Flink计算PV，UV的案例及问题分析
浪院长 浪尖聊大数据
PV(访问量)：即Page View, 即页面浏览量或点击量，用户每次刷新即被计算一次。
UV(独立访客)：即Unique Visitor,访问您网站的一台电脑客户端为一个访客。00:00-24:00内相同的客户端只被计算一次。
一个UV可以用很多PV，一个PV也只能对应一个IP
没有这些数据的支持，意味着你不知道产品的发展情况，用户获取成本,UV,PV,注册转化率;没有这些数据做参考，你不会知道接下来提供什么建议给领导采纳，也推测不出领导为啥烦忧，那么就么有任何表现的机会。
举两个UV计算的场景：
- 实时计算当天零点起，到当前时间的uv。
- 实时计算当天每个小时的UV。0点...12点...24点
请问这个用spark streaming如何实现呢？是不是很难有好的思路呢？
今天主要是想给大家用flink来实现一下，在这方面flink确实比较优秀了。
主要技术点就在group by的使用。
下面就是完整的案例：
package org.table.uv;
import org.apache.flink.api.common.typeinfo.Types;
import org.apache.flink.api.java.tuple.Tuple2;
import org.apache.flink.streaming.api.TimeCharacteristic;
import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;
import org.apache.flink.streaming.api.functions.sink.SinkFunction;
import org.apache.flink.table.api.Table;
import org.apache.flink.table.api.TableEnvironment;
import org.apache.flink.table.api.java.StreamTableEnvironment;
import org.apache.flink.table.descriptors.Json;
import org.apache.flink.table.descriptors.Kafka;
import org.apache.flink.table.descriptors.Rowtime;
import org.apache.flink.table.descriptors.Schema;
import org.apache.flink.types.Row;
public class ComputeUVDay {
public static void main(String[] args) throws Exception {
StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
env.setStreamTimeCharacteristic(TimeCharacteristic.EventTime);
StreamTableEnvironment tEnv = TableEnvironment.getTableEnvironment(env);
tEnv.registerFunction("DateUtil",new DateUtil());
tEnv.connect(
new Kafka()
.version("0.10")
// "0.8", "0.9", "0.10", "0.11", and "universal"
.topic("jsontest")
.property("bootstrap.servers", "localhost:9092")
.property("group.id","test")
.startFromLatest()
)
.withFormat(
new Json()
.failOnMissingField(false)
.deriveSchema()
)
.withSchema(
new Schema()
.field("rowtime", Types.SQL_TIMESTAMP)
.rowtime(new Rowtime()
.timestampsFromField("eventtime")
.watermarksPeriodicBounded(2000)
)
.field("fruit", Types.STRING)
.field("number", Types.INT)
)
.inAppendMode()
.registerTableSource("source");
// 計算天級別的uv
// Table table = tEnv.sqlQuery("select DateUtil(rowtime),count(distinct fruit) from source group by DateUtil(rowtime)");
// 计算小时级别uv
Table table = tEnv.sqlQuery("select DateUtil(rowtime,'yyyyMMddHH'),count(distinct fruit) from source group by DateUtil(rowtime,'yyyyMMddHH')");
tEnv.toRetractStream(table, Row.class).addSink(new SinkFunction<Tuple2<Boolean, Row>>() {
@Override
public void invoke(Tuple2<Boolean, Row> value, Context context) throws Exception {
System.out.println(value.f1.toString());
}
});
System.out.println(env.getExecutionPlan());
env.execute("ComputeUVDay");
}
}其中DateUtil类如下：
package org.table.uv;
import org.apache.flink.table.functions.ScalarFunction;
import java.sql.Timestamp;
import java.text.DateFormat;
import java.text.SimpleDateFormat;
public class DateUtil extends ScalarFunction {
public static String eval(long timestamp){
String result = "null";
try {
DateFormat sdf = new SimpleDateFormat("yyyy-MM-dd");
result = sdf.format(new Timestamp(timestamp));
} catch (Exception e) {
e.printStackTrace();
}
return result;
}
public static String eval(long ts, String format) {
String result = "null";
try {
DateFormat sdf = new SimpleDateFormat(format);
result = sdf.format(ts);
} catch (Exception e) {
e.printStackTrace();
}
return result;
}
public static void main(String[] args) {
String eval = eval(System.currentTimeMillis(),"yyyyMMddHH");
System.out.println(eval);
}
}
代码里面的案例，是可以用于生产中的吗？
假如数据量小可以直接使用，每秒数据量大的话，就比较麻烦。因为你看group by后面的维度，只有当天date 这个维度，这样就会导致计算状态超级集中而使得内存占用超大进而引发oom。
这种情况解决办法就是将状态打散，然后再次聚合即可，典型的分治思想。
具体做法作为福利分享给球友吧。
还有一个问题就是由于存在全局去重及分组操作，flink内部必然要维护一定的状态信息，那么这些状态信息肯定不是要一直保存的，比如uv，我们只需要更新今天，最多昨天的状态，这个点之前的状态要删除的，不能让他白白占着内存，而导致任务内存消耗巨大，甚至因oom而挂掉。
StreamQueryConfig streamQueryConfig = tEnv.queryConfig();
streamQueryConfig.withIdleStateRetentionTime(Time.minutes(10),Time.minutes(15));
tEnv.sqlUpdate(sql,streamQueryConfig);再有就是能使用事件时间吗？事件时间假如事件严重超时了，比如，我们状态保留时间设置的是两天，两天之后状态清除，那么这时候来了事件时间刚刚好是两天之前的，由于已经没有状态就会重新计算uv覆盖已经生成的值，就导致值错误了，这个问题如何解决呢？
这算是一个疑问吧？