Flink对流流JOIN的支持
Flink对于join的支持有多种支持,可参考 Flink Join类型, 本文主要讨论Time interval join支持Table API的双流join,同时支持基于EventTime 和 ProcessingTime的的流流join。 Flink在TableApi中将流作为表使用,下文也不再区分流和表。
Flink对于interval join的支持从1.4版本开始,直到Flink1.6,经过几个版本的增强,形成了从开始的Table/Sql Api的支持,到后续DataStream Api的支持,从开始的inner join 到后来的left outer,right outer, full outerjoin的支持,算是完成了FLink对双流关联的支持,不同版本的功能支持如下:
Flink版本 | Join支持类型 | join API |
---|---|---|
1.4 | inner | Table/SQL |
1.5 | inner,left,right,full | Table/SQL |
1.6 | inner,left,right,full | Table/SQL/DataStream |
从官方给出的Release Note来看,Flink1.4,Flink1.5中的双流join是指windowed join,但从官方给出的样例以及源码来看,此处的Windowed Join 应当指的就是interval join;鉴于Flink版本近期的变更较大,笔者不再在原有老版本中测试相关功能,下文的介绍基于Flink最新release版本1.8
关于Interval Join
在流与流的join中,与其他window join相比,window中的关联通常是两个流中对应的window中的消息可以发生关联, 不能跨window,Interval Join则没有window的概念,直接用时间戳作为关联的条件,更具表达力。由于流消息的无限性以及消息乱序的影响,本应关联上的消息可能进入处理系统的时间有较大差异,一条流中的消息,可能需要和另一条流的多条消息关联,因此流流关联时,通常需要类似如下关联条件:
1. 等值条件如 a.id = b.id
2. 时间戳范围条件 : a.timestamp ∈ [b.timestamp + lowerBound; b.timestamp + upperBound] b.timestamp + lowerBound <= a.timestamp and a.timestamp <= b.timestamp + upperBound
其中lower bound,upperBound可设置为正值,负值,0
-
关联条件的含义
如a.id = b.id and b.timestamp - 1 minutes <= a.timestamp and a.timestamp <= b.timestamp + 2 minutes 即表明两条流中的两条消息如果满足a.id = b.id 并且两条消息的时间戳满足a.timestamp在[b.timestamp-1minute, b.timestamp + 2 minutes] 之间,则两条消息应当发生关联
Interval Join的实现
Interval join的实现基本逻辑比较简单,主要依靠TimeBoundedStreamJoin完成消息的关联,其核心逻辑主要包含消息的缓存,不同关联类型的处理,消息的清理,但实现起来并不简单,下面基于eventTime分别对以上进行分析:
由于Flink对于流关联的处理逻辑是对于两条流的消息分别处理,但两条流的处理方式是完全一致的,一下基于第一条流(左流)进行分析
假定左流中的消息l如a,b,2019-07-22 00:00:00
,左流的可容忍乱序时间OutOfOrder时间设置为10s,其中第三个字段为时间戳字段
-
更新当前的leftOperatorTime和rightOperatorTime值,更新其值为当前应用的CombineWatermark,当前应用watermark的获取方式如下:
- 两条流会分别基于接收到的消息计算每条流独立的watermark1,watermark2
- 选取较小的watermark作为应用的CombineWatermark = min(watermark1,watermark2)
-
找出消息时间戳,并结算右表中的能关联的时间戳范围
val leftRow = cRowValue.row val timeForLeftRow: Long = getTimeForLeftStream(ctx, leftRow) val rightQualifiedLowerBound: Long = timeForLeftRow - rightRelativeSize // 2019-07-21 23:58:00.999 val rightQualifiedUpperBound: Long = timeForLeftRow + leftRelativeSize // 2019-07-22 00:01:00.000 表名右流中的消息,如果id满足需求,当其时间戳在[rightQualifiedLowerBound,rightQualifiedUpperBound]范围内时,将可以与左表发生关联
-
将消息l与右表中的消息关联,并缓存l:
当rightExpirationTime < rightQualifiedUpperBound时,将右表中的数据取出,判断是否可以与消息l发生关联:
-
首先计算新的rightExpirationTime:
rightExpirationTime = leftOperatorTime - rightRelativeSize - allowedLateness - 1
其中rightExpirationTime表名由流中的有效消息,当右流中的消息m的时间戳小于rightExpirationTime时,表示不会再有左流中的消息可以与m发生关联,及m消息可以被清理
-
遍历rightCache,完成关联
其中rightCache的数据结构为MapState[Long, JList[JTuple2[Row, Boolean]]] key为时间戳,value为对应时间戳的所有消息组成的List,其中List的元素为消息值和该消息是否被关联过的标记组成的tuple:
遍历rightCache,完成如下操作:
if( 当其key值也就是时间戳rightTime满足时间的条件时) { 遍历其对应的List,将消息值与l完成关联并输出,将其关联标记设置为true } // 清理右表中已经不可能和左表中数据发生关联的消息 if (当rightTime <= rightExpirationTime){ if (如果是right outer join或者full outer join) { 遍历JList,如果消息的关联标记为false,根据关联条件补齐空字段,并输出 } 移除List }
-
缓存消息l
if (rightOperatorTime < rightQualifiedUpperBound){ //表明消息l可能与后续右表中的消息发生关联,需要缓存消息l 1. 在leftCache中缓存消息l 2. 注册清理器TimerHeapInternalTimer(timeForLeftRow,...),异步完成消息的清理,(清理器的触发由更新combinedwatermark时,当combinedwatermark>TimerHeapInternalTimer.timestamp将会触发清理器工作,和核心工作逻辑在TimeBoundedStreamJoin#onTimer方法中) }else{ // 即该消息不需要缓存用于与右侧表的关联 if (left outer join 或者 full outer join ) && if (消息未被关联过){ 根据关联条件补齐空字段并输出 } }
-
Interval join 总结
- Flink的流关联当前只能支持两条流的关联
- Flink同时支持基于EventTime和ProcessingTime的流流join
- Interval join 已经支持inner ,left outer, right outer , full outer 等类型的join,由此来看官网对interval join类型支持的说明不够准确。
- 当前版本Interval join的两条流的消息清理是基于两条流共有的combinedWatermark(较小的流的watermark)
- 流的watermark不会用于将消息
直接
过滤掉,即时消息在本流中的watermark表示中已经迟到,但会直接将迟到的消息根据相应的join类型或输出或丢弃
网友评论