实战 | Kafka + Flink + Redis 的电商大屏实时计算案

痛定思痛。 2021-08-26 17:09 263阅读 0赞

![format_png][]

来源 | LittleMagic

cloud.tencent.com/developer/article/1558372

**目录**

*  前言
 *  数据格式与接入
 *  统计站点指标
 *  商品Top N
 *  The End

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

# 前言 #

阿里的双11销量大屏可以说是一道特殊的风景线。实时大屏（real-time dashboard）正在被越来越多的企业采用，用来及时呈现关键的数据指标。并且在实际操作中，肯定也不会仅仅计算一两个维度。由于Flink的“真·流式计算”这一特点，它比Spark Streaming要更适合大屏应用。本文从笔者的实际工作经验抽象出简单的模型，并简要叙述计算流程（当然大部分都是源码）。

![format_png 1][]

# 数据格式与接入 #

简化的子订单消息体如下。

{
        "userId": 234567,
        "orderId": 2902306918400,
        "subOrderId": 2902306918401,
        "siteId": 10219,
        "siteName": "site_blabla",
        "cityId": 101,
        "cityName": "北京市",
        "warehouseId": 636,
        "merchandiseId": 187699,
        "price": 299,
        "quantity": 2,
        "orderStatus": 1,
        "isNewOrder": 0,
        "timestamp": 1572963672217
    }

由于订单可能会包含多种商品，故会被拆分成子订单来表示，每条JSON消息表示一个子订单。现在要按照自然日来统计以下指标，并以1秒的刷新频率呈现在大屏上：

*  每个站点（站点ID即siteId）的总订单数、子订单数、销量与GMV；
 *  当前销量排名前N的商品（商品ID即merchandiseId）与它们的销量。

由于大屏的最大诉求是实时性，等待迟到数据显然不太现实，因此我们采用处理时间作为时间特征，并以1分钟的频率做checkpointing。

StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
    env.setStreamTimeCharacteristic(TimeCharacteristic.ProcessingTime);
    env.enableCheckpointing(60 * 1000, CheckpointingMode.EXACTLY_ONCE);
    env.getCheckpointConfig().setCheckpointTimeout(30 * 1000);

然后订阅Kafka的订单消息作为数据源。

Properties consumerProps = ParameterUtil.getFromResourceFile("kafka.properties");
        DataStream<String> sourceStream = env
          .addSource(new FlinkKafkaConsumer011<>(
            ORDER_EXT_TOPIC_NAME, // topic
            new SimpleStringSchema(), // deserializer
            consumerProps // consumer properties
          ))
          .setParallelism(PARTITION_COUNT)
          .name("source_kafka_" + ORDER_EXT_TOPIC_NAME)
          .uid("source_kafka_" + ORDER_EXT_TOPIC_NAME);

给带状态的算子设定算子ID（通过调用uid()方法）是个好习惯，能够保证Flink应用从保存点重启时能够正确恢复状态现场。为了尽量稳妥，Flink官方也建议为每个算子都显式地设定ID，参考：**https://ci.apache.org/projects/flink/flink-docs-stable/ops/state/savepoints.html\#should-i-assign-ids-to-all-operators-in-my-job**

**插一下，有的说为啥不用别的，对比后选择可参考下面这篇：**

*  [17 个方面，综合对比 Kafka、RabbitMQ、RocketMQ、ActiveMQ 四个分布式消息队列][17 _ Kafka_RabbitMQ_RocketMQ_ActiveMQ]

接下来将JSON数据转化为POJO，JSON框架采用FastJSON。

DataStream<SubOrderDetail> orderStream = sourceStream
          .map(message -> JSON.parseObject(message, SubOrderDetail.class))
          .name("map_sub_order_detail").uid("map_sub_order_detail");

JSON已经是预先处理好的标准化格式，所以POJO类SubOrderDetail的写法可以通过Lombok极大地简化。如果JSON的字段有不规范的，那么就需要手写Getter和Setter，并用@JSONField注解来指明。

@Getter
    @Setter
    @NoArgsConstructor
    @AllArgsConstructor
    @ToString
    public class SubOrderDetail implements Serializable {
      private static final long serialVersionUID = 1L;
    
      private long userId;
      private long orderId;
      private long subOrderId;
      private long siteId;
      private String siteName;
      private long cityId;
      private String cityName;
      private long warehouseId;
      private long merchandiseId;
      private long price;
      private long quantity;
      private int orderStatus;
      private int isNewOrder;
      private long timestamp;
    }

# 统计站点指标    #

将子订单流按站点ID分组，开1天的滚动窗口，并同时设定ContinuousProcessingTimeTrigger触发器，以1秒周期触发计算。注意处理时间的时区问题，这是老生常谈了。

WindowedStream<SubOrderDetail, Tuple, TimeWindow> siteDayWindowStream = orderStream
          .keyBy("siteId")
          .window(TumblingProcessingTimeWindows.of(Time.days(1), Time.hours(-8)))
          .trigger(ContinuousProcessingTimeTrigger.of(Time.seconds(1)));

接下来写个聚合函数。

DataStream<OrderAccumulator> siteAggStream = siteDayWindowStream
          .aggregate(new OrderAndGmvAggregateFunc())
          .name("aggregate_site_order_gmv").uid("aggregate_site_order_gmv");
      public static final class OrderAndGmvAggregateFunc
        implements AggregateFunction<SubOrderDetail, OrderAccumulator, OrderAccumulator> {
        private static final long serialVersionUID = 1L;
    
        @Override
        public OrderAccumulator createAccumulator() {
          return new OrderAccumulator();
        }
    
        @Override
        public OrderAccumulator add(SubOrderDetail record, OrderAccumulator acc) {
          if (acc.getSiteId() == 0) {
            acc.setSiteId(record.getSiteId());
            acc.setSiteName(record.getSiteName());
          }
          acc.addOrderId(record.getOrderId());
          acc.addSubOrderSum(1);
          acc.addQuantitySum(record.getQuantity());
          acc.addGmv(record.getPrice() * record.getQuantity());
          return acc;
        }
    
        @Override
        public OrderAccumulator getResult(OrderAccumulator acc) {
          return acc;
        }
    
        @Override
        public OrderAccumulator merge(OrderAccumulator acc1, OrderAccumulator acc2) {
          if (acc1.getSiteId() == 0) {
            acc1.setSiteId(acc2.getSiteId());
            acc1.setSiteName(acc2.getSiteName());
          }
          acc1.addOrderIds(acc2.getOrderIds());
          acc1.addSubOrderSum(acc2.getSubOrderSum());
          acc1.addQuantitySum(acc2.getQuantitySum());
          acc1.addGmv(acc2.getGmv());
          return acc1;
        }
      }

累加器类OrderAccumulator的实现很简单，看源码就大概知道它的结构了，因此不再多废话。唯一需要注意的是订单ID可能重复，所以需要用名为orderIds的HashSet来保存它。HashSet应付我们目前的数据规模还是没太大问题的，如果是海量数据，就考虑换用HyperLogLog吧。

接下来就该输出到Redis供呈现端查询了。这里有个问题：一秒内有数据变化的站点并不多，而ContinuousProcessingTimeTrigger每次触发都会输出窗口里全部的聚合数据，这样做了很多无用功，并且还会增大Redis的压力。所以，我们在聚合结果后再接一个ProcessFunction，代码如下。

DataStream<Tuple2<Long, String>> siteResultStream = siteAggStream
          .keyBy(0)
          .process(new OutputOrderGmvProcessFunc(), TypeInformation.of(new TypeHint<Tuple2<Long, String>>() {}))
          .name("process_site_gmv_changed").uid("process_site_gmv_changed");
      public static final class OutputOrderGmvProcessFunc
        extends KeyedProcessFunction<Tuple, OrderAccumulator, Tuple2<Long, String>> {
        private static final long serialVersionUID = 1L;
    
        private MapState<Long, OrderAccumulator> state;
    
        @Override
        public void open(Configuration parameters) throws Exception {
          super.open(parameters);
          state = this.getRuntimeContext().getMapState(new MapStateDescriptor<>(
            "state_site_order_gmv",
            Long.class,
            OrderAccumulator.class)
          );
        }
    
        @Override
        public void processElement(OrderAccumulator value, Context ctx, Collector<Tuple2<Long, String>> out) throws Exception {
          long key = value.getSiteId();
          OrderAccumulator cachedValue = state.get(key);
    
          if (cachedValue == null || value.getSubOrderSum() != cachedValue.getSubOrderSum()) {
            JSONObject result = new JSONObject();
            result.put("site_id", value.getSiteId());
            result.put("site_name", value.getSiteName());
            result.put("quantity", value.getQuantitySum());
            result.put("orderCount", value.getOrderIds().size());
            result.put("subOrderCount", value.getSubOrderSum());
            result.put("gmv", value.getGmv());
            out.collect(new Tuple2<>(key, result.toJSONString());
            state.put(key, value);
          }
        }
    
        @Override
        public void close() throws Exception {
          state.clear();
          super.close();
        }
      }

说来也简单，就是用一个MapState状态缓存当前所有站点的聚合数据。由于数据源是以子订单为单位的，因此如果站点ID在MapState中没有缓存，或者缓存的子订单数与当前子订单数不一致，表示结果有更新，这样的数据才允许输出。

最后就可以安心地接上Redis Sink了，结果会被存进一个Hash结构里。

// 看官请自己构造合适的FlinkJedisPoolConfig
        FlinkJedisPoolConfig jedisPoolConfig = ParameterUtil.getFlinkJedisPoolConfig(false, true);
        siteResultStream
          .addSink(new RedisSink<>(jedisPoolConfig, new GmvRedisMapper()))
          .name("sink_redis_site_gmv").uid("sink_redis_site_gmv")
          .setParallelism(1);
      public static final class GmvRedisMapper implements RedisMapper<Tuple2<Long, String>> {
        private static final long serialVersionUID = 1L;
        private static final String HASH_NAME_PREFIX = "RT:DASHBOARD:GMV:";
    
        @Override
        public RedisCommandDescription getCommandDescription() {
          return new RedisCommandDescription(RedisCommand.HSET, HASH_NAME_PREFIX);
        }
    
        @Override
        public String getKeyFromData(Tuple2<Long, String> data) {
          return String.valueOf(data.f0);
        }
    
        @Override
        public String getValueFromData(Tuple2<Long, String> data) {
          return data.f1;
        }
    
        @Override
        public Optional<String> getAdditionalKey(Tuple2<Long, String> data) {
          return Optional.of(
            HASH_NAME_PREFIX +
            new LocalDateTime(System.currentTimeMillis()).toString(Consts.TIME_DAY_FORMAT) +
            "SITES"
          );
        }
      }

# 商品Top N    #

我们可以直接复用前面产生的orderStream，玩法与上面的GMV统计大同小异。这里用1秒滚动窗口就可以了。

WindowedStream<SubOrderDetail, Tuple, TimeWindow> merchandiseWindowStream = orderStream
          .keyBy("merchandiseId")
          .window(TumblingProcessingTimeWindows.of(Time.seconds(1)));
    
        DataStream<Tuple2<Long, Long>> merchandiseRankStream = merchandiseWindowStream
          .aggregate(new MerchandiseSalesAggregateFunc(), new MerchandiseSalesWindowFunc())
          .name("aggregate_merch_sales").uid("aggregate_merch_sales")
          .returns(TypeInformation.of(new TypeHint<Tuple2<Long, Long>>() { }));

聚合函数与窗口函数的实现更加简单了，最终返回的是商品ID与商品销量的二元组。

public static final class MerchandiseSalesAggregateFunc
        implements AggregateFunction<SubOrderDetail, Long, Long> {
        private static final long serialVersionUID = 1L;
    
        @Override
        public Long createAccumulator() {
          return 0L;
        }
    
        @Override
        public Long add(SubOrderDetail value, Long acc) {
          return acc + value.getQuantity();
        }
    
        @Override
        public Long getResult(Long acc) {
          return acc;
        }
    
        @Override
        public Long merge(Long acc1, Long acc2) {
          return acc1 + acc2;
        }
      }
    
    
      public static final class MerchandiseSalesWindowFunc
        implements WindowFunction<Long, Tuple2<Long, Long>, Tuple, TimeWindow> {
        private static final long serialVersionUID = 1L;
    
        @Override
        public void apply(
          Tuple key,
          TimeWindow window,
          Iterable<Long> accs,
          Collector<Tuple2<Long, Long>> out) throws Exception {
          long merchId = ((Tuple1<Long>) key).f0;
          long acc = accs.iterator().next();
          out.collect(new Tuple2<>(merchId, acc));
        }
      }

既然数据最终都要落到Redis，那么我们完全没必要在Flink端做Top N的统计，直接利用Redis的有序集合（zset）就行了，商品ID作为field，销量作为分数值，简单方便。不过flink-redis-connector项目中默认没有提供ZINCRBY命令的实现（必须再吐槽一次），我们可以自己加，步骤参照之前写过的那篇加SETEX的命令的文章，不再赘述。RedisMapper的写法如下。

public static final class RankingRedisMapper implements RedisMapper<Tuple2<Long, Long>> {
        private static final long serialVersionUID = 1L;
        private static final String ZSET_NAME_PREFIX = "RT:DASHBOARD:RANKING:";
    
        @Override
        public RedisCommandDescription getCommandDescription() {
          return new RedisCommandDescription(RedisCommand.ZINCRBY, ZSET_NAME_PREFIX);
        }
    
        @Override
        public String getKeyFromData(Tuple2<Long, Long> data) {
          return String.valueOf(data.f0);
        }
    
        @Override
        public String getValueFromData(Tuple2<Long, Long> data) {
          return String.valueOf(data.f1);
        }
    
        @Override
        public Optional<String> getAdditionalKey(Tuple2<Long, Long> data) {
          return Optional.of(
            ZSET_NAME_PREFIX +
            new LocalDateTime(System.currentTimeMillis()).toString(Consts.TIME_DAY_FORMAT) + ":" +
            "MERCHANDISE"
          );
        }
      }

后端取数时，用ZREVRANGE命令即可取出指定排名的数据了。只要数据规模不是大到难以接受，并且有现成的Redis，这个方案完全可以作为各类Top N需求的通用实现。

# The End #

大屏的实际呈现需要保密，截图自然是没有的。以下是提交执行时Flink Web UI给出的执行计划（实际有更多的统计任务，不止3个Sink）。通过复用源数据，可以在同一个Flink job内实现更多统计需求。

![format_png 2][]

————  e n d ————
    推荐阅读1. 阿里宣布无限期延迟复工2. 40 道 Java 多线程面试题及答案3. 安利一款 IDEA 中强大的代码生成利器4. 如何获取靠谱的新型冠状病毒疫情

[format_png]: /images/20210730/1a24cf05451d4981a14137733e1e0b9b.png
[format_png 1]: /images/20210730/336de042325e4506b369eda533e30988.png
[17 _ Kafka_RabbitMQ_RocketMQ_ActiveMQ]: http://mp.weixin.qq.com/s?__biz=MzAxMjEwMzQ5MA%3D%3D&chksm=8fb549ffb8c2c0e904af83dc6840743ff545d03ea0e85016a331ba2a3c655a696db50c241a7c&idx=2&mid=2448888786&scene=21&sn=8a2d113b82390ef16fb4c4b3698eecc9#wechat_redirect
[format_png 2]: /images/20210730/f6a90acc1e6045e3a81e4c538fe35a94.png