Apache Flink–DataStream–Window

什麼是Window？有哪些用途？ 
下面我們結合一個現實的例子來說明。

我們先提出一個問題：統計經過某紅綠燈的汽車數量之和？ 
假設在一個紅綠燈處，我們每隔15秒統計一次通過此紅綠燈的汽車數量，如下圖： 
 
可以把汽車的經過看成一個流，無窮的流，不斷有汽車經過此紅綠燈，因此無法統計總共的汽車數量。但是，我們可以換一種思路，每隔15秒，我們都將與上一次的結果進行sum操作（滑動聚合），如下： 
 
這個結果似乎還是無法回答我們的問題，根本原因在於流是無界的，我們不能限制流，但可以在有一個有界的範圍內處理無界的流資料。

因此，我們需要換一個問題的提法：每分鐘經過某紅綠燈的汽車數量之和？ 
這個問題，就相當於一個定義了一個Window（視窗），window的界限是1分鐘，且每分鐘內的資料互不干擾，因此也可以稱為翻滾（不重合）視窗，如下圖： 

再考慮一種情況，每30秒統計一次過去1分鐘的汽車數量之和： 
 
此時，window出現了重合。這樣，1個小時內會有120個window。

擴充套件一下，我們可以在某個地區，收集每一個紅綠燈處汽車經過的數量，然後每個紅綠燈處都做一次基於1分鐘的window統計，即並行處理： 

通常來講，Window就是用來對一個無限的流設定一個有限的集合，在有界的資料集上進行操作的一種機制。window又可以分為基於時間（Time-based）的window以及基於數量（Count-based）的window。

Flink DataStream API提供了Time和Count的window，同時增加了基於Session的window。同時，由於某些特殊的需要，DataStream API也提供了定製化的window操作，供使用者自定義window。

下面，主要介紹Time-Based window以及Count-Based window，以及自定義的window操作，Session-Based Window操作將會在後續的文章中講到。

1、Time-Based Window 
1.1、Tumbling window（翻滾） 
此處的window要在keyed Stream上應用window操作，當輸入1個引數時，代表Tumbling window操作，每分鐘統計一次，此處用scala語言實現：

// Stream of (sensorId, carCnt)
val vehicleCnts: DataStream[(Int, Int)] = ...

val tumblingCnts: DataStream[(Int, Int)] = vehicleCnts
  // key stream by sensorId
  .keyBy(0) 
  // tumbling time window of 1 minute length
  .timeWindow(Time.minutes(1))
  // compute sum over carCnt
  .sum(1) 

1.2、Sliding window（滑動） 
當輸入2個引數時，代表滑動視窗，每隔30秒統計過去1分鐘的數量：

val slidingCnts: DataStream[(Int, Int)] = vehicleCnts
  .keyBy(0) 
  // sliding time window of 1 minute length and 30 secs trigger interval
  .timeWindow(Time.minutes(1), Time.seconds(30))
  .sum(1)

Note：Flink中的Time概念共有3個，即Processing Time（wall clock），Event Time以及Ingestion Time，我會在後續的文章中講到。（國內目前wuchong以及Vinoyang都有講過）.

2、Count-Based Window 
2.1、Tumbling Window 
和Time-Based一樣，Count-based window同樣支援翻滾與滑動視窗，即在Keyed Stream上，統計每100個元素的數量之和：

// Stream of (sensorId, carCnt)
val vehicleCnts: DataStream[(Int, Int)] = ...

val tumblingCnts: DataStream[(Int, Int)] = vehicleCnts
  // key stream by sensorId
  .keyBy(0)
  // tumbling count window of 100 elements size
  .countWindow(100)
  // compute the carCnt sum 
  .sum(1)

2.2、Sliding Window 
每10個元素統計過去100個元素的數量之和：

val slidingCnts: DataStream[(Int, Int)] = vehicleCnts
  .keyBy(0)
  // sliding count window of 100 elements size and 10 elements trigger interval
  .countWindow(100, 10)
  .sum(1)

3、Advanced Window（自定義window） 
自定義的Window需要指定3個function。 
3.1、Window Assigner：負責將元素分配到不同的window。

// create windowed stream using a WindowAssigner
var windowed: WindowedStream[IN, KEY, WINDOW] = keyed
  .window(myAssigner: WindowAssigner[IN, WINDOW])

WindowAPI提供了自定義的WindowAssigner介面，我們可以實現WindowAssigner的public abstract Collection<W> assignWindows(T element, long timestamp)方法。同時，對於基於Count的window而言，預設採用了GlobalWindow的window assigner，例如：

keyValue.window(GlobalWindows.create())

3.2、Trigger 
Trigger即觸發器，定義何時或什麼情況下Fire一個window。 
我們可以複寫一個trigger方法來替換WindowAssigner中的trigger，例如：

// override the default trigger of the WindowAssigner
windowed = windowed
  .trigger(myTrigger: Trigger[IN, WINDOW])

對於CountWindow，我們可以直接使用已經定義好的Trigger：CountTrigger

trigger(CountTrigger.of(2))

3.3、Evictor（可選） 
驅逐者，即保留上一window留下的某些元素。

// specify an optional evictor
windowed = windowed
  .evictor(myEvictor: Evictor[IN, WINDOW])

Note：最簡單的情況，如果業務不是特別複雜，僅僅是基於Time和Count，我們其實可以用系統定義好的WindowAssigner以及Trigger和Evictor來實現不同的組合： 
例如：基於Event Time，每5秒內的資料為界，以每秒的滑動視窗速度進行operator操作，但是，當且僅當5秒內的元素數達到100時，才觸發視窗，觸發時保留上個視窗的10個元素。

keyedStream
    .window(SlidingEventTimeWindows.of(Time.seconds(5), Time.seconds(1))
    .trigger(CountTrigger.of(100))
    .evictor(CountEvictor.of(10));

val countWindowWithoutPurge = keyValue.window(GlobalWindows.create()).
      trigger(CountTrigger.of(2))

最後，給出一個完整的例子，說明Window的用法：

import org.apache.flink.streaming.api.scala._
import org.apache.flink.streaming.api.windowing.assigners.GlobalWindows
import org.apache.flink.streaming.api.windowing.triggers.{CountTrigger, PurgingTrigger}
import org.apache.flink.streaming.api.windowing.windows.GlobalWindow

object Window {
  def main(args: Array[String]) {

    // set up the execution environment
    val env = StreamExecutionEnvironment.getExecutionEnvironment

    val source = env.socketTextStream("localhost",9000)

    val values = source.flatMap(value => value.split("\\s+")).map(value => (value,1))

    val keyValue = values.keyBy(0)

    // define the count window without purge

    val countWindowWithoutPurge = keyValue.window(GlobalWindows.create()).
      trigger(CountTrigger.of(2))


    val countWindowWithPurge = keyValue.window(GlobalWindows.create()).
      trigger(PurgingTrigger.of(CountTrigger.of[GlobalWindow](2)))

    countWindowWithoutPurge.sum(1).print()

    countWindowWithPurge.sum(1).print()

    env.execute()

    // execute program
    env.execute("Flink Scala API Skeleton")
  }
}