窗口函数

更新时间: 2024-11-27 17:24:55

本文为您介绍Flink SQL支持的窗口函数以及窗口函数支持的时间属性和窗口类型。

窗口函数

Flink SQL窗口函数支持基于无限大窗口的聚合(无需在SQL Query中,显式定义任何窗口)以及对一个特定的窗口的聚合。例如,需要统计在过去的1分钟内有多少用户单击了某个网页,可以通过定义一个窗口来收集最近1分钟内的数据,并对这个窗口内的数据进行实时计算。

Flink SQL支持的窗口聚合主要是两种:Window聚合和Over聚合。本文档主要为您介绍Window聚合。Window聚合支持Event Time和Processing Time两种时间属性定义窗口。每种时间属性类型支持三种窗口类型:滚动窗口(TUMBLE)、滑动窗口(HOP)和会话窗口(SESSION)。

警告

滚动窗口、滑动窗口和会话窗口不能与last_value、first_value、TopN函数合用,会造成数据乱序被丢弃,导致结果数据异常。

时间属性

Flink SQL支持Event Time和Processing Time两种时间属性,时间属性详情请参见时间属性。Flink可以基于这两种时间属性对数据进行窗口聚合。基于这两种时间属性开窗的区别如下:

  • Event Time:您提供的事件时间,通常是数据的最原始的创建时间。

    系统会根据数据的Event Time生成的Watermark来进行关窗。只有当Watermark大于关窗时间,才会触发窗口的结束,窗口结束才会输出结果。如果一直没有触发窗口结束的数据流入Flink,则该窗口就无法输出数据。单个subtask的Watermark是递增的,多个subtask或者多个源表的Watermark取最小值。

    重要
    • 如果源表中存在一条未来的乱序数据或者某个subtask或上游源表的某个分区中没有数据,则可能会无法触发窗口结束,从而导致结果数据异常。因此您需要根据数据乱序的程度设置合理的offset大小,并保证所有subtask和上游源表的所有分区中都有数据。如果某个subtask或上游源表的某个分区中没有数据,导致Watermark无法推进,窗口无法及时结束,则可以在更多Flink配置中添加table.exec.source.idle-timeout: 10s来触发窗口结束。该参数含义详情请参见Configuration

    • 数据经过GroupBy、双流JOIN或OVER窗口节点后,会导致Watermark属性丢失,无法再使用Event Time进行开窗。

  • Processing Time:对事件进行处理的本地系统时间。

    Processing Time是Flink系统产生的,不包含在用户的原始数据中。因此需要您显式定义一个Processing Time列。

    说明

    因为Processing Time容易受到事件到达Flink系统的速度及Flink内部处理数据顺序的影响,所以每次回溯数据的结果可能不一致。

级联窗口

Rowtime列在经过窗口操作后,其Event Time属性将丢失。您可以使用辅助函数TUMBLE_ROWTIMEHOP_ROWTIMESESSION_ROWTIME,获取窗口中的Rowtime列的最大值max(rowtime)作为时间窗口的Rowtime,其类型是具有Rowtime属性的TIMESTAMP,取值为window_end - 1 。 例如[00:00, 00:15) 的窗口,返回值为00:14:59.999

示例逻辑为:基于1分钟的滚动窗口聚合结果,进行1小时的滚动窗口聚合,可以满足您的多维度开窗需求。

CREATE TEMPORARY TABLE user_clicks(
  username varchar,
  click_url varchar,
  eventtime varchar,                                                        
  ts AS TO_TIMESTAMP(eventtime),
  WATERMARK FOR ts AS ts - INTERVAL '2' SECOND  --为Rowtime定义Watermark。
) with (
  'connector'='sls',
  ...
);

CREATE TEMPORARY TABLE tumble_output(
  window_start TIMESTAMP,
  window_end TIMESTAMP,
  username VARCHAR,
  clicks BIGINT
) with (
  'connector'='datahub'       --目前SLS只支持输出VARCHAR类型的DDL,所以使用DataHub存储。
  ...
);

CREATE TEMPORARY VIEW one_minute_window_output AS 
SELECT 
  TUMBLE_ROWTIME(ts, INTERVAL '1' MINUTE) as rowtime,  --使用TUMBLE_ROWTIME作为二级Window的聚合时间。
  username, 
  COUNT(click_url) as cnt
FROM user_clicks
GROUP BY TUMBLE(ts, INTERVAL '1' MINUTE),username;

BEGIN statement set;
INSERT INTO tumble_output
SELECT
  TUMBLE_START(rowtime, INTERVAL '1' HOUR),
  TUMBLE_END(rowtime, INTERVAL '1' HOUR),
  username,
  SUM(cnt)
FROM one_minute_window_output
GROUP BY TUMBLE(rowtime, INTERVAL '1' HOUR), username;
END;

中间数据

窗口的中间数据分为Keyed State和定时器(Timer)两类,可以分别存储在不同的存储介质中,您可以根据作业的特点选择不同的搭配,目前支持以下四种选择:

Keyed State存储

定时器存储介质

GeminiStateBackend

内存

HashMapStateBackend

内存

RocksDBStateBackend

内存

RocksDBStateBackend

文件

有关状态存储后端的选择请参见企业级状态后端存储介绍HashMapStateBackend。定时器主要用于触发过期的窗口,在内存充裕的情况下,将定时器存储在内存中可以得到更好的性能;在定时器较多或内存资源紧张的情况下,您可以选择RocksDB StateBackend将定时器存储在RocksDB的文件中。

上一篇: DDL数据定义语句 下一篇: 滚动窗口
阿里云首页 实时计算 Flink版 相关技术圈