Flink處理函式實戰之三：KeyedProcessFunction類

歡迎訪問我的GitHub

https://github.com/zq2599/blog_demos

內容：所有原創文章分類匯總及配套原始碼，涉及Java、Docker、Kubernetes、DevOPS等；

Flink處理函式實戰系列鏈接

1. 深入了解ProcessFunction的狀態操作(Flink-1.10)；
2. ProcessFunction；
3. KeyedProcessFunction類；
4. ProcessAllWindowFunction(視窗處理)；
5. CoProcessFunction(雙流處理)；

本篇概覽

本文是《Flink處理函式實戰》系列的第三篇，上一篇《Flink處理函式實戰之二：ProcessFunction類》學習了最簡單的ProcessFunction類，今天要了解的KeyedProcessFunction，以及該類帶來的一些特性；

關于KeyedProcessFunction

通過對比類圖可以確定，KeyedProcessFunction和ProcessFunction并無直接關系：

KeyedProcessFunction用于處理KeyedStream的資料集合，相比ProcessFunction類，KeyedProcessFunction擁有更多特性，官方檔案如下圖紅框，狀態處理和定時器功能都是KeyedProcessFunction才有的：

介紹完畢，接下來通過實體來學習吧；

版本資訊

1. 開發環境作業系統：MacBook Pro 13寸， macOS Catalina 10.15.3
2. 開發工具：IDEA ULTIMATE 2018.3
3. JDK：1.8.0_211
4. Maven：3.6.0
5. Flink：1.9.2

原始碼下載

如果您不想寫代碼，整個系列的原始碼可在GitHub下載到，地址和鏈接資訊如下表所示(https://github.com/zq2599/blog_demos)：

這個git專案中有多個檔案夾，本章的應用在flinkstudy檔案夾下，如下圖紅框所示：

實戰簡介

本次實戰的目標是學習KeyedProcessFunction，內容如下：

1. 監聽本機9999埠，獲取字串；
2. 將每個字串用空格分隔，轉成Tuple2實體，f0是分隔后的單詞，f1等于1；
3. 上述Tuple2實體用f0欄位磁區，得到KeyedStream；
4. KeyedSteam轉入自定義KeyedProcessFunction處理；
5. 自定義KeyedProcessFunction的作用，是記錄每個單詞最新一次出現的時間，然后建一個十秒的定時器，十秒后如果發現這個單詞沒有再次出現，就把這個單詞和它出現的總次數發送到下游算子；

編碼

1. 繼續使用《Flink處理函式實戰之二：ProcessFunction類》一文中創建的工程flinkstudy；
2. 創建bean類CountWithTimestamp，里面有三個欄位，為了方便使用直接設為public：

package com.bolingcavalry.keyedprocessfunction;

public class CountWithTimestamp {
    public String key;

    public long count;

    public long lastModified;
}

3. 創建FlatMapFunction的實作類Splitter，作用是將字串分割后生成多個Tuple2實體，f0是分隔后的單詞，f1等于1：

package com.bolingcavalry;

import org.apache.flink.api.common.functions.FlatMapFunction;
import org.apache.flink.api.java.tuple.Tuple2;
import org.apache.flink.util.Collector;
import org.apache.flink.util.StringUtils;

public class Splitter implements FlatMapFunction<String, Tuple2<String, Integer>> {
    @Override
    public void flatMap(String s, Collector<Tuple2<String, Integer>> collector) throws Exception {

        if(StringUtils.isNullOrWhitespaceOnly(s)) {
            System.out.println("invalid line");
            return;
        }

        for(String word : s.split(" ")) {
            collector.collect(new Tuple2<String, Integer>(word, 1));
        }
    }
}

4. 最后是整個邏輯功能的主體：ProcessTime.java，這里面有自定義的KeyedProcessFunction子類，還有程式入口的main方法，代碼在下面列出來之后，還會對關鍵部分做介紹：

package com.bolingcavalry.keyedprocessfunction;

import com.bolingcavalry.Splitter;
import org.apache.flink.api.common.state.ValueState;
import org.apache.flink.api.common.state.ValueStateDescriptor;
import org.apache.flink.api.java.tuple.Tuple;
import org.apache.flink.api.java.tuple.Tuple2;
import org.apache.flink.configuration.Configuration;
import org.apache.flink.streaming.api.TimeCharacteristic;
import org.apache.flink.streaming.api.datastream.DataStream;
import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;
import org.apache.flink.streaming.api.functions.AssignerWithPeriodicWatermarks;
import org.apache.flink.streaming.api.functions.KeyedProcessFunction;
import org.apache.flink.streaming.api.watermark.Watermark;
import org.apache.flink.util.Collector;

import java.text.SimpleDateFormat;
import java.util.Date;


/**
 * @author will
 * @email [email protected]
 * @date 2020-05-17 13:43
 * @description 體驗KeyedProcessFunction類(時間型別是處理時間)
 */
public class ProcessTime {

    /**
     * KeyedProcessFunction的子類，作用是將每個單詞最新出現時間記錄到backend，并創建定時器，
     * 定時器觸發的時候，檢查這個單詞距離上次出現是否已經達到10秒，如果是，就發射給下游算子
     */
    static class CountWithTimeoutFunction extends KeyedProcessFunction<Tuple, Tuple2<String, Integer>, Tuple2<String, Long>> {

        // 自定義狀態
        private ValueState<CountWithTimestamp> state;

        @Override
        public void open(Configuration parameters) throws Exception {
            // 初始化狀態，name是myState
            state = getRuntimeContext().getState(new ValueStateDescriptor<>("myState", CountWithTimestamp.class));
        }

        @Override
        public void processElement(
                Tuple2<String, Integer> value,
                Context ctx,
                Collector<Tuple2<String, Long>> out) throws Exception {

            // 取得當前是哪個單詞
            Tuple currentKey = ctx.getCurrentKey();

            // 從backend取得當前單詞的myState狀態
            CountWithTimestamp current = state.value();

            // 如果myState還從未沒有賦值過，就在此初始化
            if (current == null) {
                current = new CountWithTimestamp();
                current.key = value.f0;
            }

            // 單詞數量加一
            current.count++;

            // 取當前元素的時間戳，作為該單詞最后一次出現的時間
            current.lastModified = ctx.timestamp();

            // 重新保存到backend，包括該單詞出現的次數，以及最后一次出現的時間
            state.update(current);

            // 為當前單詞創建定時器，十秒后后觸發
            long timer = current.lastModified + 10000;

            ctx.timerService().registerProcessingTimeTimer(timer);

            // 列印所有資訊，用于核對資料正確性
            System.out.println(String.format("process, %s, %d, lastModified : %d (%s), timer : %d (%s)\n\n",
                    currentKey.getField(0),
                    current.count,
                    current.lastModified,
                    time(current.lastModified),
                    timer,
                    time(timer)));

        }

        /**
         * 定時器觸發后執行的方法
         * @param timestamp 這個時間戳代表的是該定時器的觸發時間
         * @param ctx
         * @param out
         * @throws Exception
         */
        @Override
        public void onTimer(
                long timestamp,
                OnTimerContext ctx,
                Collector<Tuple2<String, Long>> out) throws Exception {

            // 取得當前單詞
            Tuple currentKey = ctx.getCurrentKey();

            // 取得該單詞的myState狀態
            CountWithTimestamp result = state.value();

            // 當前元素是否已經連續10秒未出現的標志
            boolean isTimeout = false;

            // timestamp是定時器觸發時間，如果等于最后一次更新時間+10秒，就表示這十秒內已經收到過該單詞了，
            // 這種連續十秒沒有出現的元素，被發送到下游算子
            if (timestamp == result.lastModified + 10000) {
                // 發送
                out.collect(new Tuple2<String, Long>(result.key, result.count));

                isTimeout = true;
            }

            // 列印資料，用于核對是否符合預期
            System.out.println(String.format("ontimer, %s, %d, lastModified : %d (%s), stamp : %d (%s), isTimeout : %s\n\n",
                    currentKey.getField(0),
                    result.count,
                    result.lastModified,
                    time(result.lastModified),
                    timestamp,
                    time(timestamp),
                    String.valueOf(isTimeout)));
        }
    }


    public static void main(String[] args) throws Exception {
        final StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();

        // 并行度1
        env.setParallelism(1);

        // 處理時間
        env.setStreamTimeCharacteristic(TimeCharacteristic.ProcessingTime);

        // 監聽本地9999埠，讀取字串
        DataStream<String> socketDataStream = env.socketTextStream("localhost", 9999);

        // 所有輸入的單詞，如果超過10秒沒有再次出現，都可以通過CountWithTimeoutFunction得到
        DataStream<Tuple2<String, Long>> timeOutWord = socketDataStream
                // 對收到的字串用空格做分割，得到多個單詞
                .flatMap(new Splitter())
                // 設定時間戳分配器，用當前時間作為時間戳
                .assignTimestampsAndWatermarks(new AssignerWithPeriodicWatermarks<Tuple2<String, Integer>>() {

                    @Override
                    public long extractTimestamp(Tuple2<String, Integer> element, long previousElementTimestamp) {
                        // 使用當前系統時間作為時間戳
                        return System.currentTimeMillis();
                    }

                    @Override
                    public Watermark getCurrentWatermark() {
                        // 本例不需要watermark，回傳null
                        return null;
                    }
                })
                // 將單詞作為key磁區
                .keyBy(0)
                // 按單詞磁區后的資料，交給自定義KeyedProcessFunction處理
                .process(new CountWithTimeoutFunction());

        // 所有輸入的單詞，如果超過10秒沒有再次出現，就在此列印出來
        timeOutWord.print();

        env.execute("ProcessFunction demo : KeyedProcessFunction");
    }

    public static String time(long timeStamp) {
        return new SimpleDateFormat("yyyy-MM-dd hh:mm:ss").format(new Date(timeStamp));
    }
}

上述代碼有幾處需要重點關注的：

1. 通過assignTimestampsAndWatermarks設定時間戳的時候，getCurrentWatermark回傳null，因為用不上watermark；
2. processElement方法中，state.value()可以取得當前單詞的狀態，state.update(current)可以設定當前單詞的狀態，這個功能的詳情請參考《深入了解ProcessFunction的狀態操作(Flink-1.10)》；
3. registerProcessingTimeTimer方法設定了定時器的觸發時間，注意這里的定時器是基于processTime，和官方demo中的eventTime是不同的；
4. 定時器觸發后，onTimer方法被執行，里面有這個定時器的全部資訊，尤其是入參timestamp，這是原本設定的該定時器的觸發時間；

驗證

1. 在控制臺執行命令nc -l 9999，這樣就可以從控制臺向本機的9999埠發送字串了；
2. 在IDEA上直接執行ProcessTime類的main方法，程式運行就開始監聽本機的9999埠了；
3. 在前面的控制臺輸入aaa，然后回車，等待十秒后，IEDA的控制臺輸出以下資訊，從結果可見符合預期：
   
4. 繼續輸入aaa再回車，連續兩次，中間間隔不要超過10秒，結果如下圖，可見每一個Tuple2元素都有一個定時器，但是第二次輸入的aaa，其定時器在出發前，aaa的最新出現時間就被第三次輸入的操作給更新了，于是第二次輸入aaa的定時器中的對比操作發現此時距aaa的最近一次(即第三次)出現還未達到10秒，所以第二個元素不會發射到下游算子：
   
5. 下游算子收到的所有超時資訊會列印出來，如下圖紅框，只列印了數量等于1和3的記錄，等于2的時候因為在10秒內再次輸入了aaa，因此沒有超時接收，不會在下游列印：
   
   至此，KeyedProcessFunction處理函式的學習就完成了，其狀態讀寫和定時器操作都是很實用能力，希望本文可以給您提供參考；

你不孤單，欣宸原創一路相伴

1. Java系列
2. Spring系列
3. Docker系列
4. kubernetes系列
5. 資料庫+中間件系列
6. DevOps系列

歡迎關注公眾號：程式員欣宸

微信搜索「程式員欣宸」，我是欣宸，期待與您一同暢游Java世界...
https://github.com/zq2599/blog_demos

標籤：Java

上一篇：python-Wordcloud，wrapt安裝教程

下一篇：Java例外處理詳解(全文干貨，寫得非常全，值得收藏)