Flink 实践教程-进阶（5）：排序（乱序调整）

作者：腾讯云流计算 Oceanus 团队

流计算 Oceanus 简介

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。

本文将为您详细介绍如何使用 Windowing TVF 配合聚合函数，实时调整乱序数据，经过聚合分析后存入 MySQL 中。

操作视频

前置准备

创建流计算 Oceanus 集群

进入 Oceanus 控制台 [1]，点击左侧【集群管理】，点击左上方【创建集群】，具体可参考 Oceanus 官方文档 创建独享集群 [2]。

创建消息队列 CKafka

进入 CKafka 控制台 [3]，点击左上角【新建】，即可完成 CKafka 的创建，具体可参考 CKafka 创建实例 [4]。

创建 Topic：

进入 CKafka 实例，点击【topic 管理】>【新建】，即可完成 Topic 的创建，具体可参考 CKafka 创建 Topic [5]。

数据准备：

进入同子网的 CVM 下，启动 Kafka 客户端，模拟发送数据，具体操作参见 运行 Kafka 客户端 [6]。

# 启动 Kafka 生产者命令

bash kafka-console-producer.sh --broker-list 10.0.0.29:9092 --topic oceanus_advanced5_input --producer.config ../config/producer.properties

// 按顺序插入如下数据，注意这里数据时间是乱序的

{"order_id":"10000","num":1,"event_time":"2021-12-22 14:29:16"}

{"order_id":"10000","num":1,"event_time":"2021-12-22 14:29:30"}

{"order_id":"10000","num":1,"event_time":"2021-12-22 14:29:50"}

{"order_id":"10000","num":1,"event_time":"2021-12-22 14:29:59"}

{"order_id":"10000","num":1,"event_time":"2021-12-22 14:29:43"}

{"order_id":"10000","num":1,"event_time":"2021-12-22 14:30:09"}

{"order_id":"10000","num":1,"event_time":"2021-12-22 14:30:01"}

{"order_id":"10000","num":1,"event_time":"2021-12-22 14:29:50"}

{"order_id":"10000","num":1,"event_time":"2021-12-22 14:30:15"}

{"order_id":"10000","num":1,"event_time":"2021-12-22 14:30:50"}

{"order_id":"10000","num":1,"event_time":"2021-12-22 14:31:15"}

创建 MySQL 实例

进入 MySQL 控制台 [7]，点击【新建】。具体可参考官方文档 创建 MySQL 实例 [8]。

-- 建表语句

CREATE TABLE `oceanus_advanced5_output` (

  `window_start`   datetime NOT NULL,

  `window_end`     datetime NOT NULL,

  `num`            int(11) DEFAULT NULL,

  PRIMARY KEY (`window_start`,`window_end`)

) ENGINE=InnoDB DEFAULT CHARSET=utf8

流计算 Oceanus 作业

1. 创建 Source

CREATE TABLE `kafka_json_source_table` (

  `order_id`    VARCHAR,

  `num`         INT,

  `event_time`  TIMESTAMP(3),

  -- 根据事件时间 `event_time` 设置 10s 的延迟水印

  WATERMARK FOR event_time AS event_time - INTERVAL '10' SECOND

) WITH (

  'connector' = 'kafka',

  'topic' = 'oceanus_advanced5_input',     -- 替换为您要消费的 Topic

  'scan.startup.mode' = 'latest-offset',   -- 可以是 latest-offset / earliest-offset / specific-offsets / group-offsets / timestamp 的任何一种

  'properties.bootstrap.servers' = '10.0.0.29:9092',  -- 替换为您的 Kafka 连接地址

  'properties.group.id' = 'testGroup',     -- 必选参数, 一定要指定 Group ID

  'format' = 'json',

  'json.fail-on-missing-field' = 'false',  -- 如果设置为 false, 则遇到缺失字段不会报错。

  'json.ignore-parse-errors' = 'true'      -- 如果设置为 true，则忽略任何解析报错。

);

2. 创建 Sink

CREATE TABLE `jdbc_upsert_sink_table` (

    window_start  TIMESTAMP(3),

    window_end    TIMESTAMP(3),

    num           INT,

    PRIMARY KEY(window_start,window_end) NOT ENFORCED

) WITH (

    'connector' = 'jdbc',

    'url' = 'jdbc:mysql://10.0.0.158:3306/testdb?rewriteBatchedStatements=true&serverTimezone=Asia/Shanghai',         -- 请替换为您的实际 MySQL 连接参数

    'table-name' = 'oceanus_advanced5_output',  -- 需要写入的数据表

    'username' = 'root',                        -- 数据库访问的用户名（需要提供 INSERT 权限）

    'password' = 'Tencent123$',                 -- 数据库访问的密码

    'sink.buffer-flush.max-rows' = '200',       -- 批量输出的条数

    'sink.buffer-flush.interval' = '2s'         -- 批量输出的间隔

);

3. 编写业务 SQL

INSERT INTO `jdbc_upsert_sink_table`

SELECT

window_start,window_end,SUM(num) AS num

FROM TABLE(

    -- Windowing TVF

    TUMBLE(TABLE `kafka_json_source_table`,DESCRIPTOR(event_time),INTERVAL '1' MINUTES)

) GROUP BY window_start,window_end;

4. 查询数据

进入 MySQL 控制台 [7]，单击右侧【登陆】快速登陆数据库，选择相应的库表查询数据。

笔者这里设置的 10s 的延迟水印，可以看到在 29~30、30~31时间段的数据统计是正确，并没有因为数据延时而出现漏统计的现象。31~32时间段的数据并没有统计出来，这是因为我们最后一条数据时间是2021-12-22 14:31:15，其水印时间为2021-12-22 14:31:05，小于窗口关闭时间，导致这段时间窗口还未关闭、未计算。

总结

WARTERMARK是跟随在每条数据上的一条特殊标签，而且只增不减（可以相等）。WARTERMARK并不能影响数据出现在哪个窗口（本例中由event_time决定），其主要决定窗口是否关闭（当水印时间大于窗口结束时间时，窗口关闭并计算）。
如果数据延时过大，例如小时级别，可以配合allowedLateness算子合理性使用WARTERMARK，当达到水印结束时间时，窗口并不关闭，只进行计算操作，当时间到达allowedLateness算子设置的时间后，窗口才真正关闭，并在原先的基础上再次进行计算。如在allowedLateness算子设置的时间后才达到的数据，我们可以使用sideOutputLateData算子将迟到的数据输出到侧输出流进行计算。这里需要注意allowedLateness和sideOutputLateData算子目前只能使用 Stream API 实现。
目前 flink 1.13 的 Windowing TVF 函数并不能单独使用，需配合AGGREGATE、JOIN、TOPN使用。建议优先使用 Windowing TVF 实现窗口聚合等功能，因为 Windowing TVF 更符合 SQL 书写规范，底层优化逻辑也更好。

参考链接

[1] Oceanus 控制台：https://console.cloud.tencent.com/oceanus/overview

[2] 创建独享集群：https://cloud.tencent.com/document/product/849/48298

[3] CKafka 控制台：https://console.cloud.tencent.com/ckafka/index?rid=1

[4] CKafka 创建实例：https://cloud.tencent.com/document/product/597/54839

[5] Ckafka 创建 Topic：https://cloud.tencent.com/document/product/597/54854

[6] 运行 Kafka 客户端：https://cloud.tencent.com/document/product/597/56840

[7] MySQL 控制台：https://console.cloud.tencent.com/cdb

[8] 创建 MySQL 实例：https://cloud.tencent.com/document/product/236/46433

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~