10 分钟了解 Flink Watermark 水印

2023-08-08
江苏
本文字数：3671 字
阅读完需：约 12 分钟

在上一篇中，介绍了 Flink 里时间的概念和窗口计算，在实际生产过程中，由于网络等原因，许多数据会延迟到达窗口，这种情况 Flink 如何处理？Watermark 登场，本文从这几点进行介绍：水印的概念、水印如何计算、允许延迟和侧道输出、水印生成策略、案例及代码。

1、一个小例子

讲解概念前，我先举个例子。比如工厂的生产线有一批货物要发出，每个货物上都有一个生产时间的标记，司机在门口等待货物，他每天 9:00 出发，只要他看到最新过来的货物上的时间是 9:00，那他立马就出发。

但是久而久之他发现，有些货物会延迟到达，比如 9:00 的货物已经到达，忽然他又看到一个 8:59 的货物到达了，为了能够一次性运送更多的货物，他决定继续多等 5 分钟，即：如果 9:05 的货物到达后，他就立马出发，不再等待了。

这样的话，即使有延迟到达的货物，只要它们能在 9:05 分之前到达，那这部分货物也会被发出。

2、水印的概念

我们来思考一个场景，比如，对于窗口[12:00-12:10)，事件时间为 12:04 的数据，由于网络原因，到达 Flink 的时间是 12:11。此时窗口已经关闭了，该数据将不属于任何窗口，最终这个数据会丢失。

所以，为了保证计算结果的正确性，需要让窗口等待延迟数据到达后再进行计算，但是也不能无限期地等待下去，必须有一种机制来确定何时触发窗口计算，这种机制就是水印（Watermark）。

水印是一种用于衡量事件时间进度的机制，其表示某个时刻（事件时间）以前的数据将不再产生，因此水印指的是一个时间点。水印作为数据流的一部分流动，并带有时间戳 t。t 表示该流中不应再有时间戳小于等于 t 的元素（即时间戳早于或等于水印的事件）。

如下图，显示了带有时间戳和嵌入式水印的事件流，事件是按顺序排列的，这意味着水印只是流中的周期性标记。

水印对于乱序流至关重要，如下图，其中事件不是按其时间戳排序的。通常，水印是数据流中一个点的声明，表示水印之前的所有事件都应该到达。一旦水印到达，算子则认为某个时间周期内的所有事件已经被收到，不会再有更多符合条件的事件了。

3、水印如何计算

计算水印需要提前指定一个允许最大延迟时间的参数。

水印 = 进入 Flink 的当前最大事件时间（比如上面例子中的 9:05 分到达的货物） ‒ 允许最大延迟时间（比如上面例子中的司机多等待的 5 分钟）。

当水印 >= 窗口结束时间时，立即触发窗口计算，计算完毕后发射出计算结果并销毁窗口，否则窗口将一直等待。

所以，窗口触发计算的规则是：进入 Flink 的当前最大事件时间 >= 窗口结束时间+允许最大延迟时间。可见，设置水印后会改变窗口的触发计算规则。

例子：假设有一个[9:00~9:10)的窗口，设置的允许最大延迟时间为 3 分钟，当事件时间戳为 9:11 的事件到达时（说明有些数据可能已经延迟了，我在多等一会儿），由于该事件时间是进入 Flink 的当前最大事件时间，因此 Watermark = 9:11‒3（分钟）= 9:08。此时水印在窗口内部不会触发窗口计算，窗口继续等待延迟数据。如下图：

接下来当事件时间戳为 9:15 的事件到达时，由于该事件时间是进入 Flink 的当前最大事件时间，因此 Watermark = 9:15‒3（分钟）= 9:12。此时水印在窗口外部，满足窗口触发计算的规则：Watermark >= 窗口结束时间，因此窗口会立即触发计算，计算完毕后发射出计算结果并销毁窗口。

水印机制可以在一定程度上解决数据延迟到达问题，但不能完全解决。因为有些数据延迟太多了，这部分数据 Flink 默认丢弃掉。为了保证数据不丢失，Flink 提供了允许延迟（AllowedLateness）和侧道输出机制（Side Output）。注意：这里的允许延迟，和水印的延迟时间不是一个概念，这里的允许延迟是水印之后的延迟。

4、允许延迟和侧道输出

允许延迟机制与水印不同，允许延迟并不会延迟触发窗口计算，而是触发窗口计算之后不会立马销毁窗口，会在一段时间内继续保留计算状态。

超过允许延迟时间的数据，Flink 会将其放入侧道输出。侧道输出可以将数据收集起来，根据系统自身业务单独处理或存放于指定位置。

allowedLateness(lateness: Time)：设置允许的延迟时间。

sideOutputLateData(outputTag: OutputTag[T])：将延迟到达的数据保存到 outputTag 对象中。

5、水印生成策略

我们可以针对每个事件生成水印，但是由于每个水印都会在下游做一些计算，因此过多的水印会降低程序性能。这就需要一种策略来规定 Flink 程序什么时候可以开始生成水印。

在 Flink DataStream 中使用 assignTimestampsAndWatermarks 方法用于生成水印。其作用是给数据流中的元素分配时间戳（Flink 需要知道每个元素的事件时间），并生成水印以标记事件时间进度。

水印策略分为内置水印策略和自定义水印策略：

1、周期性水印策略

周期性地产生水印，默认周期时间是 200 毫秒。意思是，每隔 200 毫秒系统开始生成水印，其生成的规则为：水印 = 进入 Flink 的当前最大事件时间 ‒ 允许的最大延迟时间。

2、单调递增水印策略

水印是周期产生的，紧紧跟随数据中的最新时间戳。该策略实际上使用的就是周期性水印策略，只是将允许的最大延迟时间设置为 0，即在周期性水印策略的基础上去掉了允许的最大延迟时间。WatermarkStrategy 接口中已经内置了用于创建单调递增水印策略的静态方法 forMonotonousTimestamps()。

3、无水印水印策略

该策略创建不生成任何水印的水印策略。该策略在纯基于处理时间的流处理的场景中可能很有用。WatermarkStrategy.noWatermarks()。

4、自定义水印策略

Flink 内置的水印策略可以满足大部分应用场景，如果自定义水印策略需要实现WatermarkStrategy接口。

6、案例及代码

1、水印例子

比如，在控制台输入数据的事件时间和数据，通过自定义的水印策略，允许延迟 2S 的数据进入窗口计算。

代码如下：

// 比如输入：1000,a   2000,a  3000,bDataStream<Tuple2<String, Integer>> windowCountStream = textStream        // 水印策略，对于过来的事件时间上，可以延迟2秒        .assignTimestampsAndWatermarks(                WatermarkStrategy                        .<String>forBoundedOutOfOrderness(Duration.ofSeconds(2))                        .withTimestampAssigner((event, timestamp) ->                                Long.parseLong(event.split(",")[0])))        .map(new MapFunction<String, Tuple2<String, Integer>>() {            @Override            public Tuple2<String, Integer> map(String value) throws Exception {                String[] splits = value.split(",");                return Tuple2.of(splits[1], 1);            }        })        .keyBy(value -> value.f0)        // 滚动5分钟的窗口        .window(TumblingEventTimeWindows.of(Time.seconds(5)))        .sum(1);

复制代码

运行结果如下图：

具体代码地址：

https://github.com/yclxiao/flink-blog/blob/main/src/main/java/top/mangod/flinkblog/demo004/WatermarkSocketWindowWordCount.java

2、延迟数据和侧道输出

继续使用上面的例子，如果数据再水印之外，又延迟到达，再通过侧道输出出去。

代码如下：

private static final OutputTag<Tuple2<String, Integer>> lateEventsTag =            new OutputTag<Tuple2<String, Integer>>("late-events") {            };// 比如输入：1000,a   2000,a  3000,bSingleOutputStreamOperator<Tuple2<String, Integer>> windowCountStream = textStream        // 水印策略，对于过来的事件时间上，可以延迟2秒        .assignTimestampsAndWatermarks(                WatermarkStrategy                        .<String>forBoundedOutOfOrderness(Duration.ofSeconds(2))                        .withTimestampAssigner((event, timestamp) ->                                Long.parseLong(event.split(",")[0])))        .map(new MapFunction<String, Tuple2<String, Integer>>() {            @Override            public Tuple2<String, Integer> map(String value) throws Exception {                String[] splits = value.split(",");                return Tuple2.of(splits[1], 1);            }        })        .keyBy(value -> value.f0)        // 滚动5分钟的窗口        .window(TumblingEventTimeWindows.of(Time.seconds(5)))        .allowedLateness(Time.seconds(2))        .sideOutputLateData(lateEventsTag)        .apply(new WindowFunction<Tuple2<String, Integer>, Tuple2<String, Integer>, String, TimeWindow>() {            @Override            public void apply(String key, TimeWindow window, Iterable<Tuple2<String, Integer>> input, Collector<Tuple2<String, Integer>> out) throws Exception {                out.collect(input.iterator().next());            }        });