Flink实战:全局TopN分析与实现

在上一篇Flink实战: 窗口TopN分析与实现中实现了在一个窗口内的分组topN,但是在实际中也会遇到没有窗口期的topN,例如在一些实时大屏监控展示中,展示历史到现在所有的TopN数据,将这个称之为全局topN,仍然以计算区域维度销售额topN的商品为例,看一下全局TopN的实现方法。
先将需求分解为以下几步:

  • 按照区域areaId+商品gdsId分组,计算每个分组的累计销售额
  • 将得到的区域areaId+商品gdsId维度的销售额按照区域areaId分组,然后求得TopN的销售额商品,并且定时更新输出

与窗口TopN不同,全局TopN没有时间窗口的概念,也就没有时间的概念,因此使用ProcessingTime语义即可,并且也不能再使用Window算子来操作,但是在这个过程中需要完成数据累加操作与定时输出功能,选择ProcessFunction函数来完成,使用State保存中间结果数据,保证数据一致性语义,使用定时器来完成定时输出功能。

销售额统计

对数据流按照区域areaId+商品gdsId分组,不断累加销售额保存起来,然后输出到下游。

1.  `val env =StreamExecutionEnvironment.getExecutionEnvironment`

2.  `env.setParallelism(1)`

3.  `val kafkaConfig =newProperties();`

4.  `kafkaConfig.put(ConsumerConfig.BOOTSTRAP_SERVERS_CONFIG,"localhost:9092");`

5.  `kafkaConfig.put(ConsumerConfig.GROUP_ID_CONFIG,"test1");`

7.  `val consumer =newFlinkKafkaConsumer011[String]("topic1",newSimpleStringSchema(), kafkaConfig)`

8.  `val orderStream = env.addSource(consumer)`

9.  `.map(x =>{`

10.  `val a = x.split(",")`

11.  `Order(a(0), a(1).toLong, a(2), a(3).toDouble, a(4))`

12.  `})`

14.  `val salesStream=orderStream.keyBy(x =>{`

15.  `x.areaId +"_"+ x.gdsId`

16.  `}).process(newKeyedProcessFunction[String,Order,GdsSales](){`

18.  `var orderState:ValueState[Double]= _`

19.  `var orderStateDesc:ValueStateDescriptor[Double]= _`

21.  `override def open(parameters:Configuration):Unit={`

22.  `orderStateDesc =newValueStateDescriptor[Double]("order-state",TypeInformation.of(classOf[Double]))`

23.  `orderState = getRuntimeContext.getState(orderStateDesc)`

24.  `}`

26.  `override def processElement(value:Order, ctx:KeyedProcessFunction[String,Order,GdsSales]#Context,out:Collector[GdsSales]):Unit={`

28.  `val currV = orderState.value()`

29.  `if(currV ==null){`

30.  `orderState.update(value.amount)`

31.  `}else{`

32.  `val newV = currV + value.amount`

33.  `orderState.update(newV)`

34.  `}`

35.  `out.collect(GdsSales.of(value.areaId, value.gdsId, orderState.value(), value.orderTime))`

36.  `}`

37.  `})`

使用keyBy按照areaId+gdsId来分组,然后使用KeyedProcessFunction来完成累加操作。在KeyedProcessFunction里面定义了一个ValueState来保存每个分组的销售额,processElement完成销售额累加操作,并且不断更新ValueState与collect输出。
说明:这里使用ValueState来完成累加过程显得比较繁琐,可以使用ReducingState来替代,这里只是为了表现出累加这个过程。

区域TopN计算

上一步得到的salesStream是一个按照区域areaId+商品gdsId维度的销售额,并且是不断更新输出到下游的,接下来就需要完成TopN的计算,在Flink实战: 窗口TopN分析与实现中分析到TopN的计算不需要保存所有的结果数据,使用红黑树来模拟类似优先级队列功能即可,但是与其不同在于:窗口TopN每次计算TopN是一个全量的窗口结果,而全局TopN其销售额是会不断变动的,因此需要做以下逻辑判断:

  1. 如果TreeSet[GdsSales]包含该商品的销售额数据,则需要更新该商品销售额,这个过程包含判断商品gdsId是否存在与移除该GdsSales对象功能,但是TreeSet不具备直接判断gdsId是否存在功能,那么可以使用一种额外的数据结构Map, key为商品gdsId, value为商品销售额数据GdsSales,该value对应TreeSet[GdsSales]中数据
  2. 如果TreeSet[GdsSales]包含该商品的销售额数据,当TreeSet里面的数据到达N, 就获取第一个节点数据(最小值)与当前需要插入的数据进行比较,如果比其大,则直接舍弃,如果比其小,那么就将TreeSet中第一个节点数据删除,插入新的数据
    实现代码如下:
1.  `salesStream.keyBy(_.getAreaId)`

2.  `.process(newKeyedProcessFunction[String,GdsSales,Void]{`

3.  `var topState:ValueState[java.util.TreeSet[GdsSales]]= _`

4.  `var topStateDesc:ValueStateDescriptor[java.util.TreeSet[GdsSales]]= _`

6.  `var mappingState:MapState[String,GdsSales]= _`

7.  `var mappingStateDesc:MapStateDescriptor[String,GdsSales]= _`

8.  `val interval:Long=60000`

9.  `val N:Int=3`

10.  `override def open(parameters:Configuration):Unit={`

11.  `topStateDesc =newValueStateDescriptor[java.util.TreeSet[GdsSales]]("top-state",TypeInformation.of(classOf[java.util.TreeSet[GdsSales]]))`

12.  `topState = getRuntimeContext.getState(topStateDesc)`

14.  `mappingStateDesc =newMapStateDescriptor[String,GdsSales]("mapping-state",TypeInformation.of(classOf[String]),TypeInformation.of(classOf[GdsSales]))`

15.  `mappingState = getRuntimeContext.getMapState(mappingStateDesc)`

16.  `}`

17.  `override def processElement(value:GdsSales, ctx:KeyedProcessFunction[String,GdsSales,Void]#Context,out:Collector[Void]):Unit={`

19.  `val top = topState.value()`

20.  `if(top ==null){`

21.  `val topMap: util.TreeSet[GdsSales]=new util.TreeSet[GdsSales](newComparator[GdsSales]{`

22.  `override def compare(o1:GdsSales, o2:GdsSales):Int=(o1.getAmount - o2.getAmount).toInt`

23.  `})`

24.  `topMap.add(value)`

25.  `topState.update(topMap)`

26.  `mappingState.put(value.getGdsId, value)`

27.  `}else{`

28.  `mappingState.contains(value.getGdsId) match {` 

29.  `case true=>{//已经存在该商品的销售数据`

30.  `val oldV = mappingState.get(value.getGdsId)`

31.  `mappingState.put(value.getGdsId, value)`

32.  `val values = topState.value()`

33.  `values.remove(oldV)`

34.  `values.add(value)//更新旧的商品销售数据`

35.  `topState.update(values)`

36.  `}`

37.  `case false=>{//不存在该商品销售数据`

38.  `if(top.size()>= N){//已经达到N 则判断更新`

39.  `val min = top.first()`

40.  `if(value.getAmount > min.getAmount){`

41.  `top.pollFirst()`

42.  `top.add(value)`

43.  `mappingState.put(value.getGdsId, value)`

44.  `topState.update(top)`

45.  `}`

46.  `}else{//还未到达N则直接插入`

47.  `top.add(value)`

48.  `mappingState.put(value.getGdsId, value)`

49.  `topState.update(top)`

50.  `}`

51.  `}}}}`

52.  `})`

在open中定义个两个state:ValueState与MapState, ValueState保存该区域下的TopN商品销售数据GdsSales,MapState保存了商品gdsId与商品销售数据GdsSale的对应关系。
在processElement中,首先会判断ValueState是否为空,如果为空则定义按照销售额比较升序排序的Comparator 的TreeSet,则走更新逻辑判断。

定时输出

到这里我们已经计算出了每个时刻的TopN数据,存储在ValueState[java.util.TreeSet[GdsSales]] 中,现在希望每隔1min将TopN的数据输出,可以使用在时间系统系列里面提供较为底层的直接获取到InternalTimeService来完成,由于ProcessFunction本身提供了定时调用功能,我们就按照在窗口实用触发器:ContinuousEventTimeTrigger中讲到的持续触发器的原理来实现,

1.  `var fireState:ValueState[Long]= _`

2.  `var fireStateDesc:ValueStateDescriptor[Long]= _`

3.  `//放在open方法中`

4.  `fireStateDesc =newValueStateDescriptor[Long]("fire-time",TypeInformation.of(classOf[Long]))`

5.  `fireState = getRuntimeContext.getState(fireStateDesc)`

定义了一个ValueState,保存每一次触发的时间,不使用ReducingState是因为没有Window里面在使用SessionWindow的合并机制。

1.  `//放在processElement里面`

2.  `val currTime = ctx.timerService().currentProcessingTime()`

3.  `//1min输出一次`

4.  `if(fireState.value()==null){`

5.  `val start = currTime -(currTime % interval)`

6.  `val nextFireTimestamp = start + interval`

7.  `ctx.timerService().registerProcessingTimeTimer(nextFireTimestamp)`

8.  `fireState.update(nextFireTimestamp)`

9.  `}`

对于每一个区域areaId(key)在processElement只需要注册一次即可。

1.  `override def onTimer(timestamp:Long, ctx:KeyedProcessFunction[String,GdsSales,Void]#OnTimerContext,out:Collector[Void]):Unit={`

2.  `println(timestamp +"===")`

3.  `topState.value().foreach(x =>{`

4.  `println(x)`

5.  `})`

6.  `val fireTimestamp = fireState.value()`

7.  `if(fireTimestamp !=null&&(fireTimestamp == timestamp)){`

8.  `fireState.clear()`

9.  `fireState.update(timestamp + interval)`

10.  `ctx.timerService().registerProcessingTimeTimer(timestamp + interval)`

11.  `}`

12.  `}`

onTimer定时输出,并且注册下一个触发的时间点。

测试

准备数据

1.  `//2019-11-16 21:25:10`

2.  `orderId01,1573874530000,gdsId03,300,beijing`

3.  `orderId02,1573874540000,gdsId01,100,beijing`

4.  `orderId02,1573874540000,gdsId04,200,beijing`

5.  `orderId02,1573874540000,gdsId02,500,beijing`

6.  `orderId01,1573874530000,gdsId01,300,beijing`

等到2019-11-16 21:26:00得到结果

1.  `1573910760000===`

2.  `GdsSales{areaId='beijing', gdsId='gdsId03', amount=300.0}`

3.  `GdsSales{areaId='beijing', gdsId='gdsId01', amount=400.0}`

4.  `GdsSales{areaId='beijing', gdsId='gdsId02', amount=500.0}`

接着在生产一条数据

1.  `orderId02,1573874540000,gdsId04,500,beijing`

等到2019-11-16 21:27:00得到结果

1.  `1573910820000===`

2.  `GdsSales{areaId='beijing', gdsId='gdsId01', amount=400.0}`

3.  `GdsSales{areaId='beijing', gdsId='gdsId02', amount=500.0}`

4.  `GdsSales{areaId='beijing', gdsId='gdsId04', amount=700.0}`

至此完成全局topN的全部实现。

总结

全局TopN要求状态保存所有的聚合数据,对于key比较多的情况,不管是销售额数据还是定时器数据都会占用比较多的内存,可以选择RocksDb作为StateBackend。

                                         ----------------------------------- 

精彩推文:

1. Flink中延时调用设计与实现[](http://mp.weixin.qq.com/s?__biz=MzU5MTc1NDUyOA==&mid=2247483943&idx=1&sn=d3e1002255cbd6cfe16855639f82b80f&chksm=fe2b6668c95cef7e3639c575ac8cb899e7317f82c2b446a23335c8f33dc97a968ea7f345b914&scene=21#wechat_redirect)

2. Flink维表关联系列之Hbase维表关联:LRU策略

3. 你应该了解的Watermark

4. Flink exactly-once系列之事务性输出实现

5. Flink时间系统系列之实例讲解:如何做定时输出

关注回复Flink获取系列文章~

Flink实战:全局TopN分析与实现

上一篇:PyODPS如何确定运行在服务端还是客户端


下一篇:MapGuide应用最佳实践—MapGuide Server和MapGuide WebExtension分开部署