作者：吴云涛，腾讯 CSIG 高级工程师
导语最近梳理了一下如何用 Flink 来实现实时的 UV、PV 指标的统计，并和公司内微视部门的同事交流。然后针对该场景做了简化，并发现使用 Flink SQL 来 实现这些指标的统计会更加便捷。
一 解决方案描述
1.1 概述
本方案结合本地自建 Kafka 集群、腾讯云流计算 Oceanus（Flink)、云数据库 Redis 对博客、购物等网站 UV、PV 指标进行实时可视化分析。分析指标包含网站的独立访客数量（UV ）、产品的点击量（PV）、转化率（转化率 = 成交次数 / 点击量）等。
相关概念介绍： UV（Unique Visitor）：独立访客数量。访问您网站的一台客户端为一个访客，如用户对同一页面访问了 5 次，那么该页面的 UV 只加 1，因为 UV 统计的是去重后的用户数而不是访问次数。PV（Page View）：点击量或页面浏览量。 如用户对同一页面访问了 5 次，那么该页面的 PV 会加 5。
1.2 方案架构及优势
根据以上实时指标统计场景，设计了如下架构图：
涉及产品列表：
本地数据中心（IDC）的自建 Kafka 集群
私有网络 VPC
专线接入/云联网/VPN 连接/对等连接
流计算 Oceanus (Flink)
云数据库 Redis
二 前置准备
购买所需的腾讯云资源，并打通网络。自建的 Kafka 集群需根据集群所在区域需采用 VPN 连接、专线连接或对等连接的方式来实现网络互通互联。
2.1 创建私有网络 VPC
私有网络（VPC）是一块在腾讯云上自定义的逻辑隔离网络空间，在构建 Oceanus 集群、Redis 组件等服务时选择的网络建议选择同一个 VPC，网络才能互通。否则需要使用对等连接、NAT 网关、VPN 等方式打通网络。私有网络创建步骤请参考帮助文档。
2.2 创建 Oceanus 集群
流计算 Oceanus 是大数据产品生态体系的实时化分析利器，是基于 Apache Flink 构建的具备一站开发、无缝连接、亚秒延时、低廉成本、安全稳定等特点的企业级实时大数据分析平台。流计算 Oceanus 以实现企业数据价值最大化为目标，加速企业实时化数字化的建设进程。
在 Oceanus 控制台的【集群管理】->【新建集群】页面创建集群，选择地域、可用区、VPC、日志、存储，设置初始密码等。VPC 及子网使用刚刚创建好的网络。创建完后 Flink 的集群如下：
2.3 创建 Redis 集群
在 Redis 控制台的【新建实例】页面创建集群，选择与其他组件同一地域，同区域的同一私有网络 VPC，这里还选择同一子网。
2.4 配置自建 Kafka 集群
2.4.1 修改自建 Kafka 集群配置
自建 Kafka 集群连接时 bootstrap-servers 参数常常使用 hostname 而不是 ip 来连接。但用自建 Kafka 集群连接腾讯云上的 Oceanus 集群为全托管集群， Oceanus 集群的节点上无法解析自建集群的 hostname 与 ip 的映射关系，所以需要改监听器地址由 hostname 为 ip 地址连接的形式。
将 config/server.properties 配置文件中 advertised.listeners 参数配置为 IP 地址。示例：
# 0.10.X及以后版本advertised.listeners=PLAINTEXT://10.1.0.10:9092# 0.10.X之前版本advertised.host.name=PLAINTEXT://10.1.0.10:9092
复制代码
修改后重启 Kafka 集群。
! 若在云上使用到自建的 zookeeper 地址，也需要将 zk 配置中的 hostname 修改 IP 地址形式。
2.4.2 模拟发送数据到 topic
本案例使用 topic 为 topic 为 uvpv-demo。
1）Kafka 客户端
进入自建 Kafka 集群节点，启动 Kafka 客户端，模拟发送数据。
./bin/kafka-console-producer.sh --broker-list 10.1.0.10:9092 --topic uvpv-demo>{"record_type":0, "user_id": 2, "client_ip": "100.0.0.2", "product_id": 101, "create_time": "2021-09-08 16:20:00"}>{"record_type":0, "user_id": 3, "client_ip": "100.0.0.3", "product_id": 101, "create_time": "2021-09-08 16:20:00"}>{"record_type":1, "user_id": 2, "client_ip": "100.0.0.1", "product_id": 101, "create_time": "2021-09-08 16:20:00"}
复制代码
2）使用脚本发送
脚本一：Java 代码参考：https://cloud.tencent.com/document/product/597/54834
脚本二：Python 脚本。参考之前案例中 python 脚本进行适当修改即可：基于腾讯云 Oceanus 实现视频直播场景的实时大屏分析
2.5 打通自建 IDC 集群到腾讯云网络通信
自建 Kafka 集群联通腾讯云网络，可通过以下前 3 种方式打通自建 IDC 到腾讯云的网络通信。
专线接入适用于本地数据中心 IDC 与腾讯云网络打通。
云联网适用于本地数据中心 IDC 与腾讯云网络打通，也可用于云上不同地域间私有网络 VPC 打通。
VPN连接适用于本地数据中心 IDC 与腾讯云网络打通。
对等连接 + NAT网关适合云上不同地域间私有网络 VPC 打通，不适合本地 IDC 到腾讯云网络。
本方案中使用了 VPN 连接的方式，实现本地 IDC 和云上网络的通信。参考链接：建立 VPC 到 IDC 的连接（路由表）
根据方案绘制了下面的网络架构图：
三 方案实现
3.1 业务目标
利用流计算 Oceanus 实现网站 UV、PV、转化率指标的实时统计，这里只列取以下 3 种统计指标：
网站的独立访客数量 UV。Oceanus 处理后在 Redis 中通过 set 类型存储独立访客数量，同时也达到了对同一访客的数据去重的目的。
网站商品页面的点击量 PV。Oceanus 处理后在 Redis 中使用 list 类型存储页面点击量。
转化率（转化率 = 成交次数 / 点击量）。Oceanus 处理后在 Redis 中用 String 存储即可。
3.2 源数据格式
Kafka topic：uvpv-demo（浏览记录）
Kafka 内部采用 json 格式存储，数据格式如下：
# 浏览记录{ "record_type":0, # 0 表示浏览记录 "user_id": 6, "client_ip": "100.0.0.6", "product_id": 101, "create_time": "2021-09-06 16:00:00"}
# 购买记录{ "record_type":1, # 1 表示购买记录 "user_id": 6, "client_ip": "100.0.0.8", "product_id": 101, "create_time": "2021-09-08 18:00:00"}
复制代码
3.3 编写 Flink SQL 作业
示例中实现了 UV、PV 和转化率 3 个指标的获取逻辑，并写入 Sink 端。
1、定义 Source
CREATE TABLE `input_web_record` ( `record_type` INT, `user_id` INT, `client_ip` VARCHAR, `product_id` INT, `create_time` TIMESTAMP, `times` AS create_time, WATERMARK FOR times AS times - INTERVAL '10' MINUTE ) WITH ( 'connector' = 'kafka', -- 可选 'kafka','kafka-0.11'. 注意选择对应的内置 Connector 'topic' = 'uvpv-demo', 'scan.startup.mode' = 'earliest-offset', --'properties.bootstrap.servers' = '82.157.27.147:9092', 'properties.bootstrap.servers' = '10.1.0.10:9092', 'properties.group.id' = 'WebRecordGroup', -- 必选参数, 一定要指定 Group ID 'format' = 'json', 'json.ignore-parse-errors' = 'true', -- 忽略 JSON 结构解析异常 'json.fail-on-missing-field' = 'false' -- 如果设置为 true, 则遇到缺失字段会报错 设置为 false 则缺失字段设置为 null );
复制代码
2、定义 Sink
-- UV sinkCREATE TABLE `output_uv` ( `userids` STRING, `user_id` STRING) WITH ( 'connector' = 'redis', 'command' = 'sadd', -- 使用集合保存uv（支持命令：set、lpush、sadd、hset、zadd） 'nodes' = '192.28.28.217:6379', -- redis连接地址,集群模式多个节点使用'',''分隔。 -- 'additional-key' = '<key>', -- 用于指定hset和zadd的key。hset、zadd必须设置。 'password' = 'yourpassword' );
-- PV sinkCREATE TABLE `output_pv` ( `pagevisits` STRING, `product_id` STRING, `hour_count` BIGINT) WITH ( 'connector' = 'redis', 'command' = 'lpush', -- 使用列表保存pv（支持命令：set、lpush、sadd、hset、zadd） 'nodes' = '192.28.28.217:6379', -- redis连接地址,集群模式多个节点使用'',''分隔。 -- 'additional-key' = '<key>', -- 用于指定hset和zadd的key。hset、zadd必须设置。 'password' = 'yourpassword' );
-- 转化率 sinkCREATE TABLE `output_conversion_rate` ( `conversion_rate` STRING, `rate` STRING) WITH ( 'connector' = 'redis', 'command' = 'set', -- 使用列表保存pv（支持命令：set、lpush、sadd、hset、zadd） 'nodes' = '192.28.28.217:6379', -- redis连接地址,集群模式多个节点使用'',''分隔。 -- 'additional-key' = '<key>', -- 用于指定hset和zadd的key。hset、zadd必须设置。 'password' = 'yourpassword' );
复制代码
3、业务逻辑
-- 加工得到 UV 指标，统计所有时间内的 UVINSERT INTO output_uv SELECT 'userids' AS `userids`, CAST(user_id AS string) AS user_id FROM input_web_record ;
-- 加工并得到 PV 指标，统计每 10 分钟内的 PVINSERT INTO output_pv SELECT 'pagevisits' AS pagevisits, CAST(product_id AS string) AS product_id, SUM(product_id) AS hour_countFROM input_web_record WHERE record_type = 0 GROUP BY HOP(times, INTERVAL '5' MINUTE, INTERVAL '10' MINUTE), product_id, user_id;
-- 加工并得到转化率指标，统计每 10 分钟内的转化率INSERT INTO output_conversion_rate SELECT 'conversion_rate' AS conversion_rate, CAST( (((SELECT COUNT(1) FROM input_web_record WHERE record_type=0)*1.0)/SUM(a.product_id)) as string) FROM (SELECT * FROM input_web_record where record_type = 1) AS aGROUP BY HOP(times, INTERVAL '5' MINUTE, INTERVAL '10' MINUTE), product_id;
复制代码
3.4 结果验证
通常情况，会通过 Web 网站来展示统计到的 UV、PV 指标，这里为了简单直接在 Redis 控制台登录进行查询：
userids: 存储 UV
pagevisits: 存储 PV
conversion_rate: 存储转化率，即购买商品次数/总页面点击量。
四 总结
通过自建 Kafka 集群采集数据，在流计算 Oceanus (Flink) 中实时进行字段累加、窗口聚合等操作，将加工后的数据存储在云数据库 Redis，统计到实时刷新的 UV、PV 等指标。这个方案在 Kafka json 格式设计时为了简便易懂做了简化处理，将浏览记录和产品购买记录都放在了同一个 topic 中，重点通过打通自建 IDC 和腾讯云产品间的网络来展现整个方案。针对超大规模的 UV 去重，微视的同事采用了 Redis hyperloglog 方式来实现 UV 统计。相比直接使用 set 类型方式有极小的内存空间占用的优点，详情见链接：https://cloud.tencent.com/developer/article/1889162。
流计算 Oceanus 限量秒杀专享活动火爆进行中↓↓
关注“腾讯云大数据”公众号，技术交流、最新活动、服务专享一站 Get~
评论