigned when no timestamp is present
if (timestamp > Long.MIN_VALUE) {
if (staggerOffset == null) {
staggerOffset =
windowStagger.getStaggerOffset(context.getCurrentProcessingTime(), size);
}
long start =
TimeWindow.getWindowStartWithOffset(
timestamp, (globalOffset + staggerOffset) % size, size);
// 返回構建好起止時間的TimeWindow
return Collections.singletonList(new TimeWindow(start, start + size));
} else {
throw new RuntimeException(
"Record has Long.MIN_VALUE timestamp (= no timestamp marker). "
+ "Is the time characteristic set to 'ProcessingTime', or did you forget to call "
+ "'DataStream.assignTimestampsAndWatermarks(...)'?");
}
}
設定視窗觸發器Trigger
@Override
public Trigger<Object, TimeWindow> getDefaultTrigger(StreamExecutionEnvironment env) {
return EventTimeTrigger.create();
}
WindowAssigner與其主要實現類的關係如下：
這些類的含義分別如下
- GlobalWindows：將所有元素分配進同一個視窗的全域性視窗分配器。
- SlidingEventTimeWindows：基於事件時間的滑動視窗分配器。
- SlidingProcessingTimeWindows：基於處理時間的滑動視窗分配器。
- TumblingEventTimeWindows：基於事件時間的捲動視窗分配器。
- TumblingProcessingTimeWindows：基於處理時間的捲動視窗分配器。
- EventTimeSessionWindows：基於事件時間的對談視窗分配器。
- ProcessingTimeSessionWindows：基於處理時間的對談視窗分配器。
Trigger
Trigger表示視窗觸發器。它是一個抽象類，主要定義了下面3個方法用於確定視窗何時觸發計算：
// 每個元素到來時觸發
public abstract TriggerResult onElement(T element, long timestamp, W window, TriggerContext ctx) throws Exception;
// 處理時間的定時器觸發時
public abstract TriggerResult onProcessingTime(long time, W window, TriggerContext ctx) throws Exception;
// 事件時間的定時器觸發時呼叫
public abstract TriggerResult onEventTime(long time, W window, TriggerContext ctx) throws Exception;
這3個方法的返回結果為TriggerResult物件。TriggerResult是一個列舉類，包含兩個boolean型別的欄位fire和purge，分別表示視窗是否觸發計算和視窗內的元素是否需要清空。
CONTINUE(false, false),
FIRE_AND_PURGE(true, true),
FIRE(true, false),
PURGE(false, true);
TriggerResult(boolean fire, boolean purge) {
this.purge = purge;
this.fire = fire;
}
視窗觸發器的實現由使用者根據業務需求自定義。Flink預設基於事件時間的觸發器為EventTimeTrigger，其三個方法處理如下
@Override
public TriggerResult onElement(
Object element, long timestamp, TimeWindow window, TriggerContext ctx)
throws Exception {
if (window.maxTimestamp() <= ctx.getCurrentWatermark()) {
// 如果水印已經超過視窗，則立即觸發
return TriggerResult.FIRE;
} else {
// 註冊事件時間定時器
ctx.registerEventTimeTimer(window.maxTimestamp());
return TriggerResult.CONTINUE;
}
}
@Override
public TriggerResult onEventTime(long time, TimeWindow window, TriggerContext ctx) {
return time == window.maxTimestamp() ? TriggerResult.FIRE : TriggerResult.CONTINUE;
}
/*
* 處理時間，視窗不觸發計算也不清空內部元素。
*/
@Override
public TriggerResult onProcessingTime(long time, TimeWindow window, TriggerContext ctx)
throws Exception {
return TriggerResult.CONTINUE;
}
Trigger與其主要實現類的繼承關係
這些類的含義如下
- CountTrigger：元素數達到設定的個數時觸發計算的觸發器。
- DeltaTrigger：基於DeltaFunction和設定的閾值觸發計算的觸發器。
- EventTimeTrigger：基於事件時間的觸發器。
- ProcessingTimeTrigger：基於處理時間的觸發器。
- PurgingTrigger：可包裝其他觸發器的清空觸發器。
- ContinuousEventTimeTrigger：基於事件時間並按照一定的時間間隔連續觸發計算的觸發器。
- ContinuousProcessingTimeTrigger：基於處理時間並按照一定的時間間隔連續觸發計算的觸發器。
windowOperator
從WindowedStream的建構函式中，會生成WindowOperatorBuilder，該類可以返回WindowOperator，這兩個類負責視窗分配器、視窗觸發器和視窗剔除器這些元件在執行時的協同工作。
對於WindowOperator，除了視窗分配器和視窗觸發器的相關欄位，可以先了解下面兩個欄位。
// StateDescriptor型別，表示視窗狀態描述符。
private final StateDescriptor<? extends AppendingState<IN, ACC>, ?> windowStateDescriptor;
// 表示視窗的狀態，視窗內的元素都在其中維護。
private transient InternalAppendingState<K, W, IN, ACC, ACC> windowState;
視窗中的元素並沒有儲存在Window物件中，而是維護在windowState中。windowStateDescriptor則是建立windowState所需用到的描述符。
當有元素到來時，會呼叫WindowOperator的processElement()方法：
public void processElement(StreamRecord<IN> element) throws Exception {
// 分配視窗
final Collection<W> elementWindows = windowAssigner.assignWindows(
element.getValue(), element.getTimestamp(), windowAssignerContext);
...
if (windowAssigner instanceof MergingWindowAssigner) { // Session Window的情況
...
} else {
for (W window: elementWindows) { // 非Session Window的情況
...
// 將Window物件設定為namespace並新增元素到windowState中
windowState.setCurrentNamespace(window);
windowState.add(element.getValue());
triggerContext.key = key;
triggerContext.window = window;
// 獲取TriggerResult，確定接下來是否需要觸發計算或清空視窗
TriggerResult triggerResult = triggerContext.onElement(element);
if (triggerResult.isFire()) {
ACC contents = windowState.get();
if (contents == null) {
continue;
}
// 觸發計算
emitWindowContents(window, contents);
}
if (triggerResult.isPurge()) {
// 清空視窗
windowState.clear();
}
...
}
}
...
}
在處理時間或事件時間的定時器觸發時，會呼叫WindowOperator的onProcessingTime()方法或onEventTime()方法，其中的邏輯與onElement()方法的大同小異。
Watermarks
水位線(watermark)是選用事件時間來進行資料處理時特有的概念。它的本質就是時間戳，從上游流向下游，表示系統認為資料中的事件時間在該時間戳之前的資料都已到達。
Flink中，Watermark類表示水位。
/** Creates a new watermark with the given timestamp in milliseconds. */
public Watermark(long timestamp) {
this.timestamp = timestamp;
}
watermark的生成有兩種方式，這裡不贅述，主要講述下基於設定的策略生成watermark的方式。如下的程式碼是比較常見的設定：
// 分配事件時間與水印
.assignTimestampsAndWatermarks(
// forBoundedOutOfOrderness 會根據事件的時間戳和允許的最大亂序時間生成水印。
// Duration 設定了最大亂序時間為1秒。這意味著 Flink 將允許在這1秒的時間範圍內的事件不按照事件時間的順序到達，這個時間段內的事件會被認為是"有序的"。
WatermarkStrategy.<Event>forBoundedOutOfOrderness(Duration.ofSeconds(1))
// 設定事件時間分配器，從Event物件中提取時間戳作為事件時間
.withTimestampAssigner(new SerializableTimestampAssigner<Event>() {
@Override
public long extractTimestamp(Event element, long recordTimestamp) {
return element.timestamp;
}
}));
在Flink內部，會根據設定的策略呼叫BoundedOutOfOrdernessWatermarks生成watermark。該類的程式碼如下：
public class BoundedOutOfOrdernessWatermarks<T> implements WatermarkGenerator<T> {
/** The maximum timestamp encountered so far. */
private long maxTimestamp;
/** The maximum out-of-orderness that this watermark generator assumes. */
private final long outOfOrdernessMillis;
/**
* Creates a new watermark generator with the given out-of-orderness bound.
*
* @param maxOutOfOrderness The bound for the out-of-orderness of the event timestamps.
*/
public BoundedOutOfOrdernessWatermarks(Duration maxOutOfOrderness) {
checkNotNull(maxOutOfOrderness, "maxOutOfOrderness");
checkArgument(!maxOutOfOrderness.isNegative(), "maxOutOfOrderness cannot be negative");
this.outOfOrdernessMillis = maxOutOfOrderness.toMillis();
// start so that our lowest watermark would be Long.MIN_VALUE.
this.maxTimestamp = Long.MIN_VALUE + outOfOrdernessMillis + 1;
}
// ------------------------------------------------------------------------
@Override
public void onEvent(T event, long eventTimestamp, WatermarkOutput output) {
// 每條資料都會更新最大值
maxTimestamp = Math.max(maxTimestamp, eventTimestamp);
}
@Override
public void onPeriodicEmit(WatermarkOutput output) {
// 傳送 watermark 邏輯
output.emitWatermark(new Watermark(maxTimestamp - outOfOrdernessMillis - 1));
}
}
onEvent決定每次事件都會取得最大的事件時間更新;onPeriodicEmit則是週期性的更新並傳遞到下游。
AbstractStreamOperator
WatermarkGenerator介面的呼叫是在AbstractStreamOperator抽象類的子類TimestampsAndWatermarksOperator中。其生命週期open函數與每個資料到來的處理常式processElement，如下：
@Override
public void open() throws Exception {
super.open();
timestampAssigner = watermarkStrategy.createTimestampAssigner(this::getMetricGroup);
watermarkGenerator =
emitProgressiveWatermarks
? watermarkStrategy.createWatermarkGenerator(this::getMetricGroup)
: new NoWatermarksGenerator<>();
wmOutput = new WatermarkEmitter(output);
watermarkInterval = getExecutionConfig().getAutoWatermarkInterval();
if (watermarkInterval > 0 && emitProgressiveWatermarks) {
final long now = getProcessingTimeService().getCurrentProcessingTime();
getProcessingTimeService().registerTimer(now + watermarkInterval, this);
}
}
@Override
public void processElement(final StreamRecord<T> element) throws Exception {
final T event = element.getValue();
final long previousTimestamp =
element.hasTimestamp() ? element.getTimestamp() : Long.MIN_VALUE;
// 從分配器中提取事件時間戳
final long newTimestamp = timestampAssigner.extractTimestamp(event, previousTimestamp);
element.setTimestamp(newTimestamp);
output.collect(element);
// 呼叫水印生成器
watermarkGenerator.onEvent(event, newTimestamp, wmOutput);
}
從方法的入參可以看出來 flink 運算元間的資料流動是 StreamRecord 物件。它對資料的處理邏輯是什麼都不做直接向下遊傳送，然後呼叫 onEvent 記錄最大時間戳，也就是說：flink 是先傳送資料再生成 watermark，watermark 永遠在生成它的資料之後。
總結
上面的一系列相關程式碼，只是冰山一角，暫時只是把關鍵涉及到的部分捋了一下。最後畫個圖，展示其大致思路。
參考：