Flink去重第一弹:MapState去重

水深无声 2023-06-24 11:25 31阅读 0赞

点击上方蓝

字关注~

去重计算应该是数据分析业务里面常见的指标计算，例如网站一天的访问用户数、广告的点击用户数等等，离线计算是一个全量、一次性计算的过程通常可以通过distinct的方式得到去重结果，而实时计算是一种增量、长期计算过程，我们在面对不同的场景，例如数据量的大小、计算结果精准度要求等可以使用不同的方案。此篇介绍如何通过编码方式实现精确去重，以一个实际场景为例：计算每个广告每小时的点击用户数，广告点击日志包含：广告位ID、用户设备ID(idfa/imei/cookie)、点击时间。

### 实现步骤分析： ###

1.  为了当天的数据可重现，这里选择事件时间也就是广告点击时间作为每小时的窗口期划分
2.  数据分组使用广告位ID+点击事件所属的小时
3.  选择processFunction来实现，一个状态用来保存数据、另外一个状态用来保存对应的数据量
4.  计算完成之后的数据清理，按照时间进度注册定时器清理

### 实现 ###

广告数据

case class AdData(id:Int,devId:String,time:Long)

分组数据

case class AdKey(id:Int,time:Long)

主流程

val env=StreamExecutionEnvironment.getExecutionEnvironment
      env.setStreamTimeCharacteristic(TimeCharacteristic.EventTime)
        val kafkaConfig=new Properties()
        kafkaConfig.put(ConsumerConfig.BOOTSTRAP_SERVERS_CONFIG,"localhost:9092")
        kafkaConfig.put(ConsumerConfig.GROUP_ID_CONFIG,"test1")
        val consumer=new FlinkKafkaConsumer[String]("topic1",new SimpleStringSchema,kafkaConfig)
        val ds=env.addSource(consumer)
          .map(x=>{
            val s=x.split(",")
            AdData(s(0).toInt,s(1),s(2).toLong)
          }).assignTimestampsAndWatermarks(new BoundedOutOfOrdernessTimestampExtractor[AdData](Time.minutes(1)) {
          override def extractTimestamp(element: AdData): Long = element.time
        })
          .keyBy(x=>{
            val endTime= TimeWindow.getWindowStartWithOffset(x.time, 0,
              Time.hours(1).toMilliseconds) + Time.hours(1).toMilliseconds
            AdKey(x.id,endTime)
          })

指定时间时间属性，这里设置允许1min的延时，可根据实际情况调整；  
时间的转换选择TimeWindow.getWindowStartWithOffset Flink在处理window中自带的方法，使用起来很方便，第一个参数 表示数据时间，第二个参数offset偏移量，默认为0，正常窗口划分都是整点方式，例如从0开始划分，这个offset就是相对于0的偏移量，第三个参数表示窗口大小，得到的结果是数据时间所属窗口的开始时间，这里加上了窗口大小，使用结束时间与广告位ID作为分组的Key。

去重逻辑  
自定义Distinct1ProcessFunction 继承了KeyedProcessFunction， 方便起见使用输出类型使用Void,这里直接使用打印控制台方式查看结果，在实际中可输出到下游做一个批量的处理然后在输出；  
定义两个状态：MapState，key表示devId, value表示一个随意的值只是为了标识，该状态表示一个广告位在某个小时的设备数据，如果我们使用rocksdb作为statebackend, 那么会将mapstate中key作为rocksdb中key的一部分，mapstate中value作为rocksdb中的value, rocksdb中value 大小是有上限的，这种方式可以减少rocksdb value的大小；另外一个ValueState,存储当前MapState的数据量，是由于mapstate只能通过迭代方式获得数据量大小，每次获取都需要进行迭代，这种方式可以避免每次迭代。

class Distinct1ProcessFunction extends KeyedProcessFunction[AdKey, AdData, Void] {
      var devIdState: MapState[String, Int] = _
      var devIdStateDesc: MapStateDescriptor[String, Int] = _
      var countState: ValueState[Long] = _
      var countStateDesc: ValueStateDescriptor[Long] = _
      override def open(parameters: Configuration): Unit = {
        devIdStateDesc = new MapStateDescriptor[String, Int]("devIdState", TypeInformation.of(classOf[String]), TypeInformation.of(classOf[Int]))
        devIdState = getRuntimeContext.getMapState(devIdStateDesc)
        countStateDesc = new ValueStateDescriptor[Long]("countState", TypeInformation.of(classOf[Long]))
        countState = getRuntimeContext.getState(countStateDesc)
      }
      override def processElement(value: AdData, ctx: KeyedProcessFunction[AdKey, AdData, Void]#Context, out: Collector[Void]): Unit = {
        val currW=ctx.timerService().currentWatermark()
        if(ctx.getCurrentKey.time+1<=currW) {
            println("late data:" + value)
            return
          }
        val devId = value.devId
        devIdState.get(devId) match {
          case 1 => {
            //表示已经存在
          }
          case _ => {
            //表示不存在
            devIdState.put(devId, 1)
            val c = countState.value()
            countState.update(c + 1)
            //还需要注册一个定时器
            ctx.timerService().registerEventTimeTimer(ctx.getCurrentKey.time + 1)
          }
        }
        println(countState.value())
      }
      override def onTimer(timestamp: Long, ctx: KeyedProcessFunction[AdKey, AdData, Void]#OnTimerContext, out: Collector[Void]): Unit = {
        println(timestamp + " exec clean~~~")
        println(countState.value())
        devIdState.clear()
        countState.clear()
      }
    }

数据清理通过注册定时器方式ctx.timerService().registerEventTimeTimer(ctx.getCurrentKey.time + 1)表示当watermark大于该小时结束时间+1就会执行清理动作，调用onTimer方法。

在处理逻辑里面加了

val currW=ctx.timerService().currentWatermark()
    if(ctx.getCurrentKey.time+1<=currW){
            println("late data:" + value)
            return
      }

主要考虑可能会存在滞后的数据比较严重，会影响之前的计算结果，做了一个类似window机制里面的一个延时判断，将延时的数据过滤掉，也可以使用OutputTag 单独处理。

![format_png][]

关注回复Flink获取更多信息~

![format_png 1][]

[format_png]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X3BuZy9TN3RJdm81eFlNNGo5N1hSeWtka0RMSXo1R1puN243VURZQVNBcEprYUcySkpCYWlhREM5U25BaWFvOWs0bExTaWIwT2x6OHN4czdGd3IxV2xxdHlqWlYzQS82NDA?x-oss-process=image/format,png
[format_png 1]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X3BuZy9TN3RJdm81eFlNNTdzV2VYeTJpY0xTdHY4MUNRU1ZINUFKa0J4aWFPWWRPRWlhaWNMM1R1akJnSWJHM0ZZaWNoZ0pXaWF2QWhtRXI3OG1BS1hvb3h3dkxUZVNCQS82NDA?x-oss-process=image/format,png