4_Flink中的时间语义和watermark

文章来源与《尚硅谷2021最新Java版Flink（武老师清华硕士，原IBM-CDL负责人）》
https://www.bilibili.com/video/BV1qy4y1q728

主要内容

• Flink 中的时间语义
• 设置 Event Time
• 水位线（Watermark） 
• watermark 的传递、引入和设定

时间（Time）语义

• Event Time：事件创建的时间
• Ingestion Time：数据进入Flink的时间
• Processing Time：执行操作算子的本地系统时间，与机器相关

哪种时间语义更重要

• 不同的时间语义有不同的应用场合
• 我们往往更关心事件时间（Event Time）

• 某些应用场合，不应该使用 Processing Time
• Event Time 可以从日志数据的时间戳（timestamp）中提取
	➢ 2017-11-02 18:37:15.624 INFO Fail over to rm

在代码中设置 Event Time

• 我们可以直接在代码中，对执行环境调用 setStreamTimeCharacteristic 方法，设置流的时间特性
• 具体的时间，还需要从数据中提取时间戳（timestamp）

乱序数据的影响

• 当 Flink 以 Event Time 模式处理数据流时，它会根据数据里的时间戳来处理基于时间的算子。
• 由于网络、分布式等原因，会导致乱序数据的产生。
• 乱序数据会让窗口计算不准确。

水位线（Watermark）

➢ 怎样避免乱序数据带来计算不正确？
➢ 遇到一个时间戳达到了窗口关闭时间，不应该立刻触发窗口计算，而是等待一段时间，等迟到的数据来了再关闭窗口
	• Watermark 是一种衡量 Event Time 进展的机制，可以设定延迟触发
	• Watermark 是用于处理乱序事件的，而正确的处理乱序事件，通常用Watermark 机制结合 window 来实现；
	• 数据流中的 Watermark 用于表示 timestamp 小于 Watermark 的数据，都已经到达了，因此，window 的执行也是由 Watermark 触发的。
	• watermark 用来让程序自己平衡延迟和结果正确性

watermark 的特点

• watermark 是一条特殊的数据记录
• watermark 必须单调递增，以确保任务的事件时间时钟在向前推进，而不是在后退
• watermark 与数据的时间戳相关

watermark 的传递

watermark 的引入

• Event Time 的使用一定要指定数据源中的时间戳
• 调用 assignTimestampAndWatermarks 方法，传入一个BoundedOutOfOrdernessTimestampExtractor，就可以指定

• 对于排好序的数据，不需要延迟触发，可以只指定时间戳就行了

• Flink 暴露了 TimestampAssigner 接口供我们实现，使我们可以自定义如何从事件数据中抽取时间戳和生成watermark

➢ MyAssigner 可以有两种类型，都继承自 TimestampAssigner

TimestampAssigner

• 定义了抽取时间戳，以及生成 watermark 的方法，有两种类型
	➢ AssignerWithPeriodicWatermarks
		• 周期性的生成 watermark：系统会周期性的将 watermark 插入到流中
		• 默认周期是200毫秒，可以使用
			ExecutionConfig.setAutoWatermarkInterval() 方法进行设置
		• 升序和前面乱序的处理 BoundedOutOfOrdernessTimestampExtractor，都是基于周期性 watermark 的。 
	➢ AssignerWithPunctuatedWatermarks
		• 没有时间周期规律，可打断的生成 watermark

watermark 的设定

• 在 Flink 中，watermark 由应用程序开发人员生成，这通常需要对相应的领域有一定的了解
• 如果watermark设置的延迟太久，收到结果的速度可能就会很慢，解决办法是在水位线到达之前输出一个近似结果
• 而如果watermark到达得太早，则可能收到错误结果，不过 Flink 处理迟到数据的机制可以解决这个问题