Question

我对Flink如何处理事件时间水印时的后期元素感到有些困惑。

我的理解是，当Flink读取数据流时，水印时间是在看到任何事件时间大于当前水印的数据时进行的。然后，任何覆盖严格小于水印的时间的窗口都会被触发驱逐（假设没有延迟补贴。

但是，请采用这个最小的例子：

import org.apache.flink.api.scala._
import org.apache.flink.streaming.api.TimeCharacteristic
import org.apache.flink.streaming.api.scala.{StreamExecutionEnvironment}
import org.apache.flink.streaming.api.windowing.assigners.{TumblingEventTimeWindows}
import org.apache.flink.streaming.api.windowing.time.Time
import org.apache.flink.util.Collector
import org.apache.log4j.{Level, Logger}

object EventTimeExample {

  Logger.getLogger("org").setLevel(Level.OFF)
  Logger.getLogger("akka").setLevel(Level.OFF)

  case class ExampleType(time: Long, value: Long)

  def main(args: Array[String]) {

    // Set up environment
    val env = StreamExecutionEnvironment.createLocalEnvironment(1)
    env.setStreamTimeCharacteristic(TimeCharacteristic.EventTime)

    // Example S3 path
    val simple = env.fromCollection(Seq(
      ExampleType(1525132800000L, 1),
      ExampleType(1525132800000L, 2) ,
      ExampleType(1525132920000L, 3),
      ExampleType(1525132800000L, 4)
    ))
      .assignAscendingTimestamps(_.time)

    val windows = simple
      .windowAll(TumblingEventTimeWindows.of(Time.seconds(60)))
      .apply{
       (window, iter, collector: Collector[(Long, Long, String)]) => {
        collector.collect(window.getStart, window.getEnd, iter.map(_.value).toString())
      }
    }

    windows.print
    env.execute("TimeStampExample")
  }
}

运行它的结果是：

(1525132800000,1525132860000,List(1, 2, 4))
(1525132920000,1525132980000,List(3))

但是，如果我的理解是正确的，4不应包含在此处的第一个窗口中，因为在达到值3记录时应更新水印时间。

现在我认识到这是一个微不足道的例子，但不理解这使得很难理解更复杂的流程。

Answer 1

您的理解基本上是正确的，但此处还有一些事情需要加以考虑。

首先，您使用了assignAscendingTimestamps()，它只能在事件流完全按顺序（按时间戳）时使用，这不是这里的情况。运行此应用程序时，您应该看到此警告：

WARN  org.apache.flink.streaming.api.functions.timestamps.AscendingTimestampExtractor  - Timestamp monotony violated: 1525132800000 < 1525132920000

此处起作用的另一个因素是AscendingTimestampExtractor不会为每个传递的流元素更新当前的水印。这是一个周期性水印生成器的示例，它将每隔 n 毫秒向流注入一个Watermark，其中n由ExecutionConfig.setAutoWatermarkInterval(...)定义，默认为200毫秒。这就是事件＃4潜入第一个窗口的方式。

要获得您期望的结果，您可以实现一个标点符号水印生成器，配置为每个事件生成水印：

class PunctuatedAssigner extends AssignerWithPunctuatedWatermarks[ExampleType] {
  override def extractTimestamp(element: ExampleType, previousElementTimestamp: Long): Long = {
    element.time
  }

  override def checkAndGetNextWatermark(lastElement: ExampleType, extractedTimestamp: Long): Watermark = {
    new Watermark(extractedTimestamp)
  }
}

然后你会像这样使用：

val simple = env.fromCollection(Seq(
  ExampleType(1525132800000L, 1),
  ExampleType(1525132800000L, 2) ,
  ExampleType(1525132920000L, 3),
  ExampleType(1525132800000L, 4)
))
  .assignTimestampsAndWatermarks(new PunctuatedAssigner)

现在您的示例会生成以下结果：

(1525132800000,1525132860000,List(1, 2))
(1525132920000,1525132980000,List(3))

事件＃4因为迟到而被删除。这可以通过放松水印生成器来调整，以适应一些无序性。例如，

override def checkAndGetNextWatermark(lastElement: ExampleType, extractedTimestamp: Long): Watermark = {
  new Watermark(extractedTimestamp - 200000)
}

然后产生这些结果：

(1525132800000,1525132860000,List(1, 2, 4))
(1525132920000,1525132980000,List(3))

或者您可以配置窗口以允许延迟事件

val windows = simple
  .windowAll(TumblingEventTimeWindows.of(Time.seconds(60)))
  .allowedLateness(Time.seconds(200))
  ...

然后导致第一个窗口触发两次：

(1525132800000,1525132860000,List(1, 2))
(1525132800000,1525132860000,List(1, 2, 4))
(1525132920000,1525132980000,List(3))

请注意，由于处理水印会产生一些开销，因此您通常不希望以这种方式使用间断水印（每个事件都使用水印）。对于大多数应用程序，基于BoundedOutOfOrdernessTimestampExtractor的定期水印是更好的选择。

Answer 2

如果使用了BoundedOutOfOrdernessTimestampExtractor，则直到出现新事件时才输出最后的计算结果。如果我们在水印中使用SystemTime，则可以使用，但是当您重新运行带有嵌入式时间戳记的消息（过去的事件）时，则不会为此计算。

Flink WaterMark和触发器 - 事件时间不丢弃的后期元素？

2 个答案: