窗口函数
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)。
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_ROWTIME
、HOP_ROWTIME
或SESSION_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 |
内存 | |
内存 | |
内存 | |
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和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。