小结:
1、系统会根据数据的Event Time生成的Watermark来进行关窗
FlinkSQL支持的窗口函数类型_实时计算Flink版-阿里云帮助中心 https://help.aliyun.com/zh/flink/developer-reference/overview-4
本文中含有需要您注意的重要提示信息,忽略该信息可能对您的业务造成影响,请务必仔细阅读。
本文为您介绍Flink SQL支持的窗口函数以及窗口函数支持的时间属性和窗口类型。
窗口函数
Flink SQL窗口函数支持基于无限大窗口的聚合(无需在SQL Query中,显式定义任何窗口)以及对一个特定的窗口的聚合。例如,需要统计在过去的1分钟内有多少用户点击了某个网页,可以通过定义一个窗口来收集最近1分钟内的数据,并对这个窗口内的数据进行实时计算。
Flink SQL支持的窗口聚合主要是两种:Window聚合和Over聚合。本文档主要为您介绍Window聚合。Window聚合支持Event Time和Processing Time两种时间属性定义窗口。每种时间属性类型支持三种窗口类型:滚动窗口(TUMBLE)、滑动窗口(HOP)和会话窗口(SESSION)。
滚动窗口、滑动窗口和会话窗口不能与last_value、first_value、TopN函数合用,会造成数据乱序被丢弃,导致结果数据异常。
时间属性
Flink SQL支持Event Time和Processing Time两种时间属性,时间属性详情请参见时间属性。Flink可以基于这两种时间属性对数据进行窗口聚合。基于这两种时间属性开窗的区别如下:
-
Event Time:您提供的事件时间,通常是数据的最原始的创建时间。
系统会根据数据的Event Time生成的Watermark来进行关窗。只有当Watermark大于关窗时间,才会触发窗口的结束,窗口结束才会输出结果。如果一直没有触发窗口结束的数据流入Flink,则该窗口就无法输出数据。单并发的Watermark是递增的,多并发或者多个源表的Watermark取最小值。
重要-
如果源表中存在一条未来的乱序数据或者某个并发没有数据,则可能会无法触发窗口结束,从而导致结果数据异常。因此您需要根据数据乱序的程度设置合理的offset大小,并保证所有并发都有数据。如果某个源表并发或源表上游partition因没有数据导致窗口始终无法被触发,则可以在更多Flink配置中添加
table.exec.source.idle-timeout: 10s
来触发窗口结束。该参数含义详情请参见Configuration。 -
数据经过GroupBy、双流JOIN或OVER窗口节点后,会导致Watermark属性丢失,无法再使用Event Time进行开窗。
-
-
Processing Time:对事件进行处理的本地系统时间。
Processing Time是Flink系统产生的,不在用户的原始数据中。因此需要您显示定义一个Processing Time列。
说明因为Processing Time容易受到事件到达Flink系统的速度及Flink内部处理数据顺序的影响,所以每次回溯数据的结果可能不一致。
级联窗口
Rowtime列在经过窗口操作后,其Event Time属性将丢失。您可以使用辅助函数TUMBLE_ROWTIME
、HOP_ROWTIME
或SESSION_ROWTIME
,获取窗口中的Rowtime列的最大值max(rowtime)
作为时间窗口的Rowtime,其类型是具有Rowtime属性的TIMESTAMP,取值为window_end - 1
。 例如[00:00, 00:15)
的窗口,返回值为00:14:59.999
。
示例逻辑为:基于1分钟的滚动窗口聚合结果,进行1小时的滚动窗口聚合,可以满足您的多维度开窗需求。
CREATE TEMPORARY TABLE user_clicks(
username varchar,
click_url varchar,
eventtime varchar,
ts AS TO_TIMESTAMP(eventtime),
WATERMARK FOR ts AS ts - INTERVAL '2' SECOND --为Rowtime定义Watermark。
) with (
'connector'='sls',
...
);
CREATE TEMPORARY TABLE tumble_output(
window_start TIMESTAMP,
window_end TIMESTAMP,
username VARCHAR,
clicks BIGINT
) with (
'connector'='datahub' --目前SLS只支持输出VARCHAR类型的DDL,所以使用DataHub存储。
...
);
CREATE TEMPORARY VIEW one_minute_window_output AS
SELECT
TUMBLE_ROWTIME(ts, INTERVAL '1' MINUTE) as rowtime, --使用TUMBLE_ROWTIME作为二级Window的聚合时间。
username,
COUNT(click_url) as cnt
FROM user_clicks
GROUP BY TUMBLE(ts, INTERVAL '1' MINUTE),username;
BEGIN statement set;
INSERT INTO tumble_output
SELECT
TUMBLE_START(rowtime, INTERVAL '1' HOUR),
TUMBLE_END(rowtime, INTERVAL '1' HOUR),
username,
SUM(cnt)
FROM one_minute_window_output
GROUP BY TUMBLE(rowtime, INTERVAL '1' HOUR), username;
END;
中间数据
窗口的中间数据分为Keyed State和定时器(Timer)两类,可以分别存储在不同的存储介质中,您可以根据作业的特点选择不同的搭配,目前支持以下四种选择:
Keyed State存储 |
定时器存储介质 |
内存 |
|
内存 |
|
内存 |
|
文件 |
有关状态存储后端的选择请参见企业级状态后端存储介绍和HashMapStateBackend。定时器主要用于触发过期的窗口,在内存充裕的情况下,将定时器存储在内存中可以得到更好的性能;在定时器较多或内存资源紧张的情况下,您可以选择RocksDB StateBackend将定时器存储在RocksDB的文件中。
如何使用Flink滚动窗口函数_实时计算Flink版-阿里云帮助中心 https://help.aliyun.com/zh/flink/developer-reference/tumble
本文为您介绍如何使用Flink滚动窗口函数。
定义
滚动窗口(TUMBLE)将每个元素分配到一个指定大小的窗口中。通常,滚动窗口有一个固定的大小,并且不会出现重叠。例如,如果指定了一个5分钟大小的滚动窗口,无限流的数据会根据时间划分为[0:00, 0:05)
、[0:05, 0:10)
、[0:10, 0:15)
等窗口。
语法
TUMBLE(<time-attr>, <size-interval>)
<size-interval>: INTERVAL 'string' timeUnit
标识函数
窗口标识函数 | 返回类型 | 描述 |
---|---|---|
TUMBLE_START(time-attr, size-interval) |
TIMESTAMP | 返回窗口的起始时间(包含边界)。例如[00:10,00:15) 窗口,返回00:10 。 |
TUMBLE_END(time-attr, size-interval) |
TIMESTAMP | 返回窗口的结束时间(包含边界)。例如[00:00, 00:15] 窗口,返回00:15 。 |
TUMBLE_ROWTIME(time-attr, size-interval) |
TIMESTAMP(rowtime-attr) | 返回窗口的结束时间(不包含边界)。例如(00:00, 00:15) 窗口,返回00:14:59.999 。返回值是一个rowtime attribute,即可以基于该字段进行时间属性的操作,例如,级联窗口只能用在基于Event Time的Window上,详情请参见级联窗口。 |
TUMBLE_PROCTIME(time-attr, size-interval) |
TIMESTAMP(rowtime-attr) | 返回窗口的结束时间(不包含边界)。例如(00:00, 00:15) 窗口,返回00:14:59.999 。返回值是一个Proctime Attribute,即可以基于该字段进行时间属性的操作。例如,级联窗口只能用在基于Processing Time的Window上,详情请参见级联窗口。 |
使用Event Time统计每个用户每分钟在指定网站的单击数示例
- 测试数据
username(VARCHAR) click_url(VARCHAR) eventtime(VARCHAR) Jark http://taobao.com/xxx
2017-10-10 10:00:00.0
Jark http://taobao.com/xxx
2017-10-10 10:00:10.0
Jark http://taobao.com/xxx
2017-10-10 10:00:49.0
Jark http://taobao.com/xxx
2017-10-10 10:01:05.0
Jark http://taobao.com/xxx
2017-10-10 10:01:58.0
Timo http://taobao.com/xxx
2017-10-10 10:02:10.0
- 测试语句
CREATE TEMPORARY TABLE user_clicks( username varchar, click_url varchar, eventtime varchar, ts AS TO_TIMESTAMP(eventtime), WATERMARK FOR ts AS ts - INTERVAL '2' SECOND --为Rowtime定义Watermark。 ) WITH ( 'connector'='sls', ... ); CREATE TEMPORARY TABLE tumble_output( window_start TIMESTAMP, window_end TIMESTAMP, username VARCHAR, clicks BIGINT ) WITH ( 'connector'='datahub' --目前SLS只支持输出VARCHAR类型的DDL,所以使用DataHub存储。 ... ); INSERT INTO tumble_output SELECT TUMBLE_START(ts, INTERVAL '1' MINUTE) as window_start, TUMBLE_END(ts, INTERVAL '1' MINUTE) as window_end, username, COUNT(click_url) FROM user_clicks GROUP BY TUMBLE(ts, INTERVAL '1' MINUTE),username;
- 测试结果
window_start (TIMESTAMP) window_end (TIMESTAMP) username(VARCHAR) clicks(BIGINT) 2017-10-10 10:00:00.0
2017-10-10 10:01:00.0
Jark 3 2017-10-10 10:01:00.0
2017-10-10 10:02:00.0
Jark 2 2017-10-10 10:02:00.0
2017-10-10 10:03:00.0
Timo 1
使用Processing Time统计每个用户每分钟在指定网站的单击数示例
- 测试数据
username (VARCHAR) click_url(VARCHAR) Jark http://taobao.com/xxx
Jark http://taobao.com/xxx
Jark http://taobao.com/xxx
Jark http://taobao.com/xxx
Jark http://taobao.com/xxx
Timo http://taobao.com/xxx
- 测试语句
CREATE TEMPORARY TABLE window_test ( username VARCHAR, click_url VARCHAR, ts as PROCTIME() ) WITH ( 'connector'='sls', ... ); CREATE TEMPORARY TABLE tumble_output( window_start TIMESTAMP, window_end TIMESTAMP, username VARCHAR, clicks BIGINT ) WITH ( 'connector'='datahub' --目前SLS只支持输出VARCHAR类型的DDL,所以使用DataHub存储。 ... ); INSERT INTO tumble_output SELECT TUMBLE_START(ts, INTERVAL '1' MINUTE), TUMBLE_END(ts, INTERVAL '1' MINUTE), username, COUNT(click_url) FROM window_test GROUP BY TUMBLE(ts, INTERVAL '1' MINUTE), username;
- 测试结果
window_start (TIMESTAMP) window_end (TIMESTAMP) username (VARCHAR) clicks(BIGINT) 2019-04-11 14:43:00.000
2019-04-11 14:44:00.000
Jark 5 2019-04-11 14:43:00.000
2019-04-11 14:44:00.000
Timo 1
如何使用Flink滑动窗口函数_实时计算Flink版-阿里云帮助中心 https://help.aliyun.com/zh/flink/developer-reference/hop
翻译
搜索
复制
本文中含有需要您注意的重要提示信息,忽略该信息可能对您的业务造成影响,请务必仔细阅读。
本文为您介绍Flink SQL支持的窗口函数以及窗口函数支持的时间属性和窗口类型。
窗口函数
Flink SQL窗口函数支持基于无限大窗口的聚合(无需在SQL Query中,显式定义任何窗口)以及对一个特定的窗口的聚合。例如,需要统计在过去的1分钟内有多少用户点击了某个网页,可以通过定义一个窗口来收集最近1分钟内的数据,并对这个窗口内的数据进行实时计算。
Flink SQL支持的窗口聚合主要是两种:Window聚合和Over聚合。本文档主要为您介绍Window聚合。Window聚合支持Event Time和Processing Time两种时间属性定义窗口。每种时间属性类型支持三种窗口类型:滚动窗口(TUMBLE)、滑动窗口(HOP)和会话窗口(SESSION)。
滚动窗口、滑动窗口和会话窗口不能与last_value、first_value、TopN函数合用,会造成数据乱序被丢弃,导致结果数据异常。
时间属性
Flink SQL支持Event Time和Processing Time两种时间属性,时间属性详情请参见时间属性。Flink可以基于这两种时间属性对数据进行窗口聚合。基于这两种时间属性开窗的区别如下:
-
Event Time:您提供的事件时间,通常是数据的最原始的创建时间。
系统会根据数据的Event Time生成的Watermark来进行关窗。只有当Watermark大于关窗时间,才会触发窗口的结束,窗口结束才会输出结果。如果一直没有触发窗口结束的数据流入Flink,则该窗口就无法输出数据。单并发的Watermark是递增的,多并发或者多个源表的Watermark取最小值。
重要-
如果源表中存在一条未来的乱序数据或者某个并发没有数据,则可能会无法触发窗口结束,从而导致结果数据异常。因此您需要根据数据乱序的程度设置合理的offset大小,并保证所有并发都有数据。如果某个源表并发或源表上游partition因没有数据导致窗口始终无法被触发,则可以在更多Flink配置中添加
table.exec.source.idle-timeout: 10s
来触发窗口结束。该参数含义详情请参见Configuration。 -
数据经过GroupBy、双流JOIN或OVER窗口节点后,会导致Watermark属性丢失,无法再使用Event Time进行开窗。
-
-
Processing Time:对事件进行处理的本地系统时间。
Processing Time是Flink系统产生的,不在用户的原始数据中。因此需要您显示定义一个Processing Time列。
说明因为Processing Time容易受到事件到达Flink系统的速度及Flink内部处理数据顺序的影响,所以每次回溯数据的结果可能不一致。
级联窗口
Rowtime列在经过窗口操作后,其Event Time属性将丢失。您可以使用辅助函数TUMBLE_ROWTIME
、HOP_ROWTIME
或SESSION_ROWTIME
,获取窗口中的Rowtime列的最大值max(rowtime)
作为时间窗口的Rowtime,其类型是具有Rowtime属性的TIMESTAMP,取值为window_end - 1
。 例如[00:00, 00:15)
的窗口,返回值为00:14:59.999
。
示例逻辑为:基于1分钟的滚动窗口聚合结果,进行1小时的滚动窗口聚合,可以满足您的多维度开窗需求。
CREATE TEMPORARY TABLE user_clicks(
username varchar,
click_url varchar,
eventtime varchar,
ts AS TO_TIMESTAMP(eventtime),
WATERMARK FOR ts AS ts - INTERVAL '2' SECOND --为Rowtime定义Watermark。
) with (
'connector'='sls',
...
);
CREATE TEMPORARY TABLE tumble_output(
window_start TIMESTAMP,
window_end TIMESTAMP,
username VARCHAR,
clicks BIGINT
) with (
'connector'='datahub' --目前SLS只支持输出VARCHAR类型的DDL,所以使用DataHub存储。
...
);
CREATE TEMPORARY VIEW one_minute_window_output AS
SELECT
TUMBLE_ROWTIME(ts, INTERVAL '1' MINUTE) as rowtime, --使用TUMBLE_ROWTIME作为二级Window的聚合时间。
username,
COUNT(click_url) as cnt
FROM user_clicks
GROUP BY TUMBLE(ts, INTERVAL '1' MINUTE),username;
BEGIN statement set;
INSERT INTO tumble_output
SELECT
TUMBLE_START(rowtime, INTERVAL '1' HOUR),
TUMBLE_END(rowtime, INTERVAL '1' HOUR),
username,
SUM(cnt)
FROM one_minute_window_output
GROUP BY TUMBLE(rowtime, INTERVAL '1' HOUR), username;
END;
中间数据
窗口的中间数据分为Keyed State和定时器(Timer)两类,可以分别存储在不同的存储介质中,您可以根据作业的特点选择不同的搭配,目前支持以下四种选择:
Keyed State存储 |
定时器存储介质 |
内存 |
|
内存 |
|
内存 |
|
文件 |
有关状态存储后端的选择请参见企业级状态后端存储介绍和HashMapStateBackend。定时器主要用于触发过期的窗口,在内存充裕的情况下,将定时器存储在内存中可以得到更好的性能;在定时器较多或内存资源紧张的情况下,您可以选择RocksDB StateBackend将定时器存储在RocksDB的文件中。