Flink 認為 Batch 是 Streaming 的一個特例，所以 Flink 底層引擎是一個流式引擎，在上面實現了流處理和批處理。而視窗（window）就是從 Streaming 到 Batch 的一個橋樑。Flink 提供了非常完善的視窗機制，這是我認為的 Flink 最大的亮點之一（其他的亮點包括訊息亂序處理，和 checkpoint 機制）。本文我們將介紹流式處理中的視窗概念，介紹 Flink 內建的一些視窗和 Window API，最後討論下視窗在底層是如何實現的。

什麼是 Window

在流處理應用中，資料是連續不斷的，因此我們不可能等到所有資料都到了才開始處理。當然我們可以每來一個訊息就處理一次，但是有時我們需要做一些聚合類的處理，例如：在過去的1分鐘內有多少使用者點選了我們的網頁。在這種情況下，我們必須定義一個視窗，用來收集最近一分鐘內的資料，並對這個視窗內的資料進行計算。

視窗可以是時間驅動的（Time Window，例如：每30秒鐘），也可以是資料驅動的（Count Window，例如：每一百個元素）。一種經典的視窗分類可以分成：翻滾視窗（Tumbling Window，無重疊），滾動視窗（Sliding Window，有重疊），和會話視窗（Session Window，活動間隙）。

我們舉個具體的場景來形象地理解不同視窗的概念。假設，淘寶網會記錄每個使用者每次購買的商品個數，我們要做的是統計不同視窗中使用者購買商品的總數。下圖給出了幾種經典的視窗切分概述圖：

上圖中，raw data stream 代表使用者的購買行為流，圈中的數字代表該使用者本次購買的商品個數，事件是按時間分佈的，所以可以看出事件之間是有time gap的。Flink 提供了上圖中所有的視窗型別，下面我們會逐一進行介紹。

Time Window

就如名字所說的，Time Window 是根據時間對資料流進行分組的。這裡我們涉及到了流處理中的時間問題，時間問題和訊息亂序問題是緊密關聯的，這是流處理中現存的難題之一，我們將在後續的 EventTime 和訊息亂序處理 中對這部分問題進行深入探討。這裡我們只需要知道 Flink 提出了三種時間的概念，分別是event time（事件時間：事件發生時的時間），ingestion time（攝取時間：事件進入流處理系統的時間），processing time（處理時間：訊息被計算處理的時間）。Flink 中視窗機制和時間型別是完全解耦的，也就是說當需要改變時間型別時不需要更改視窗邏輯相關的程式碼。

• Tumbling Time Window
  如上圖，我們需要統計每一分鐘中使用者購買的商品的總數，需要將使用者的行為事件按每一分鐘進行切分，這種切分被成為翻滾時間視窗（Tumbling Time Window）。翻滾視窗能將資料流切分成不重疊的視窗，每一個事件只能屬於一個視窗。通過使用 DataStream API，我們可以這樣實現：

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

• Sliding Time Window
  但是對於某些應用，它們需要的視窗是不間斷的，需要平滑地進行視窗聚合。比如，我們可以每30秒計算一次最近一分鐘使用者購買的商品總數。這種視窗我們稱為滑動時間視窗（Sliding Time Window）。在滑窗中，一個元素可以對應多個視窗。通過使用 DataStream API，我們可以這樣實現：

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

Count Window

Count Window 是根據元素個數對資料流進行分組的。

• Tumbling Count Window
  當我們想要每100個使用者購買行為事件統計購買總數，那麼每當視窗中填滿100個元素了，就會對視窗進行計算，這種視窗我們稱之為翻滾計數視窗（Tumbling Count Window），上圖所示視窗大小為3個。通過使用 DataStream API，我們可以這樣實現：

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

• Sliding Count Window
  當然Count Window 也支援 Sliding Window，雖在上圖中未描述出來，但和Sliding Time Window含義是類似的，例如計算每10個元素計算一次最近100個元素的總和，程式碼示例如下。

  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)

Session Window

在這種使用者互動事件流中，我們首先想到的是將事件聚合到會話視窗中（一段使用者持續活躍的週期），由非活躍的間隙分隔開。如上圖所示，就是需要計算每個使用者在活躍期間總共購買的商品數量，如果使用者30秒沒有活動則視為會話斷開（假設raw data stream是單個使用者的購買行為流）。Session Window 的示例程式碼如下：

// Stream of (userId, buyCnts)
val buyCnts: DataStream[(Int, Int)] = ...

val sessionCnts: DataStream[(Int, Int)] = vehicleCnts
  .keyBy(0)
  // session window based on a 30 seconds session gap interval 
  .window(ProcessingTimeSessionWindows.withGap(Time.seconds(30)))
  .sum(1)

一般而言，window 是在無限的流上定義了一個有限的元素集合。這個集合可以是基於時間的，元素個數的，時間和個數結合的，會話間隙的，或者是自定義的。Flink 的 DataStream API 提供了簡潔的運算元來滿足常用的視窗操作，同時提供了通用的視窗機制來允許使用者自己定義視窗分配邏輯。下面我們會對 Flink 視窗相關的 API 進行剖析。

剖析 Window API

得益於 Flink Window API 鬆耦合設計，我們可以非常靈活地定義符合特定業務的視窗。Flink 中定義一個視窗主要需要以下三個元件。

• Window Assigner：用來決定某個元素被分配到哪個/哪些視窗中去。

  如下類圖展示了目前內建實現的 Window Assigners：
  

• Trigger：觸發器。決定了一個視窗何時能夠被計算或清除，每個視窗都會擁有一個自己的Trigger。

  如下類圖展示了目前內建實現的 Triggers：
  

• Evictor：可以譯為“驅逐者”。在Trigger觸發之後，在視窗被處理之前，Evictor（如果有Evictor的話）會用來剔除視窗中不需要的元素，相當於一個filter。

  如下類圖展示了目前內建實現的 Evictors：
  

上述三個元件的不同實現的不同組合，可以定義出非常複雜的視窗。Flink 中內建的視窗也都是基於這三個元件構成的，當然內建視窗有時候無法解決使用者特殊的需求，所以 Flink 也暴露了這些視窗機制的內部介面供使用者實現自定義的視窗。下面我們將基於這三者探討視窗的實現機制。

Window 的實現

下圖描述了 Flink 的視窗機制以及各元件之間是如何相互工作的。

首先上圖中的元件都位於一個運算元（window operator）中，資料流源源不斷地進入運算元，每一個到達的元素都會被交給 WindowAssigner。WindowAssigner 會決定元素被放到哪個或哪些視窗（window），可能會建立新視窗。因為一個元素可以被放入多個視窗中，所以同時存在多個視窗是可能的。注意，Window本身只是一個ID識別符號，其內部可能儲存了一些元資料，如TimeWindow中有開始和結束時間，但是並不會儲存視窗中的元素。視窗中的元素實際儲存在 Key/Value State 中，key為Window，value為元素集合（或聚合值）。為了保證視窗的容錯性，該實現依賴了 Flink 的 State 機制（參見 state 文件）。

每一個視窗都擁有一個屬於自己的 Trigger，Trigger上會有定時器，用來決定一個視窗何時能夠被計算或清除。每當有元素加入到該視窗，或者之前註冊的定時器超時了，那麼Trigger都會被呼叫。Trigger的返回結果可以是 continue（不做任何操作），fire（處理視窗資料），purge（移除視窗和視窗中的資料），或者 fire + purge。一個Trigger的呼叫結果只是fire的話，那麼會計算視窗並保留視窗原樣，也就是說視窗中的資料仍然保留不變，等待下次Trigger fire的時候再次執行計算。一個視窗可以被重複計算多次知道它被 purge 了。在purge之前，視窗會一直佔用著記憶體。

當Trigger fire了，視窗中的元素集合就會交給Evictor（如果指定了的話）。Evictor 主要用來遍歷視窗中的元素列表，並決定最先進入視窗的多少個元素需要被移除。剩餘的元素會交給使用者指定的函式進行視窗的計算。如果沒有 Evictor 的話，視窗中的所有元素會一起交給函式進行計算。

計算函式收到了視窗的元素（可能經過了 Evictor 的過濾），並計算出視窗的結果值，併發送給下游。視窗的結果值可以是一個也可以是多個。DataStream API 上可以接收不同型別的計算函式，包括預定義的sum(),min(),max()，還有 ReduceFunction，FoldFunction，還有WindowFunction。WindowFunction 是最通用的計算函式，其他的預定義的函式基本都是基於該函式實現的。

Flink 對於一些聚合類的視窗計算（如sum,min）做了優化，因為聚合類的計算不需要將視窗中的所有資料都儲存下來，只需要儲存一個result值就可以了。每個進入視窗的元素都會執行一次聚合函式並修改result值。這樣可以大大降低記憶體的消耗並提升效能。但是如果使用者定義了 Evictor，則不會啟用對聚合視窗的優化，因為 Evictor 需要遍歷視窗中的所有元素，必須要將視窗中所有元素都存下來。

原始碼分析

上述的三個元件構成了 Flink 的視窗機制。為了更清楚地描述視窗機制，以及解開一些疑惑（比如 purge 和 Evictor 的區別和用途），我們將一步步地解釋 Flink 內建的一些視窗（Time Window，Count Window，Session Window）是如何實現的。

Count Window 實現

Count Window 是使用三元件的典範，我們可以在 KeyedStream 上建立 Count Window，其原始碼如下所示：

// tumbling count window
public WindowedStream<T, KEY, GlobalWindow> countWindow(long size) {
  return window(GlobalWindows.create())  // create window stream using GlobalWindows
      .trigger(PurgingTrigger.of(CountTrigger.of(size))); // trigger is window size
}
// sliding count window
public WindowedStream<T, KEY, GlobalWindow> countWindow(long size, long slide) {
  return window(GlobalWindows.create())
    .evictor(CountEvictor.of(size))  // evictor is window size
    .trigger(CountTrigger.of(slide)); // trigger is slide size
}

第一個函式是申請翻滾計數視窗，引數為視窗大小。第二個函式是申請滑動計數視窗，引數分別為視窗大小和滑動大小。它們都是基於 GlobalWindows 這個 WindowAssigner 來建立的視窗，該assigner會將所有元素都分配到同一個global window中，所有GlobalWindows的返回值一直是 GlobalWindow 單例。基本上自定義的視窗都會基於該assigner實現。

翻滾計數視窗並不帶evictor，只註冊了一個trigger。該trigger是帶purge功能的 CountTrigger。也就是說每當視窗中的元素數量達到了 window-size，trigger就會返回fire+purge，視窗就會執行計算並清空視窗中的所有元素，再接著儲備新的元素。從而實現了tumbling的視窗之間無重疊。

滑動計數視窗的各視窗之間是有重疊的，但我們用的 GlobalWindows assinger 從始至終只有一個視窗，不像 sliding time assigner 可以同時存在多個視窗。所以trigger結果不能帶purge，也就是說計算完視窗後窗口中的資料要保留下來（供下個滑窗使用）。另外，trigger的間隔是slide-size，evictor的保留的元素個數是window-size。也就是說，每個滑動間隔就觸發一次視窗計算，並保留下最新進入視窗的window-size個元素，剔除舊元素。

假設有一個滑動計數視窗，每2個元素計算一次最近4個元素的總和，那麼視窗工作示意圖如下所示：

圖中所示的各個視窗邏輯上是不同的視窗，但在物理上是同一個視窗。該滑動計數視窗，trigger的觸發條件是元素個數達到2個（每進入2個元素就會觸發一次），evictor保留的元素個數是4個，每次計算完視窗總和後會保留剩餘的元素。所以第一次觸發trigger是當元素5進入，第三次觸發trigger是當元素2進入，並驅逐5和2，計算剩餘的4個元素的總和（22）併發送出去，保留下2,4,9,7元素供下個邏輯視窗使用。

Time Window 實現

同樣的，我們也可以在 KeyedStream 上申請 Time Window，其原始碼如下所示：

// tumbling time window
public WindowedStream<T, KEY, TimeWindow> timeWindow(Time size) {
  if (environment.getStreamTimeCharacteristic() == TimeCharacteristic.ProcessingTime) {
    return window(TumblingProcessingTimeWindows.of(size));
  } else {
    return window(TumblingEventTimeWindows.of(size));
  }
}
// sliding time window
public WindowedStream<T, KEY, TimeWindow> timeWindow(Time size, Time slide) {
  if (environment.getStreamTimeCharacteristic() == TimeCharacteristic.ProcessingTime) {
    return window(SlidingProcessingTimeWindows.of(size, slide));
  } else {
    return window(SlidingEventTimeWindows.of(size, slide));
  }
}

在方法體內部會根據當前環境註冊的時間型別，使用不同的WindowAssigner建立window。可以看到，EventTime和IngestTime都使用了XXXEventTimeWindows這個assigner，因為EventTime和IngestTime在底層的實現上只是在Source處為Record打時間戳的實現不同，在window operator中的處理邏輯是一樣的。

這裡我們主要分析sliding process time window，如下是相關原始碼：

public class SlidingProcessingTimeWindows extends WindowAssigner<Object, TimeWindow> {
  private static final long serialVersionUID = 1L;

  private final long size;

  private final long slide;

  private SlidingProcessingTimeWindows(long size, long slide) {
    this.size = size;
    this.slide = slide;
  }

  @Override
  public Collection<TimeWindow> assignWindows(Object element, long timestamp) {
    timestamp = System.currentTimeMillis();
    List<TimeWindow> windows = new ArrayList<>((int) (size / slide));
    // 對齊時間戳
    long lastStart = timestamp - timestamp % slide;
    for (long start = lastStart;
      start > timestamp - size;
      start -= slide) {
      // 當前時間戳對應了多個window
      windows.add(new TimeWindow(start, start + size));
    }
    return windows;
  }
  ...
}
public class ProcessingTimeTrigger extends Trigger<Object, TimeWindow> {
  @Override
  // 每個元素進入視窗都會呼叫該方法
  public TriggerResult onElement(Object element, long timestamp, TimeWindow window, TriggerContext ctx) {
    // 註冊定時器，當系統時間到達window end timestamp時會回撥該trigger的onProcessingTime方法
    ctx.registerProcessingTimeTimer(window.getEnd());
    return TriggerResult.CONTINUE;
  }

  @Override
  // 返回結果表示執行視窗計算並清空視窗
  public TriggerResult onProcessingTime(long time, TimeWindow window, TriggerContext ctx) {
    return TriggerResult.FIRE_AND_PURGE;
  }
  ...
}

首先，SlidingProcessingTimeWindows會對每個進入視窗的元素根據系統時間分配到(size / slide)個不同的視窗，並會在每個視窗上根據視窗結束時間註冊一個定時器（相同視窗只會註冊一份），當定時器超時時意味著該視窗完成了，這時會回撥對應視窗的Trigger的onProcessingTime方法，返回FIRE_AND_PURGE，也就是會執行視窗計算並清空視窗。整個過程示意圖如下：

如上圖所示橫軸代表時間戳（為簡化問題，時間戳從0開始），第一條record會被分配到[-5,5)和[0,10)兩個視窗中，當系統時間到5時，就會計算[-5,5)視窗中的資料，並將結果傳送出去，最後清空視窗中的資料，釋放該視窗資源。

Session Window 實現

Session Window 是一個需求很強烈的視窗機制，但Session也比之前的Window更復雜，所以 Flink 也是在即將到來的 1.1.0 版本中才支援了該功能。由於篇幅問題，我們將在後續的 Session Window 的實現 中深入探討 Session Window 的實現。

參考資料