Flink 中的时间和窗口（一）

分手后的思念是犯贱 2023-09-27 09:30 8阅读 0赞

**目录**

6.1 时间语义

6.1.1 Flink 中的时间语义

6.1.2 哪种时间语义更重要

6.2 水位线（Watermark）

6.2.1 事件时间和窗口

6.2.2 什么是水位线

6.2.3 如何生成水位线

6.2.4 水位线的传递

6.2.5 水位线的总结

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

## 6.1 时间语义 ##

### 6.1.1 Flink 中的时间语义 ###

Flink 是一个分布式处理 系统。分布式架构最大的特点，就是节点彼此独立、互不影响，这带来了更高的吞吐量和容错 性；但有利必有弊，最大的问题也来源于此。

在分布式系统中，节点“各自为政”，是没有统一时钟的，数据和控制信息都通过网络进行传输。比如现在有一个任务是窗口聚合，我们希望将每个小时的数据收集起来进行统计处理。 而对于并行的窗口子任务，它们所在节点不同，系统时间也会有差异；当我们希望统计 8 点~9 点的数据时，对并行任务来说其实并不是“同时”的，收集到的数据也会有误差。

那既然一个集群中有 JobManager 作为管理者，是不是让它**统一向所有 TaskManager 发送 同步时钟信号**就行了呢？这也是不行的。因为**网络传输会有延迟，而且这延迟是不确定的**，所 以 JobManager **发出的同步信号无法同时到达所有节点**；想要拥有一个全局统一的时钟，在分布式系统里是做不到的。

![8a119f22f12f4581b809a840389d674f.png][]

很明显，这里有两个非常重要的时间点：一个是**数据产生的时间**，我们把它叫作“**事件时间**”（Event Time）；另一个是**数据真正被处理的时刻**，叫作“**处理时间**”（Processing Time）。 我们所定义的窗口操作，到底是以那种时间作为衡量标准，就是所谓的“时间语义”（Notions of Time）。由于分布式系统中网络传输的延迟和时钟漂移，**处理时间相对事件发生的时间会有所滞后**。

**1. 处理时间（Processing Time）**

处理时间的概念非常简单，就是指执行处理操作的机器的系统时间。

如果我们以它作为衡量标准，那么数据属于哪个窗口就很明显了：只看窗口任务处理这条 数据时，当前的系统时间。比如之前举的例子，数据 8 点 59 分 59 秒产生，而窗口计算时的时 间是 9 点零 1 秒，那么这条数据就属于 9 点—10 点的窗口；如果数据传输非常快，9 点之前就 到了窗口任务，那么它就属于 8 点—9 点的窗口了。每个并行的窗口子任务，就只按照自己的 系统时钟划分窗口。假如我们在早上 8 点 10 分启动运行程序，那么接下来一直到 9 点以前处 理的所有数据，都属于第一个窗口；9 点之后、10 点之前的所有数据就将属于第二个窗口。

这种方法非常简单粗暴，不需要各个节点之间进行协调同步，也不需要考虑数据在流中的 位置，简单来说就是“我的地盘听我的”。所以**处理时间是最简单的时间语义。**

**2. 事件时间（Event Time）**

事件时间，是指每个事件在对应的设备上发生的时间，也就是数据生成的时间。

数据一旦产生，这个时间自然就确定了，所以它可以作为一个属性嵌入到数据中。这其实 就是这条数据记录的“时间戳”（Timestamp）。

在事件时间语义下，我们对于时间的衡量，就不看任何机器的系统时间了，而是依赖于数据本身。打个比方，这相当于任务处理的时候自己本身是没有时钟的，所以只好来一个数据就 问一下“现在几点了”；而数据本身也没有表，只有一个自带的“出厂时间”，于是任务就基于这 个时间来确定自己的时钟。由于流处理中数据是源源不断产生的，一般来说，先产生的数据也 会先被处理，所以当任务不停地接到数据时，它们的时间戳也基本上是不断增长的，就可以代 表时间的推进。

当然我们会发现，这里有个前提，就是“先产生的数据先被处理”，这要求我们可以保证 数据到达的顺序。但是**由于分布式系统中网络传输延迟的不确定性，实际应用中我们要面对的 数据流往往是乱序的。**在这种情况下，**就不能简单地把数据自带的时间戳当作时钟**了，而**需要 用另外的标志来表示事件时间进展**，在 Flink 中把它叫作**事件时间的“水位线”**（Watermarks）。 关于水位线的概念和用法，我们会稍后介绍。

### 6.1.2 哪种时间语义更重要 ###

**1. 数据处理系统中的时间语义**

在计算机系统中，考虑数据处理的“时代变化”是没什么意义的，我们更关心的，显然是 数据本身产生的时间。

比如我们计算网站的 PV、UV 等指标，要统计每天的访问量。如果某个用户在 23 点 59分 59 秒有一次访问，但我们的任务处理这条数据的时间已经是第二天 0 点 0 分 01 秒了；那么 这条数据，是应该算作当天的访问，还是第二天的访问呢？很明显，统计用户行为，需要考虑 行为本身发生的时间，所以我们应该把这条数据统计入当天的访问量。这时我们用到的窗口， 就是以事件时间作为划分标准的，跟处理时间无关。

所以**在实际应用中，事件时间语义会更为常见**。一般情况下，**业务日志数据中都会记录数据生成的时间戳（timestamp），它就可以作为事件时间的判断基础。**

**2. 两种时间语义的对比**

实际应用中，数据产生的时间和处理的时间可能是完全不同的。很长时间收集起来的数据， 处理或许只要一瞬间；也有可能数据量过大、处理能力不足，短时间堆了大量数据处理不完， 产生“背压”（back pressure）。

通常来说，处理时间是我们计算效率的衡量标准，而事件时间会更符合我们的业务计算逻 辑。所以更多时候我们使用事件时间；不过处理时间也不是一无是处。对于处理时间而言，由 于没有任何附加考虑，数据一来就直接处理，因此这种方式可以让我们的流处理延迟降到最低， 效率达到最高。

但是我们前面提到过，在分布式环境中，处理时间其实是不确定的，各个并行任务时钟不 统一；而且由于网络延迟，导致数据到达各个算子任务的时间有快有慢，对于窗口操作就可能 收集不到正确的数据了，数据处理的顺序也会被打乱。这就会影响到计算结果的正确性。所以 处理时间语义，一般用在对实时性要求极高、而对计算准确性要求不太高的场景。

而在事件时间语义下，水位线成为了时钟，可以统一控制时间的进度。这就保证了我们总可以将数据划分到正确的窗口中，比如 8 点 59 分 59 秒产生的数据，无论网络传输的延迟是多 少，它永远属于 8 点~9 点的窗口，不会错分。但我们知道数据还可能是乱序的，要想让窗口 正确地收集到所有数据，就必须等这些错乱的数据都到齐，这就需要一定的等待时间。所以整 体上看，**事件时间语义是以一定延迟为代价，换来了处理结果的正确性。由于网络延迟一般只 有毫秒级，所以即使是事件时间语义，同样可以完成低延迟实时流处理的任务。**

另外，除了事件时间和处理时间，Flink 还有一个“**摄入时间**”（Ingestion Time）的概念， 它是指数据进入 Flink 数据流的时间，**也就是 Source 算子读入数据的时间。摄入时间相当于是 事件时间和处理时间的一个中和**，它是把 Source 任务的处理时间，当作了数据的产生时间添 加到数据里。这样一来，水位线（watermark）也就基于这个时间直接生成，不需要单独指定 了。这种时间语义可以保证比较好的正确性，同时又不会引入太大的延迟。它的具体行为跟事 件时间非常像，可以当作特殊的事件时间来处理。

在 Flink 中，由于处理时间比较简单，早期版本默认的时间语义是处理时间；而考虑到事件时间在实际应用中更为广泛，**从 1.12 版本开始，Flink 已经将事件时间作为了默认的时间语 义。**

## 6.2 水位线（Watermark） ##

### 6.2.1 事件时间和窗口 ###

在实际应用中，一般会采用事件时间语义。而水位线，就是基于事件时间提出的概念。所 以在介绍水位线之前，我们首先来梳理一下事件时间和窗口的关系。

一个数据产生的时刻，就是流处理中事件触发的时间点，这就是“事件时间”，一般都会以时间戳的形式作为一个字段记录在数据里。这个时间就像商品的“生产日期”一样，一旦产 生就是固定的，印在包装袋上，不会因为运输辗转而变化。如果我们想要统计一段时间内的数 据，需要划分时间窗口，这时只要判断一下时间戳就可以知道数据属于哪个窗口了。

明确了一个数据的所属窗口，还不能直接进行计算。因为窗口处理的是有界数据，我们需要等窗口的数据都到齐了，才能计算出最终的统计结果。那什么时候数据就都到齐了呢？对于 时间窗口来说这很明显：到了窗口的结束时间，自然就应该收集到了所有数据，就可以触发计 算输出结果了。比如我们想统计 8 点~9 点的用户点击量，那就是从 8 点开始收集数据，到 9点截止，将收集的数据做处理计算。这有点类似于班车，如图 6-3 所示，每小时发一班，那么8 点之后来的人都会上同一班车，到 9 点钟准时发车；9 点之后来的人，就只好等下一班 10点发的车了。

在处理时间语义下，都是以当前任务所在节点的系统时间为准的。这就相当于每辆车里都 挂了一个钟，司机看到到了 9 点就直接发车。这种方式简单粗暴容易实现，但因为车上的钟是 独立运行的，以它为标准就不能准确地判断商品的生产时间。在分布式环境下，这样会因为网 络传输延迟的不确定而导致误差。比如有些商品在 8 点 59 分 59 秒生产出来，可是从下生产线 到运至车上又要花费几秒，那就赶不上 9 点钟这班车了。而且现在分布式系统中有很多辆 9点发的班车，所以同时生产出的一批商品，需要平均分配到不同班车上，可这些班车距离有近 有远、上面挂的钟有快有慢，这就可能导致有些商品上车了、有些却被漏掉；先后生产出的商 品，到达车上的顺序也可能乱掉：统计结果的正确性受到了影响。

所以在实际中我们往往需要以事件时间为准。如果考虑事件时间，情况就复杂起来了。现 在不能直接用每辆车上挂的钟（系统时间），又没有统一的时钟，那该怎么确定发车时间呢？

**现在能利用的，就只有商品的生产时间（数据的时间戳）了**。我们可以这样思考：一般情 况下，商品生产出来之后，就会立即传送到车上；所以商品到达车上的时间（系统时间）应该稍稍滞后于商品的生产时间（数据时间戳）。如果不考虑传输过程的一点点延迟，我们就**可以 直接用商品生产时间来表示当前车上的时间了。**如图 6-4 所示，到达车上的商品，生产时间是8 点 05 分，那么当前车上的时间就是 8 点 05 分；又来了一个 8 点 10 分生产的商品，现在车 上的时间就是 8 点 10 分。**我们直接用数据的时间戳来指示当前的时间进展，窗口的关闭自然 也是以数据的时间戳等于窗口结束时间为准，这就相当于可以不受网络传输延迟的影响了。**像 之前所说 8 点 59 分 59 秒生产出来的商品，到车上的时候不管实际时间（系统时间）是几点， 我们就认为当前是 8 点 59 分 59 秒，所以它总是能赶上车的；而 9 点这班车，要等到 9 点整生 产的商品到来，才认为时间到了 9 点，这时才正式发车。这样就可以得到正确的统计结果了。

![544cef06e6c644b48dc5f4a866e84625.png][]

在这个处理过程中，我们其实是**基于数据的时间戳，自定义了一个“逻辑时钟”。**这个时钟的时间不会自动流逝；**它的时间进展，就是靠着新到数据的时间戳来推动的。**这样的**好处**在于，**计算的过程可以完全不依赖处理时间（系统时间）**，不论什么时候进行统计处理，得到的结果都是正确的。比如双十一的时候系统处理压力大，我们可能会把大量数据缓存在 Kafka中；过了高峰时段之后再读取出来，在几秒之内就可以处理完几个小时甚至几天的数据，而且依然可以按照数据产生的时间段进行统计，所有窗口都能收集到正确的数据。而一般实时流处 理的场景中，事件时间可以基本与处理时间保持同步，只是略微有一点延迟，同时保证了窗口 计算的正确性。

### 6.2.2 什么是水位线 ###

在事件时间语义下，我们不依赖系统时间，而是基于数据自带的时间戳去定义了一个时钟， 用来表示当前时间的进展。于是每个并行子任务都会有一个自己的逻辑时钟，它的前进是靠数 据的时间戳来驱动的。

但**在分布式系统中，这种驱动方式又会有一些问题**。因为数据本身在处理转换的过程中会 变化，如果遇到窗口聚合这样的操作，其实是要攒一批数据才会输出一个结果，那么下游的数据就会变少，时间进度的控制就不够精细了。另外，**数据向下游任务传递时，一般只能传输给一个子任务（除广播外），这样其他的并行子任务的时钟就无法推进了。**例如一个时间戳为 9点整的数据到来，当前任务的时钟就已经是 9 点了；处理完当前数据要发送到下游，如果**下游任务是一个窗口计算，并行度为 3，那么接收到这个数据的子任务，时钟也会进展到 9 点，9点结束的窗口就可以关闭进行计算了；而另外两个并行子任务则时间没有变化，不能进行窗口计算。**

所以我们应该**把时钟也以数据的形式传递出去，告诉下游任务当前时间的进展**；而且这个 **时钟的传递不会因为窗口聚合之类的运算而停滞**。一种简单的想法是，**在数据流中加入一个时钟标记，记录当前的事件时间**；**这个标记可以直接广播到下游，当下游任务收到这个标记，就 可以更新自己的时钟了。**由于类似于水流中用来做标志的记号，在 Flink 中，这种用来衡量事 件时间（Event Time）进展的标记，就被称作“**水位线**”（Watermark）。

具体实现上，**水位线可以看作一条特殊的数据记录，它是插入到数据流中的一个标记点， 主要内容就是一个时间戳，用来指示当前的事件时间。而它插入流中的位置，就应该是在某个数据到来之后；这样就可以从这个数据中提取时间戳，作为当前水位线的时间戳了。**

![b4694da1fb2e44bf86737f5cfda1b1b3.png][]

如图 6-5 所示，每个事件产生的数据，都包含了一个时间戳，我们直接用一个整数表示。 这里没有指定单位，可以理解为秒或者毫秒（方便起见，下面讲述统一认为是秒）。当产生于2 秒的数据到来之后，当前的事件时间就是 2 秒；在后面插入一个时间戳也为 2 秒的水位线， 随着数据一起向下游流动。而当 5 秒产生的数据到来之后，同样在后面插入一个水位线，时间 戳也为 5，当前的时钟就推进到了 5 秒。这样，**如果出现下游有多个并行子任务的情形，我们 只要将水位线广播出去，就可以通知到所有下游任务当前的时间进度了。**

水位线就像它的名字所表达的，是数据流中的一部分，随着数据一起流动，在不同任务之间传输。这看起来非常简单；接下来我们就进一步探讨一些复杂的状况。

**1. 有序流中的水位线**

在**理想状态**下，数据应该**按照它们生成的先后顺序、排好队进入流中**；也就是说，它们处理的过程会保持原先的顺序不变，遵守先来后到的原则。这样的话我们从每个数据中提取时间 戳，就可以保证总是从小到大增长的，从而插入的水位线也会不断增长、事件时钟不断向前推 进。

实际应用中，如果**当前数据量非常大，可能会有很多数据的时间戳是相同的，这时每来一 条数据就提取时间戳、插入水位线就做了大量的无用功。**而且即使时间戳不同，同时涌来的数 据时间差会非常小（比如几毫秒），往往对处理计算也没什么影响。**所以为了提高效率，一般 会每隔一段时间生成一个水位线，这个水位线的时间戳，就是当前最新数据的时间戳，**如图6-6 所示。所以这时的水位线，其实就是有序流中的一个周期性出现的时间标记。

![7b6e9bdf9c49412a8ae859259e83d5d2.png][]

这里需要注意的是，水位线插入的“周期”，本身也是一个时间概念。在当前事件时间语 义下，假如我们设定了每隔 100ms 生成一次水位线，那就是要等事件时钟推进 100ms 才能插入；但是事件时钟本身的进展，本身就是靠水位线来表示的——现在要插入一个水位线，可前 提又是水位线要向前推进 100ms，这就陷入了死循环。所以对于**水位线的周期性生成**，**周期时间是指处理时间（系统时间），而不是事件时间。**

**2. 乱序流中的水位线**

有序流的处理非常简单，看起来水位线也并没有起到太大的作用。但这种情况只存在于理 想状态下。我们知道在分布式系统中，**数据在节点间传输，会因为网络传输延迟的不确定性， 导致顺序发生改变，这就是所谓的“乱序数据”。**

这里所说的“乱序”（out-of-order），是指数据的先后顺序不一致，主要就是基于数据的产 生时间而言的。如图 6-7 所示，一个 7 秒时产生的数据，生成时间自然要比 9 秒的数据早；但 是**经过数据缓存和传输之后**，**处理任务可能先收到了 9 秒的数据，之后 7 秒的数据才姗姗来迟。** 这时如果我们希望插入水位线，来指示当前的事件时间进展，又该怎么做呢？

![7591da30bc1a4ca3afd2450aa09e9bb3.png][]

最直观的想法自然是跟之前一样，我们还是靠数据来驱动，每来一个数据就提取它的时间 戳、插入一个水位线。不过现在的情况是数据乱序，所以有可能新的时间戳比之前的还小，如 果直接将这个时间的水位线再插入，我们的“时钟”就回退了——水位线就代表了时钟，时光 不能倒流，所以水位线的时间戳也不能减小。

解决思路也很简单：

我们插入新的水位线时，**要先判断一下时间戳是否比之前的大，否则 就不再生成新的水位线**，如图 6-8 所示。也就是说，**只有数据的时间戳比当前时钟大，才能推动时钟前进，这时才插入水位线。**

![af74ce16cad942a7b167c9aa3be0a871.png][]

> 如果考虑到大量数据同时到来的处理效率，我们同样可以周期性地生成水位线。这时只需要保存一下之前所有数据中的最大时间戳，需要插入水位线时，就直接以它作为时间戳生成新的水位线

![1013afb9a7ad4435a9ec1773376f611b.png][]

这样做尽管可以定义出一个事件时钟，却也会带来一个非常大的问题：我们无法正确处理 “迟到”的数据。在上面的例子中，当 9 秒产生的数据到来之后，我们就直接将时钟推进到了9 秒；如果有一个窗口结束时间就是 9 秒（比如，要统计 0~9 秒的所有数据），那么这时窗口就应该关闭、将收集到的所有数据计算输出结果了。但事实上，由于数据是乱序的，还可能有 时间戳为 7 秒、8 秒的数据在 9 秒的数据之后才到来，这就是“**迟到数据**”（late data）。它们 本来也应该属于 0~9 秒这个窗口，但此时窗口已经关闭，于是这些数据就被遗漏了，这会导致统计结果不正确。

为了让窗口能够正确收集到迟到的数据，我们也可以等上 2 秒；也就是 用当前已有数据的最大时间戳减去 2 秒，就是要插入的水位线的时间戳，如图 6-10 所示。这 样的话，9 秒的数据到来之后，事件时钟不会直接推进到 9 秒，而是进展到了 7 秒；必须等到11 秒的数据到来之后，事件时钟才会进展到 9 秒，这时迟到数据也都已收集齐，0~9 秒的窗 口就可以正确计算结果了。

为了防止“迟到数据”还没有传输过来，我们可以选择再多等几秒，以计算出正确的答案。

![54b7b84a8bc14b288b97c24474948a67.png][]

**3. 水位线的特性**

我们可以总结一下水位线的特性：

⚫ 水位线是插入到数据流中的一个标记，可以认为是一个特殊的数据

⚫ 水位线主要的内容是一个时间戳，用来表示当前事件时间的进展

⚫ 水位线是基于数据的时间戳生成的

⚫ 水位线的时间戳必须单调递增，以确保任务的事件时间时钟一直向前推进

⚫ 水位线可以通过设置延迟，来保证正确处理乱序数据

⚫ 一个水位线 Watermark(t)，表示在当前流中事件时间已经达到了时间戳 t, 这代表 t 之 前的所有数据都到齐了，之后流中不会出现时间戳 t’ ≤ t 的数据

水位线是 Flink 流处理中保证结果正确性的核心机制，它往往会跟窗口一起配合，完成对 乱序数据的正确处理。

### 6.2.3 如何生成水位线 ###

**1. 生成水位线的总体原则**

我们知道，完美的水位线是“绝对正确”的，也就是一个水位线一旦出现，就表示这个时间之前的数据已经全部到齐、之后再也不会出现了。而完美的东西总是可望不可即，我们只能 尽量去保证水位线的正确。如果对结果正确性要求很高、想要让窗口收集到所有数据，我们该 怎么做呢？

**可以单独创建一个 Flink 作业来监控事件流，建立概率分布或者机器学习模型，学习事件的迟到规律。**得到分布规律之后，就可以选择置信区间来确定延迟，作为水位线的生成策略了。例如，如果得到数据的迟到时间服从μ=1，σ=1 的正态分布，那么设置水位线延迟为 3 秒，就可以保证至少 97.7%的数据可以正确处理。

如果我们希望计算结果能更加准确，那可以将水位线的延迟设置得更高一些，等待的时间越长，自然也就越不容易漏掉数据。不过这样做的**代价是处理的实时性降低了，我们可能为极少数的迟到数据增加了很多不必要的延迟。**

如果我们希望处理得更快、实时性更强，那么可以将水位线延迟设得低一些。这种情况下， 可能很多迟到数据会在水位线之后才到达，就会导致窗口遗漏数据，计算结果不准确。对于这 些 “漏网之鱼”，**Flink 另外提供了窗口处理迟到数据的方法**，我们会在后面介绍。当然，**如果我们对准确性完全不考虑、一味地追求处理速度，可以直接使用处理时间语义，这在理论上可以得到最低的延迟。**

**2. 水位线生成策略（Watermark Strategies）**

在 Flink 的 DataStream API 中 ， 有 一 个 单 独 用 于 生 成 水 位 线 的 方 法：.assignTimestampsAndWatermarks()，它主要用来为流中的数据分配时间戳，并生成水位线 来指示事件时间：

public SingleOutputStreamOperator<T> assignTimestampsAndWatermarks( 
     WatermarkStrategy<T> watermarkStrategy)

具体使用时，直接用 DataStream 调用该方法即可，与普通的 transform 方法完全一样。

DataStream<Event> stream = env.addSource(new ClickSource()); 
    DataStream<Event> withTimestampsAndWatermarks = 
    stream.assignTimestampsAndWatermarks(<watermark strategy>);

这里需要将原始的时间戳提取出来，如果不提取出来并明确把它分配给数据，Flink是无法知道数据真正产生的时间的。当然，有些时候数据源本身就提供了时间戳信息， 比如读取 Kafka 时，我们就可以从 Kafka 数据中直接获取时间戳，而不需要单独提取字段分配 了。

.assignTimestampsAndWatermarks()方法需要传入一个 WatermarkStrategy 作为参数，这就 是 所 谓 的 “ 水 位 线 生 成 策 略 ” 。 WatermarkStrategy 中 包 含 了 一 个 “ 时间戳分配器”TimestampAssigner 和一个“水位线生成器”WatermarkGenerator。

> ⚫ TimestampAssigner：主要负责从流中数据元素的某个字段中提取时间戳，并分配给 元素。时间戳的分配是生成水位线的基础。
> 
> ⚫ WatermarkGenerator：主要负责按照既定的方式，基于时间戳生成水位线。在
> 
> WatermarkGenerator 接口中，主要又有两个方法：onEvent()和 onPeriodicEmit()。
> 
> ⚫ onEvent：每个事件（数据）到来都会调用的方法，它的参数有当前事件、时间戳， 以及允许发出水位线的一个 WatermarkOutput，可以基于事件做各种操作
> 
> ⚫ onPeriodicEmit：周期性调用的方法，可以由 WatermarkOutput 发出水位线。周期时间 为处理时间，可以调用环境配置的.setAutoWatermarkInterval()方法来设置，默认为200ms。

env.getConfig().setAutoWatermarkInterval(60 * 1000L);

**3. Flink 内置水位线生成器**

WatermarkStrategy 这个接口是一个**生成水位线策略**的抽象，让我们可以灵活地实现自己的需求；但看起来有些复杂，如果想要自己实现应该还是比较麻烦的。好在 Flink 充分考虑到了 我们的痛苦，**提供了内置的水位线生成器**（WatermarkGenerator），**不仅开箱即用简化了编程， 而且也为我们自定义水位线策略提供了模板。**

这两个生成器可以通过调用 **WatermarkStrategy** 的静态辅助方法来创建。它们都是周期性生成水位线的，分别对应着处理有序流和乱序流的场景。

（1）有序流

对于有序流，主要特点就是时间戳单调增长（Monotonously Increasing Timestamps），所以 永远不会出现迟到数据的问题。这是周期性生成水位线的最简单的场景，直接调用**WatermarkStrategy.forMonotonousTimestamps()方法**就可以实现。简单来说，就是直接拿当前最大的时间戳作为水位线就可以了。

有序：
                    调用.withTimestampAssigner()方法，将数据中的 timestamp 字段提取出来，
                    作为时间戳分配给数据元素；然后用内置的有序流水位线生成器构造出了生成策略。
                    这样，提取出的数据时间戳，就是我们处理计算的事件时间。 
                    这里需要注意的是，时间戳和水位线的单位，必须都是毫秒。
                     
                    .assignTimestampsAndWatermarks(WatermarkStrategy.<Event>forMonotonousTimestamps()
                            .withTimestampAssigner(new SerializableTimestampAssigner<Event>() {
                                @Override
                                public long extractTimestamp(Event event, long l) {
                                    return event.timestamp;
                                }
                            })
                    )

（2）乱序流

由于**乱序流中需要等待迟到数据到齐，所以必须设置一个固定量的延迟时间（Fixed Amount of Lateness）**。这时生成水位线的时间戳，就是当前数据流中最大的时间戳减去延迟的结果，相当于把表调慢，**当前时钟会滞后于数据的最大时间戳**。调用 WatermarkStrategy. forBoundedOutOfOrderness()方法就可以实现。这个方法需要传入一个 maxOutOfOrderness 参 数，表示“最大乱序程度”，它表示数据流中乱序数据时间戳的最大差值；如果我们能确定乱序 程度，那么设置对应时间长度的延迟，就可以等到所有的乱序数据了。

//乱序流的WaterMark生成
    
                    //1.WaterMark的生成器
                    .assignTimestampsAndWatermarks(WatermarkStrategy.<Event>forBoundedOutOfOrderness(Duration.ofSeconds(2))
                            .withTimestampAssigner(new SerializableTimestampAssigner<Event>() {
                                @Override
                                //2.时间戳的提取器
                                public long extractTimestamp(Event event, long l) {
                                    return event.timestamp;
                                }
                            })
                    );

上面代码中，我们同样提取了 timestamp 字段作为时间戳，并且以 5 秒的延迟时间创建了 处理乱序流的水位线生成器。事实上，有序流的水位线生成器本质上和乱序流是一样的，相当于延迟设为 0 的乱序流水 位线生成器，两者完全等同：

WatermarkStrategy.forMonotonousTimestamps() 
    WatermarkStrategy.forBoundedOutOfOrderness(Duration.ofSeconds(0))

**4. 自定义水位线策略**

一般来说，Flink 内置的水位线生成器就可以满足应用需求了。不过有时我们的业务逻辑 可能非常复杂，这时对水位线生成的逻辑也有更高的要求，我们就必须自定义实现水位线策略WatermarkStrategy 了。

在 WatermarkStrategy 中，时间戳分配器 TimestampAssigner 都是大同小异的，指定字段提 取时间戳就可以了；而不同策略的关键就在于 WatermarkGenerator 的实现。整体说来，Flink有两种不同的生成水位线的方式：一种是**周期性**的（Periodic），另一种是**断点式**的（Punctuated）。

（1）周期性水位线生成器（Periodic Generator）

周期性生成器一般是通过 onEvent()观察判断输入的事件，而在 onPeriodicEmit()里发出水 位线。

下面是一段自定义周期性生成水位线的代码：

import org.apache.flink.api.common.eventtime.*; 
    import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment; 
     
    // 自定义水位线的产生 
    public class CustomWatermarkTest { 
     public static void main(String[] args) throws Exception { 
     StreamExecutionEnvironment env = 
    StreamExecutionEnvironment.getExecutionEnvironment(); 
     env.setParallelism(1); 
     
     env 
     .addSource(new ClickSource()) 
     .assignTimestampsAndWatermarks(new CustomWatermarkStrategy()) 
     .print(); 
     
     env.execute(); 
     } 
     
     public static class CustomWatermarkStrategy implements WatermarkStrategy<Event> { 
     @Override 
     public TimestampAssigner<Event> 
    createTimestampAssigner(TimestampAssignerSupplier.Context context) { 
     return new SerializableTimestampAssigner<Event>() { 
     @Override 
    136 
     
    
     public long extractTimestamp(Event element, long recordTimestamp) 
    { 
     return element.timestamp; // 告诉程序数据源里的时间戳是哪一个字段 
     } 
     }; 
     } 
     
     @Override 
     public WatermarkGenerator<Event> 
    createWatermarkGenerator(WatermarkGeneratorSupplier.Context context) { 
     return new CustomPeriodicGenerator(); 
     } 
     } 
     
     public static class CustomPeriodicGenerator implements 
    WatermarkGenerator<Event> { 
     private Long delayTime = 5000L; // 延迟时间 
     private Long maxTs = Long.MIN_VALUE + delayTime + 1L; // 观察到的最大时间戳 
     
     @Override 
     public void onEvent(Event event, long eventTimestamp, WatermarkOutput 
    output) { 
     // 每来一条数据就调用一次 
     maxTs = Math.max(event.timestamp, maxTs); // 更新最大时间戳 
     } 
     
     @Override 
     public void onPeriodicEmit(WatermarkOutput output) { 
     // 发射水位线，默认 200ms 调用一次 
     output.emitWatermark(new Watermark(maxTs - delayTime - 1L)); 
     } 
     } 
    }

我们在 onPeriodicEmit()里调用 output.emitWatermark()，就可以发出水位线了；这个方法 由系统框架周期性地调用，默认 200ms 一次。所以水位线的时间戳是依赖当前已有数据的最 大时间戳的（这里的实现与内置生成器类似，也是减去延迟时间再减 1），但具体什么时候生 成与数据无关。

**（2）断点式水位线生成器（Punctuated Generator）**

断点式生成器会不停地检测 onEvent()中的事件，当发现带有水位线信息的特殊事件时， 就立即发出水位线。一般来说，断点式生成器不会通过 onPeriodicEmit()发出水位线。

自定义的断点式水位线生成器代码如下：

public class CustomPunctuatedGenerator implements WatermarkGenerator<Event> { 
    
     @Override 
     public void onEvent(Event r, long eventTimestamp, WatermarkOutput output) { 
    // 只有在遇到特定的 itemId 时，才发出水位线 
     if (r.user.equals("Mary")) { 
     output.emitWatermark(new Watermark(r.timestamp - 1)); 
     } 
     } 
     
     @Override 
     public void onPeriodicEmit(WatermarkOutput output) { 
     // 不需要做任何事情，因为我们在 onEvent 方法中发射了水位线 
     } 
    }

我们在 onEvent()中判断当前事件的 user 字段，只有遇到“Mary”这个特殊的值时，才调用output.emitWatermark()发出水位线。这个过程是完全依靠事件来触发的，所以水位线的生成一 定在某个数据到来之后。

**5. 在自定义数据源中发送水位线**

我们也可以在自定义的数据源中抽取事件时间，然后发送水位线。这里要注意的是，在自 定义数据源中发送了水位线以后，就不能再在程序中使用 assignTimestampsAndWatermarks 方 法 来 生 成 水 位 线 了 。 在 自 定 义 数 据 源 中 生 成 水 位 线 和 在 程 序 中 使 用

assignTimestampsAndWatermarks 方法生成水位线二者只能取其一。

import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment; 
    import org.apache.flink.streaming.api.functions.source.SourceFunction; 
    import org.apache.flink.streaming.api.watermark.Watermark; 
     
     
    import java.util.Calendar; 
    import java.util.Random; 
     
    public class EmitWatermarkInSourceFunction { 
     public static void main(String[] args) throws Exception { 
     StreamExecutionEnvironment env = 
    StreamExecutionEnvironment.getExecutionEnvironment(); 
     env.setParallelism(1); 
     
     env.addSource(new ClickSourceWithWatermark()).print(); 
     
     env.execute(); 
     } 
     
     // 泛型是数据源中的类型 
     public static class ClickSourceWithWatermark implements SourceFunction<Event> 
    { 
     private boolean running = true; 
     @Override 
     public void run(SourceContext<Event> sourceContext) throws Exception { 
     Random random = new Random(); 
     String[] userArr = {"Mary", "Bob", "Alice"}; 
     String[] urlArr = {"./home", "./cart", "./prod?id=1"}; 
     while (running) { 
     long currTs = Calendar.getInstance().getTimeInMillis(); // 毫秒时
    间戳 
     String username = userArr[random.nextInt(userArr.length)]; 
     String url = urlArr[random.nextInt(urlArr.length)]; 
     Event event = new Event(username, url, currTs); 
     // 使用 collectWithTimestamp 方法将数据发送出去，并指明数据中的时间戳的字段 
     sourceContext.collectWithTimestamp(event, event.timestamp); 
     // 发送水位线 
     sourceContext.emitWatermark(new Watermark(event.timestamp - 1L)); 
     Thread.sleep(1000L); 
     } 
     } 
     
     @Override 
     public void cancel() { 
     running = false; 
     } 
     } 
     
    }

### 6.2.4 水位线的传递 ###

![2bedd655f95440c2899761a1d6c2f806.png][]

（1）上游并行子任务发来不同的水位线，当前任务会为每一个分区设置一个“分区水位线”

（Partition Watermark），这是一个分区时钟；而当前任务自己的时钟，就是所有分区时钟里最 小的那个。

（2）当有一个新的水位线（第一分区的 4）从上游传来时，当前任务会首先更新对应的分 区时钟；然后再次判断所有分区时钟中的最小值，如果比之前大，说明事件时间有了进展，当 前任务的时钟也就可以更新了。这里要注意，更新后的任务时钟，并不一定是新来的那个分区 水位线，比如这里改变的是第一分区的时钟，但最小的分区时钟是第三分区的 3，于是当前任 务时钟就推进到了 3。当时钟有进展时，当前任务就会将自己的时钟以水位线的形式，广播给 下游所有子任务。

（3）再次收到新的水位线（第二分区的 7）后，执行同样的处理流程。首先将第二个分区 时钟更新为 7，然后比较所有分区时钟；发现最小值没有变化，那么当前任务的时钟也不变，140也不会向下游任务发出水位线。

（4）同样道理，当又一次收到新的水位线（第三分区的 6）之后，第三个分区时钟更新为6，同时所有分区时钟最小值变成了第一分区的 4，所以当前任务的时钟推进到 4，并发出时间 戳为 4 的水位线，广播到下游各个分区任务。

> 水位线在上下游任务之间的传递，非常巧妙地避免了分布式系统中没有统一时钟的问题， 每个任务都以“处理完之前所有数据”为标准来确定自己的时钟，就可以保证窗口处理的结果 总是正确的。对于有多条流合并之后进行处理的场景，水位线传递的规则是类似的。

### 6.2.5 水位线的总结 ###

水位线在事件时间的世界里面，承担了时钟的角色。也就是说在事件时间的流中，水位线 是唯一的时间尺度。如果想要知道现在几点，就要看水位线的大小。后面讲到的窗口的闭合， 以及定时器的触发都要通过判断水位线的大小来决定是否触发。

水位线是一种特殊的事件，由程序员通过编程插入的数据流里面，然后跟随数据流向下游 流动。

> 水位线的默认计算公式：水位线 = 观察到的最大事件时间 – 最大延迟时间 – 1 毫秒。

在**数据流开始之前**，**Flink 会插入一个大小是负无穷大（在 Java 中是-Long.MAX\_VALUE） 的水位线**，而在**数据流结束**时，**Flink 会插入一个正无穷大(Long.MAX\_VALUE)的水位线**，保 证所有的窗口闭合以及所有的定时器都被触发。

对于**离线数据集**，Flink 也会将其作为流读入，也就是一条数据一条数据的读取。在这种 情况下，Flink 对于离线数据集，**只会插入两次水位线**，也就是**在最开始处插入负无穷大的水位线**，**在结束位置插入一个正无穷大的水位线**。因为只需要插入两次水位线，就可以保证计算 的正确，无需在数据流的中间插入水位线了。

[8a119f22f12f4581b809a840389d674f.png]: https://img-blog.csdnimg.cn/8a119f22f12f4581b809a840389d674f.png
[544cef06e6c644b48dc5f4a866e84625.png]: https://img-blog.csdnimg.cn/544cef06e6c644b48dc5f4a866e84625.png
[b4694da1fb2e44bf86737f5cfda1b1b3.png]: https://img-blog.csdnimg.cn/b4694da1fb2e44bf86737f5cfda1b1b3.png
[7b6e9bdf9c49412a8ae859259e83d5d2.png]: https://img-blog.csdnimg.cn/7b6e9bdf9c49412a8ae859259e83d5d2.png
[7591da30bc1a4ca3afd2450aa09e9bb3.png]: https://img-blog.csdnimg.cn/7591da30bc1a4ca3afd2450aa09e9bb3.png
[af74ce16cad942a7b167c9aa3be0a871.png]: https://img-blog.csdnimg.cn/af74ce16cad942a7b167c9aa3be0a871.png
[1013afb9a7ad4435a9ec1773376f611b.png]: https://img-blog.csdnimg.cn/1013afb9a7ad4435a9ec1773376f611b.png
[54b7b84a8bc14b288b97c24474948a67.png]: https://img-blog.csdnimg.cn/54b7b84a8bc14b288b97c24474948a67.png
[2bedd655f95440c2899761a1d6c2f806.png]: https://img-blog.csdnimg.cn/2bedd655f95440c2899761a1d6c2f806.png