apache-flink - Flink 窗口 : aggregate and output to sink

Question

我们有一个数据流，其中每个元素都是这种类型:

id: String
type: Type
amount: Integer

我们希望聚合此流并每周输出一次 amount 的总和。

当前解决方案:

一个示例 flink 管道如下所示:

stream.keyBy(type)
      .window(TumblingProcessingTimeWindows.of(Time.days(7)))
      .reduce(sumAmount())
      .addSink(someOutput())

输入

| id | type | amount |
| 1  | CAT  | 10     |
| 2  | DOG  | 20     |
| 3  | CAT  | 5      |
| 4  | DOG  | 15     |
| 5  | DOG  | 50     |

如果窗口在记录 3 和 4 之间结束，我们的输出将是:

| TYPE | sumAmount |
| CAT  | 15        | (id 1 and id 3 added together)
| DOG  | 20        | (only id 2 as been 'summed')

Id 4 和 5 仍然在 flink 管道中，将在下周输出。

因此下周我们的总产量将是:

| TYPE | sumAmount |
| CAT  | 15        | (of last week)
| DOG  | 20        | (of last week)
| DOG  | 65        | (id 4 and id 5 added together)

新要求:

我们现在还想知道每条记录是在哪一周处理的。换句话说，我们的新输出应该是:

| TYPE | sumAmount | weekNumber |
| CAT  | 15        | 1          |
| DOG  | 20        | 1          |
| DOG  | 65        | 2          |

但我们还想要这样的额外输出:

| id | weekNumber |
| 1  | 1          |
| 2  | 1          |
| 3  | 1          |
| 4  | 2          |
| 5  | 2          |

如何处理？

flink有什么办法可以实现吗？我想我们会有一个聚合函数，它可以对金额求和，但也可以输出每条记录以及当前周数，但我在文档中找不到执行此操作的方法。

(注意:我们每周处理大约 1 亿条记录，因此理想情况下我们只想在一周内将聚合保持在 flink 的状态，而不是所有单独的记录)

编辑:

我选择了下面 Anton 描述的解决方案:

DataStream<Element> elements = 
  stream.keyBy(type)
        .process(myKeyedProcessFunction());

elements.addSink(outputElements());
elements.getSideOutput(outputTag)
        .addSink(outputAggregates())

KeyedProcessFunction 看起来像这样:

class MyKeyedProcessFunction extends KeyedProcessFunction<Type, Element, Element>
    private ValueState<ZonedDateTime> state;
    private ValueState<Integer> sum;

    public void processElement(Element e, Context c, Collector<Element> out) {
        if (state.value() == null) {
            state.update(ZonedDateTime.now());
            sum.update(0);
            c.timerService().registerProcessingTimeTimer(nowPlus7Days);
        }
        element.addAggregationId(state.value());
        sum.update(sum.value() + element.getAmount());
    }

    public void onTimer(long timestamp, OnTimerContext c, Collector<Element> out) {
        state.update(null);
        c.output(outputTag, sum.value()); 
    }
} 

Answer 1

reduce 方法有一个变体，它将 ProcessWindowFunction 作为第二个参数。你会像这样使用它:

stream.keyBy(type)
  .window(TumblingProcessingTimeWindows.of(Time.days(7)))
  .reduce(sumAmount(), new WrapWithWeek())
  .addSink(someOutput())

private static class WrapWithWeek
  extends ProcessWindowFunction<Event, Tuple3<Type, Long, Long>, Type, TimeWindow> {

      public void process(Type key,
                Context context,
                Iterable<Event> reducedEvents,
                Collector<Tuple3<Type, Long, Long>> out) {
          Long sum = reducedEvents.iterator().next();
          out.collect(new Tuple3<Type, Long, Long>(key, context.window.getStart(), sum));
      }
}

通常情况下，ProcessWindowFunction 会传递一个 Iterable，其中包含窗口收集的所有事件，但如果您使用 reduce 或聚合函数来预聚合窗口结果，则只有该单个值会传递到 Iterable。这方面的文档是 here但文档中的示例目前有一个小错误，我已在此处的示例中修复了该错误。

但鉴于对第二个输出的新要求，我建议您放弃使用 Windows 执行此操作的想法，而是使用键控 ProcessFunction .您将需要两个每个键的 ValueState:一个按周计数，另一个用于存储总和。您需要一个每周触发一次的计时器:当它触发时，它应该发出类型、总和和周数，然后递增周数。同时，流程元素方法将简单地输出每个传入事件的 ID 以及周计数器的值。