Apache Flink 進階教程（二）：Time 深度解析

本文內容出自 Apache Flink公開課系列
作者：崔星燦

前言

Flink 的 API 大體上可以劃分爲三個層次：處於最底層的 ProcessFunction、中間一層的 DataStream API 和最上層的 SQL/Table API，這三層中的每一層都非常依賴於時間屬性。時間屬性是流處理中最重要的一個方面，是流處理系統的基石之一，貫穿這三層 API。在 DataStream API 這一層中因爲封裝方面的原因，我們能夠接觸到時間的地方不是很多，所以我們將重點放在底層的 ProcessFunction 和最上層的 SQL/Table API。

Flink 時間語義

在不同的應用場景中時間語義是各不相同的，Flink 作爲一個先進的分佈式流處理引擎，它本身支持不同的時間語義。其核心是 Processing Time 和 Event Time（Row Time），這兩類時間主要的不同點如下表所示：

Processing Time 是來模擬我們真實世界的時間，其實就算是處理數據的節點本地時間也不一定就是完完全全的我們真實世界的時間，所以說它是用來模擬真實世界的時間。而 Event Time 是數據世界的時間，就是我們要處理的數據流世界裏面的時間。關於他們的獲取方式，Process Time 是通過直接去調用本地機器的時間，而 Event Time 則是根據每一條處理記錄所攜帶的時間戳來判定。

這兩種時間在 Flink 內部的處理以及還是用戶的實際使用方面，難易程度都是不同的。相對而言的 Processing Time 處理起來更加的簡單，而 Event Time 要更麻煩一些。而在使用 Processing Time 的時候，我們得到的處理結果（或者說流處理應用的內部狀態）是不確定的。而因爲在 Flink 內部對 Event Time 做了各種保障，使用 Event Time 的情況下，無論重放數據多少次，都能得到一個相對確定可重現的結果。

因此在判斷應該使用 Processing Time 還是 Event Time 的時候，可以遵循一個原則：當你的應用遇到某些問題要從上一個 checkpoint 或者 savepoint 進行重放，是不是希望結果完全相同。如果希望結果完全相同，就只能用 Event Time；如果接受結果不同，則可以用 Processing Time。Processing Time 的一個常見的用途是，我們要根據現實時間來統計整個系統的吞吐，比如要計算現實時間一個小時處理了多少條數據，這種情況只能使用 Processing Time。

時間的特性

時間的一個重要特性是：時間只能遞增，不會來回穿越。 在使用時間的時候我們要充分利用這個特性。假設我們有這麼一些記錄，然後我們來分別看一下 Processing Time 還有 Event Time 對於時間的處理。

• 對於 Processing Time，因爲我們是使用的是本地節點的時間（假設這個節點的時鐘同步沒有問題），我們每一次取到的 Processing Time 肯定都是遞增的，遞增就代表着有序，所以說我們相當於拿到的是一個有序的數據流。

• 而在用 Event Time 的時候因爲時間是綁定在每一條的記錄上的，由於網絡延遲、程序內部邏輯、或者其他一些分佈式系統的原因，數據的時間可能會存在一定程度的亂序，比如上圖的例子。在 Event Time 場景下，我們把每一個記錄所包含的時間稱作 Record Timestamp。如果 Record Timestamp 所得到的時間序列存在亂序，我們就需要去處理這種情況。
  
  如果單條數據之間是亂序，我們就考慮對於整個序列進行更大程度的離散化。簡單地講，就是把數據按照一定的條數組成一些小批次，但這裏的小批次並不是攢夠多少條就要去處理，而是爲了對他們進行時間上的劃分。經過這種更高層次的離散化之後，我們會發現最右邊方框裏的時間就是一定會小於中間方框裏的時間，中間框裏的時間也一定會小於最左邊方框裏的時間。
  
  這個時候我們在整個時間序列裏插入一些類似於標誌位的一些特殊的處理數據，這些特殊的處理數據叫做 watermark。一個 watermark 本質上就代表了這個 watermark 所包含的 timestamp 數值，表示以後到來的數據已經再也沒有小於或等於這個時間的了。

Timestamp 和 Watermark 行爲概覽

接下來我們重點看一下 Event Time 裏的 Record Timestamp（簡寫成 timestamp）和 watermark 的一些基本信息。絕大多數的分佈式流計算引擎對於數據都是進行了 DAG 圖的抽象，它有自己的數據源，有處理算子，還有一些數據匯。數據在不同的邏輯算子之間進行流動。watermark 和 timestamp 有自己的生命週期，接下來我會從 watermark 和 timestamp 的產生、他們在不同的節點之間的傳播、以及在每一個節點上的處理，這三個方面來展開介紹。

Timestamp 分配和 Watermark 生成

Flink 支持兩種 watermark 生成方式。第一種是在 SourceFunction 中產生，相當於把整個的 timestamp 分配和 watermark 生成的邏輯放在流處理應用的源頭。我們可以在 SourceFunction 裏面通過這兩個方法產生 watermark：

• 通過 collectWithTimestamp 方法發送一條數據，其中第一個參數就是我們要發送的數據，第二個參數就是這個數據所對應的時間戳；也可以調用 emitWatermark 方法去產生一條 watermark，表示接下來不會再有時間戳小於等於這個數值記錄。

• 另外，有時候我們不想在 SourceFunction 裏生成 timestamp 或者 watermark，或者說使用的 SourceFunction 本身不支持，我們還可以在使用 DataStream API 的時候指定，調用的 DataStream.assignTimestampsAndWatermarks 這個方法，能夠接收不同的 timestamp 和 watermark 的生成器。

總體上而言生成器可以分爲兩類：第一類是定期生成器；第二類是根據一些在流處理數據流中遇到的一些特殊記錄生成的。

兩者的區別主要有三個方面，首先定期生成是現實時間驅動的，這裏的“定期生成”主要是指 watermark（因爲 timestamp 是每一條數據都需要有的），即定期會調用生成邏輯去產生一個 watermark。而根據特殊記錄生成是數據驅動的，即是否生成 watermark 不是由現實時間來決定，而是當看到一些特殊的記錄就表示接下來可能不會有符合條件的數據再發過來了，這個時候相當於每一次分配 Timestamp 之後都會調用用戶實現的 watermark 生成方法，用戶需要在生成方法中去實現 watermark 的生成邏輯。

大家要注意的是就是我們在分配 timestamp 和生成 watermark 的過程，雖然在 SourceFunction 和 DataStream 中都可以指定，但是還是建議生成的工作越靠近 DataSource 越好。這樣會方便讓程序邏輯裏面更多的 operator 去判斷某些數據是否亂序。Flink 內部提供了很好的機制去保證這些 timestamp 和 watermark 被正確地傳遞到下游的節點。

Watermark 傳播

具體的傳播策略基本上遵循這三點。

• 首先，watermark 會以廣播的形式在算子之間進行傳播。比如說上游的算子，它連接了三個下游的任務，它會把自己當前的收到的 watermark 以廣播的形式傳到下游。

• 第二，如果在程序裏面收到了一個 Long.MAX_VALUE 這個數值的 watermark，就表示對應的那一條流的一個部分不會再有數據發過來了，它相當於就是一個終止的一個標誌。

• 第三，對於單流而言，這個策略比較好理解，而對於有多個輸入的算子，watermark 的計算就有講究了，一個原則是：單輸入取其大，多輸入取小。

舉個例子，假設這邊藍色的塊代表一個算子的一個任務，然後它有三個輸入，分別是 W1、W2、W3，這三個輸入可以理解成任何的輸入，這三個輸入可能是屬於同一個流，也可能是屬於不同的流。然後在計算 watermark 的時候，對於單個輸入而言是取他們的最大值，因爲我們都知道 watermark 應該遵循一個單調遞增的一個原則。對於多輸入，它要統計整個算子任務的 watermark 時，就會取這三個計算出來的 watermark 的最小值。即一個多個輸入的任務，它的 watermark 受制於最慢的那條輸入流。這一點類似於木桶效應，整個木桶中裝的水會就是受制於最矮的那塊板。

watermark 在傳播的時候有一個特點是，它的傳播是冪等的。多次收到相同的 watermark，甚至收到之前的 watermark 都不會對最後的數值產生影響，因爲對於單個輸入永遠是取最大的，而對於整個任務永遠是取一個最小的。

同時我們可以注意到這種設計其實有一個侷限，具體體現在它沒有區分你這個輸入是一條流多個 partition 還是來自於不同的邏輯上的流的 JOIN。對於同一個流的不同 partition，我們對他做這種強制的時鐘同步是沒有問題的，因爲一開始就是把一條流拆散成不同的部分，但每一個部分之間共享相同的時鐘。但是如果算子的任務是在做類似於 JOIN 操作，那麼要求你兩個輸入的時鐘強制同步其實沒有什麼道理的，因爲完全有可能是把一條離現在時間很近的數據流和一個離當前時間很遠的數據流進行 JOIN，這個時候對於快的那條流，因爲它要等慢的那條流，所以說它可能就要在狀態中去緩存非常多的數據，這對於整個集羣來說是一個很大的性能開銷。

ProcessFunction

在正式介紹 watermark 的處理之前，先簡單介紹 ProcessFunction，因爲 watermark 在任務裏的處理邏輯分爲內部邏輯和外部邏輯。外部邏輯其實就是通過 ProcessFunction 來體現的，如果你需要使用 Flink 提供的時間相關的 API 的話就只能寫在 ProcessFunction 裏。

ProcessFunction 和時間相關的功能主要有三點：

• 第一點就是根據你當前系統使用的時間語義不同，你可以去獲取當前你正在處理這條記錄的 Record Timestamp，或者當前的 Processing Time。

• 第二點就是它可以獲取當前算子的時間，可以把它理解成當前的 watermark。

• 第三點就是爲了在 ProcessFunction 中去實現一些相對複雜的功能，允許註冊一些 timer（定時器）。比如說在 watermark 達到某一個時間點的時候就觸發定時器，所有的這些回調邏輯也都是由用戶來提供，涉及到如下三個方法，registerEventTimeTimer、registerProcessingTimeTimer 和 onTimer。在 onTimer 方法中就需要去實現自己的回調邏輯，當條件滿足時回調邏輯就會被觸發。

一個簡單的應用是，我們在做一些時間相關的處理的時候，可能需要緩存一部分數據，但這些數據不能一直去緩存下去，所以需要有一些過期的機制，我們可以通過 timer 去設定這麼一個時間，指定某一些數據可能在將來的某一個時間點過期，從而把它從狀態裏刪除掉。所有的這些和時間相關的邏輯在 Flink 內部都是由自己的 Time Service（時間服務）完成的。

Watermark 處理

一個算子的實例在收到 watermark 的時候，首先要更新當前的算子時間，這樣的話在 ProcessFunction 裏方法查詢這個算子時間的時候，就能獲取到最新的時間。第二步它會遍歷計時器隊列，這個計時器隊列就是我們剛剛說到的 timer，你可以同時註冊很多 timer，Flink 會把這些 Timer 按照觸發時間放到一個優先隊列中。第三步 Flink 得到一個時間之後就會遍歷計時器的隊列，然後逐一觸發用戶的回調邏輯。 通過這種方式，Flink 的某一個任務就會將當前的 watermark 發送到下游的其他任務實例上，從而完成整個 watermark 的傳播，從而形成一個閉環。

Table API 中的時間

下面我們來看一看 Table/SQL API 中的時間。爲了讓時間參與到 Table/SQL 這一層的運算中，我們需要提前把時間屬性放到表的 schema 中，這樣的話我們才能夠在 SQL 語句或者 Table 的一些邏輯表達式裏面去使用這些時間去完成需求。

Table 中指定時間列

其實之前社區就怎麼在 Table/SQL 中去使用時間這個問題做過一定的討論，是把獲取當前 Processing Time 的方法是作爲一個特殊的 UDF，還是把這一個列物化到整個的 schema 裏面，最終採用了後者。我們這裏就分開來講一講 Processing Time 和 Event Time 在使用的時候怎麼在 Table 中指定。

對於 Processing Time，我們知道要得到一個 Table 對象（或者註冊一個 Table）有兩種手段：

1. 可以從一個 DataStream 轉化成一個 Table；

2. 直接通過 TableSource 去生成這麼一個 Table；

對於第一種方法而言，我們只需要在你已有的這些列中（例子中 f1 和 f2 就是兩個已有的列），在最後用“列名.proctime”這種寫法就可以把最後的這一列註冊爲一個 Processing Time，以後在寫查詢的時候就可以去直接使用這一列。如果 Table 是通過 TableSource 生成的，就可以通過實現這一個 DefinedRowtimeAttributes 接口，然後就會自動根據你提供的邏輯去生成對應的 Processing Time。

相對而言，在使用 Event Time 時則有一個限制，因爲 Event Time 不像 Processing Time 那樣是隨拿隨用。如果你要從 DataStream 去轉化得到一個 Table，必須要提前保證原始的 DataStream 裏面已經存在了 Record Timestamp 和 watermark。如果你想通過 TableSource 生成的，也一定要保證你要接入的一個數據裏面存在一個類型爲 long 或者 timestamp 的這麼一個時間字段。

具體來說，如果你要從 DataStream 去註冊一個表，和 proctime 類似，你只需要加上“列名.rowtime”就可以。需要注意的是，如果你要用 Processing Time，必須保證你要新加的字段是整個 schema 中的最後一個字段，而 Event Time 的時候你其實可以去替換某一個已有的列，然後 Flink 會自動的把這一列轉化成需要的 rowtime 這個類型。 如果是通過 TableSource 生成的，只需要實現 DefinedRowtimeAttributes 接口就可以了。需要說明的一點是，在 DataStream API 這一側其實不支持同時存在多個 Event Time（rowtime），但是在 Table 這一層理論上可以同時存在多個 rowtime。因爲 DefinedRowtimeAttributes 接口的返回值是一個對於 rowtime 描述的 List，即其實可以同時存在多個 rowtime 列，在將來可能會進行一些其他的改進，或者基於去做一些相應的優化。

時間列和 Table 操作

指定完了時間列之後，當我們要真正去查詢時就會涉及到一些具體的操作。這裏我列舉的這些操作都是和時間列緊密相關，或者說必須在這個時間列上才能進行的。比如說“Over 窗口聚合”和“Group by 窗口聚合”這兩種窗口聚合，在寫 SQL 提供參數的時候只能允許你在這個時間列上進行這種聚合。第三個就是時間窗口聚合，你在寫條件的時候只支持對應的時間列。最後就是排序，我們知道在一個無盡的數據流上對數據做排序幾乎是不可能的事情，但因爲這個數據本身到來的順序已經是按照時間屬性來進行排序，所以說我們如果要對一個 DataStream 轉化成 Table 進行排序的話，你只能是按照時間列進行排序，當然同時你也可以指定一些其他的列，但是時間列這個是必須的，並且必須放在第一位。

爲什麼說這些操作只能在時間列上進行？因爲我們有的時候可以把到來的數據流就看成是一張按照時間排列好的一張表，而我們任何對於表的操作，其實都是必須在對它進行一次順序掃描的前提下完成的。因爲大家都知道數據流的特性之一就是一過性，某一條數據處理過去之後，將來其實不太好去訪問它。當然因爲 Flink 中內部提供了一些狀態機制，我們可以在一定程度上去弱化這個特性，但是最終還是不能超越的限制狀態不能太大。所有這些操作爲什麼只能在時間列上進行，因爲這個時間列能夠保證我們內部產生的狀態不會無限的增長下去，這是一個最終的前提。