這篇文章主要講解了“flink中窗口的作用是什么”，文中的講解內容簡單清晰，易于學習與理解，下面請大家跟著小編的思路慢慢深入，一起來研究和學習“flink中窗口的作用是什么”吧！

創新互聯建站致力于網站設計制作、網站設計,成都網站設計,集團網站建設等服務標準化，推過標準化降低中小企業的建站的成本，并持續提升建站的定制化服務水平進行質量交付，讓企業網站從市場競爭中脫穎而出。 選擇創新互聯建站，就選擇了安全、穩定、美觀的網站建設服務！

窗口

• 窗口計算是流式計算中常用的數據計算方式之一，通過按照固定時間或長度將數據流切分成不同的窗口，再對數據進行相應的聚合操作，得到一定時間范圍內的統計結果，例如統計最近5分鐘內某網站的點擊數，此時，點擊數據在不斷產生，通過5分鐘窗口將數據限定在固定時間范圍內，就可以對該范圍內的有界數據執行聚合，得到最近5分鐘的網站點擊數。

• 代碼接口規則

stream.keyBy(...)  //keyed類型數據集
.window(...)   //指定窗口分配器類型
[.trigger(...)]  //指定觸發器類型(可選)
[.evictor(...)]  //指定evictor(可選)
[.allowedLateness(...)]  //指定是否延遲處理數據(可選)
[.sideOutputLateData(...)]  //指定Output Lag(可選)
.reduce/aggregate/fold/apply()  //指定窗口計算函數
[.getSideOutput(...)]  //根據Tag輸出數據(可選)

• 算子

• Windows Assigner：指定窗口類型，定義如何將數據流分配到一個或多個窗口

• Windows Trigger：指定窗口觸發的時機，定義窗口滿足什么樣的條件觸發計算；

• Evictor：用于數據剔除

• Lateness：標記是否處理遲到數據，當遲到數據到達窗口中是否觸發計算。

• Output Tag：標記輸出標簽，然后通過getSideOutput將窗口中的數據根據標簽輸出。

• Windows Function：定義窗口上數據處理的邏輯，例如對數據進行sum操作。

Keyed 和 Non-Keyed窗口

• 在運用窗口計算時，Flink根據上游數據集是否為KeyedStream類型（將數據集按Key分區），對應的Window Assigner會不同，

• 上游數據集為KeyedStream類型，則調用DataStream API的Windwo()方法指定Windows Assigner，數據將根據Key在不同的Task實例中并行分別計算，最后得出針對每個Key統計的結果。

• 如果是Non-Keyed類型，則調用WindowsAll()方法來指定Windows Assigner，所有數據都被窗口算子路由到一個Task中計算，并得到結果。

• 建議數據進行KeyedStream處理，這樣啟動并行計算，加速效率。

Window Assigner

• flink支持兩種類型的窗口，一種基于時間，窗口大小由開始和結束時間戳約束，一種基于數量，根據固定數量定義窗口大小。

• 根據Windows Assigner數據分配方式的不同將Windows分為4大類：滾動窗口（Tumbling Windows）、滑動窗口（Sliding Windows）、會話窗口（Session Windows）和全局窗口（Global Windows）

滾動窗口

• 滾動窗口根據固定時間或大小切分，且窗口與窗口間元素互不重疊，適合于固定時間大小和周期統計某一指標的窗口計算。

• DataStream API提供了基于Event Time和Process Time兩種時間類型的Tumbling窗口，對應的Assigner分別為TumblingEventTimeWindows和TumblingProcessTimeWindows，窗口大小童工of()指定，時間單位分別為Time.milliseconds(x)、Time.seconds(x)或Time.minutes(x)，也可以是不同時間單位的組合。

• 如下實例，窗口時間按10S進行切分，窗口的時間是[1:00:00.000-1:00:09.999] 到[1:00:10.000-1:00:19.999]的等固定時間范圍。

val inputStream:DataStream[T]= ...
//定義Event Time Tumbling Windows
val tumblingEventTimeWindows=inputStream.keyBy(_.id)
//通過使用TumblingEventTimeWindows定義Event Time滾動窗口
.window(TumblingEventTimeWindows.of(Time.seconds(10)))
.process(...)  //定義窗口函數

//定義Process Time Tumbling Windows
val tumblingProcessingTimeWindows = inputStream.keyBy(_.id)
//通過TumblingProcessTimeWindows定義Evnet Time滾動窗口
.window(TumblingProcessTimeWindows.of(Times.seconds(10)))
.process(...)  //定義窗口函數

滑動窗口

• 滑動窗口是一種常見的窗口類型，特點是在滾動窗口基礎上增加了窗口滑動時間(Slide Time)，且允許窗口數據發生重疊。這種窗口不像滾動窗口按照Windows Size向前移動，而是根據設定的Slide Time向前滑動。窗口之間的數據重疊大小根據Windows Size和Slide time決定，當Slide Time小于Windows Size便會發生窗口重疊，Slide Size大于WindowsSize會出現窗口不連續，數據可能不會再任何一個窗口內計算。

• DataStream API針對Sliding Windows根據不同時間類型Assigner，包括基于Event Time的SlidingEventTimeWindows和基于Process Time的SlidingProcessingTimeWindows。

• 實例如下，指定Windows Size為1h，Slide Time為10m。

val inputStream:DataStream[T]= ...
//定義Event Time Sliding Windows
val slidingEventTimeWindows=inputStream.keyBy(_.id)
//通過使用SlidingEventTimeWindows定義Event Time滾動窗口
.window(SlidingEventTimeWindows.of(Time.hours(1),Time.minutes(10)))
.process(...)  //定義窗口函數

//定義Process Time Sliding Windows
val slidingProcessTimeWindows = inputStream.keyBy(_.id)
//通過SlidingProcessTimeWindows定義Evnet Time滾動窗口
.window(SlidingProcessTimeWindows.of(Time.hours(1),Time.minutes(10)))
.process(...)  //定義窗口函數

會話窗口

• 將某個時間段內活躍較高的數據聚合為一個窗口進行計算，窗口的觸發條件為Session Gap，指規定時間內沒有數據活躍接入，則任務窗口結束，觸發窗口計算。

• 注意：如果數據一直不間斷，會導致窗口始終不觸發。

• 與滑動、滾動窗口不同，Session Windows不需要定義Windows Size和Slide Time，只需要定義session gap，規定不活躍數據的時間上線即可。

• Session Windows比較適合非連續型數據處理或周期性產生數據的場景。DataStream API中可以創建基于Event Time和Process Time的Session Windows，對應的有Assigner分別為EventTimeSessionWindow和ProcessTimerSessionWindows。

• 實例代碼如下：

val inputStream:DataStream[T]= ...
//定義Event Time Session Windows
val eventTimeSessionWindows=inputStream.keyBy(_.id)
//通過使用EventTimeSessionWindows定義Event Time滾動窗口
.window(EventTimeSessionWindows.withGap(Time.milliseconds(10)))
.process(...)  //定義窗口函數

//定義Process Time Session Windows
val processTimeSessionWindows = inputStream.keyBy(_.id)
//通過ProcessTimeSessionWindows定義Evnet Time滾動窗口
.window(ProcessTimeSessionWindows.withGap(Time.milliseconds(10)))
.process(...)  //定義窗口函數

• flink支持動態調整的Session Gap，需要實現SessionWindowTimeGapExtractor接口，并復寫extract方法，完成Session Gap的抽取，然后將創建好的Session Gap抽取器傳入ProcessiongTimeSessionWindows.withDynamicGap()方法即可。

val inputStream:DataStream[T]= ...
//定義Event Time Session Windows
val eventTimeSessionWindows=inputStream.keyBy(_.id)
//通過使用EventTimeSessionWindows定義Event Time滾動窗口
.window(EventTimeSessionWindows.withDynamicGap(

    //實例化SessionWindowTimeGapExtractor接口
    new SessionWindowTimeGapExtractor[String]{
        override def extract(element:String):Long={
            //動態指定并返回Session Gap
        }
    }
))
.process(...)  //定義窗口函數

//定義Process Time Session Windows
val processTimeSessionWindows = inputStream.keyBy(_.id)
//通過ProcessTimeSessionWindows定義Evnet Time滾動窗口
.window(ProcessTimeSessionWindows.withDynamicGap(

    //實例化SessionWindowTimeGapExtractor接口
    new SessionWindowTimeGapExtractor[String]{
        override def extract(element:String):Long={
            //動態指定并返回Session Gap
        }
    }
))
.process(...)  //定義窗口函數

全局窗口

• 全局會話窗口將所有相同的key數據分配到單個窗口中計算，窗口沒有起始和結束時間，窗口需要借助Triger觸發計算，如果不指定，則不會觸發計算。

• 使用全局窗口要非常謹慎，必須明確自己在整個窗口中統計出的結果是什么，并指定對應的觸發器，同時指定相應的數據清理機制，否則數據將一直留在內存中。

val inputStream:DataStream[T]= ...
val globalWindows = inputStream.keyBy(_.id)
.window(GlobalWindows.create())  //通過GlobalWindows定義Global Windows
.process()

總結

• flink定義的四種窗口，容易和時間窗口和事件窗口混淆，他們是不同維度的的窗口定義，需要特別注意下。

• 越長大越孤單，珍惜好身邊人。

感謝各位的閱讀，以上就是“flink中窗口的作用是什么”的內容了，經過本文的學習后，相信大家對flink中窗口的作用是什么這一問題有了更深刻的體會，具體使用情況還需要大家實踐驗證。這里是創新互聯，小編將為大家推送更多相關知識點的文章，歡迎關注！

分享名稱：flink中窗口的作用是什么
地址分享：http://vcdvsql.cn/article44/phoshe.html

成都網站建設公司_創新互聯，為您提供網站改版、關鍵詞優化、網站維護、企業網站制作、網站導航、定制開發

廣告

聲明：本網站發布的內容（圖片、視頻和文字）以用戶投稿、用戶轉載內容為主，如果涉及侵權請盡快告知，我們將會在第一時間刪除。文章觀點不代表本網站立場，如需處理請聯系客服。電話：028-86922220；郵箱：631063699@qq.com。內容未經允許不得轉載，或轉載時需注明來源： 創新互聯