Flink白话解析Watermark

一、摘要

如果想使用Flink，Flink的Watermark是很难绕过去的概念。本文帮大家梳理Watermark概念

二、Watermark疑问

1、Flink应用的常见需求是什么

如公司运营一个官网，想统计下过去一分钟有多少用户访问官网。

如果使用Flink开发，来一条数据则计算一条也是可以的。但是这样频繁计算是非常消耗资源的，如果想用Flink做一些复杂统计，会非常费资源。

需求中想看近一分钟的访客，这时候需要用到窗口来统计窗口内发生的事情，如统计窗口内的用户数。一分钟可以理解为Flink的窗口大小，在这一分钟统计有多少用户。

窗口的作用就是为了周期性获取数据，把传入的流数据根据时间切分成多个桶（buckets）

2、Flink使用窗口后，带来的问题

因为流式数据想要按照窗口做统计。因为网络延迟、乱序、消息积压、重试等原因可能导致客户端发送的某条数据延迟到达服务器。

如：客户端正常发送1-10，10条数据
发生乱序后服务端收到数据是：2,3,4,5,1,6,3,8,9,10,7

而处理乱序的数据，则需要用到Watermark、allowedLateness、sideOutPut技术

Watermark：为了防止数据乱序的处理机制

allowedLateness：将窗口再延迟一段时间，比如等2分钟延迟的数据，2分钟到的可以继续计算

sideOutputLateData：最后兜底操作，窗口真正关闭后，延迟数据再过来，则输出到侧输出流。侧输出流数据可以在单独处理或丢弃

数据处理流程总结：Windows--> Watermark--> allowedLateness--> sideOutputLateData

数据处理流程描述：用Windows把流数据分块处理，用Watermark确定什么时候不再等待更早的数据/触发窗口进行计算，用allowLateNess 将窗口关闭时间再延迟一段时间。用sideOutPut 最后兜底把数据导出到其他地方。

3、Watermark翻译中文应该叫啥

网络上有把Watermark叫成水印有的叫水位线，翻译平台直接翻译是水印。名字按理来说可以反应本质，而我怎么也理解不了水印本质。

按照Watermark功能应该翻译成水位线，high water mark确实可以翻译成高水位线。海水或洪水所达到的最高水位，在Flink中到达水位线（Watermark）后触发计算。

4、Watermark代码中本质是什么

Watermark本质是上是一个时间戳，一般是事件发生时间。Watermark到达后触发计算

5、Watermark如何解决问题

可以把Watermark理解为一个水位线，这个Watermark不断变化，实际上作为数据的一部分随着数据流在流动。

定义了数据延迟多久就不再等待，当Flink中的运算符接收到Watermarks时，它认为早于该时间的消息已经完全抵达计算引擎，不再等待延迟的数据。

假设一个应用是触发窗口计算的逻辑，只有水位线越过窗口对应的结束时间，窗口才会关闭并触发计算，计算该窗口内的数据。

三、窗口相关概念

详细介绍参考：https://www.cnblogs.com/robots2/p/16063157.html

1、窗口分类

翻滚窗口（Tumbling Window，无重叠）

滚动窗口（Sliding Window，有重叠）

和会话窗口，（Session Window，活动间隙）

2、窗口生命周期

窗口有个开始结束时间，比如一个窗口大小10分钟，时间区间12:00-12.10分。

客户端生产了一条12:00点的数据，则这条数据到达服务器，就会创建一个窗口。

客户端生产了一条12:11分的数据，则这条数据到达服务器，如没指定延迟时间，则这个窗口就会关闭删除。

四、Flink时间相关概念简介

Flink分了三种时间类型

1、事件时间：是客户端真实发生该事件的时间，比如用户访问官网时的真实时间，一般为时间戳表示。

2、处理时间：数据发送给服务端后，进入Flink程序时的时间，也就是Flink程序读取到该条数据的时间。

3、提取时间：Flink程序中有一个或多个算子（方法），提取时间就是该条数据进入该算子的时间。如一个程序需要过滤、分组、聚合、输出，则该时间是某一个算子处理该条数据的时间

参考文章：https://www.cnblogs.com/rossiXYZ/p/12286407.html