Flink 并行流中 watermark 机制无法触发窗口计算的原因分析

开发
Watermark 是用于处理乱序事件的。流处理从事件产生,到流经source,再到operator,中间是有一个过程和时间的。

场景描述

Kafka Source 接收并处理来自 Kafka 的点击数据(指定事件时间),开一个滚动窗口(Tumble Windows) 每 10 秒统计一次 pv 并将结果输出到 Print Sink 中。

CREATE TABLE sourceTable (
message STRING,
time_ltz AS TO_TIMESTAMP_LTZ(CAST(JSON_VALUE(JSON_VALUE(message, '$.request_body'),'$.clickTime') AS INTEGER),0),
WATERMARK FOR time_ltz AS time_ltz - INTERVAL '3' SECOND
) WITH (
'connector' = 'kafka',
'topic' = 'matrix_json_click_log_test',
'properties.bootstrap.servers' = 'xxxxxxxxx:9527',
'properties.group.id' = 'flinkTestGroup',
'scan.startup.mode' = 'latest-offset',
'format' = 'json'
);

CREATE TABLE sinkTable (
window_start TIMESTAMP(3),
window_end TIMESTAMP(3),
click_pv BIGINT
)
WITH (
'connector' = 'print'
);

INSERT INTO sinkTable(
window_start,
window_end,
click_pv
)
select window_start,window_end,COUNT(*)
FROM TABLE (
TUMBLE( TABLE sourceTable, DESCRIPTOR(time_ltz) , INTERVAL '10' SECOND))
GROUP BY window_start, window_end;

运行以上的 FlinkSQL 后观察发现数据流正常,但是一直没能触发窗口计算,没有结果输出。

watermark

watermark 是用于处理乱序事件的。流处理从事件产生,到流经source,再到operator,中间是有一个过程和时间的。虽然大部分情况下流到 operator 的数据都是按照事件产生的时间顺序来的,但是也不排除由于网络等原因导致部分数据延迟到达,产生乱序。对于迟到的数据我们又不能无限期地等待下去,因此需要有个衡量事件时间进度的机制来保证一个特定的时间后必须触发 window 进行计算,这个特别的机制就是 watermark。

并行流中的 watermark

在 多并行度的情况下,source 的每个 sub task 通常独立生成水印。watermark 通过 operator 时会推进 operators 处的当前 event time,同时 operators 会为下游生成一个新的 watermark。多并行度的情况下 watermark对齐会取所有 channel 最小的 watermark。

并行流中的 watermark

原因分析

由于目标 Topic 只有一个分区而 source 并行度设置为 2 ,这导致了只有一个线程可以处理该分区而另一个线程获取不到数据,因此一直没能获取最小的 watermark。最终导致一直无法触发窗口计算。

解决方案

可通过手动设置并行度来解决,保证 source 并行度 <= 目标 Topic Partition 分区数。这里将 source 并行度设置为 1 之后便可正常输出结果。

并行度设置为 1

正常输出

责任编辑:赵宁宁 来源: 今日头条
相关推荐

2022-02-13 16:46:47

Flink代码窗口

2018-10-09 10:55:52

Apache FlinWatermark流计算

2022-07-13 13:03:29

流计算乱序

2021-11-02 06:58:55

FlinkWindow机制

2024-02-27 08:05:32

Flink分区机制数据传输

2021-07-29 10:47:51

Flink on Ze流计算

2017-11-20 13:54:55

FlinkStorm框架

2017-11-21 15:50:09

FlinkStorm性能

2013-12-18 17:29:10

多核并行

2022-01-14 07:56:38

Checkpoint机制Flink

2010-04-30 13:44:36

Oracle Redo

2021-08-09 19:01:36

并行场景程序

2010-03-08 09:17:13

F#异步

2010-08-13 14:05:24

Flex事件机制

2010-08-06 09:56:06

Flex事件机制

2023-03-22 18:34:30

Flink调度部署

2022-02-09 15:23:41

大数据流计算Spark

2009-07-09 10:00:04

Google Chro谷歌Linux

2021-03-12 08:39:25

FlinkSpark批处理

2010-01-06 09:30:51

Oracle Redo
点赞
收藏

51CTO技术栈公众号