Flink去重第一弹:MapState去重

水深无声 2023-06-24 11:25 96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

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

分组数据

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

主流程

  1. val env=StreamExecutionEnvironment.getExecutionEnvironment
  2. env.setStreamTimeCharacteristic(TimeCharacteristic.EventTime)
  3. val kafkaConfig=new Properties()
  4. kafkaConfig.put(ConsumerConfig.BOOTSTRAP_SERVERS_CONFIG,"localhost:9092")
  5. kafkaConfig.put(ConsumerConfig.GROUP_ID_CONFIG,"test1")
  6. val consumer=new FlinkKafkaConsumer[String]("topic1",new SimpleStringSchema,kafkaConfig)
  7. val ds=env.addSource(consumer)
  8. .map(x=>{
  9. val s=x.split(",")
  10. AdData(s(0).toInt,s(1),s(2).toLong)
  11. }).assignTimestampsAndWatermarks(new BoundedOutOfOrdernessTimestampExtractor[AdData](Time.minutes(1)) {
  12. override def extractTimestamp(element: AdData): Long = element.time
  13. })
  14. .keyBy(x=>{
  15. val endTime= TimeWindow.getWindowStartWithOffset(x.time, 0,
  16. Time.hours(1).toMilliseconds) + Time.hours(1).toMilliseconds
  17. AdKey(x.id,endTime)
  18. })

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。

  1. class Distinct1ProcessFunction extends KeyedProcessFunction[AdKey, AdData, Void] {
  2. var devIdState: MapState[String, Int] = _
  3. var devIdStateDesc: MapStateDescriptor[String, Int] = _
  4. var countState: ValueState[Long] = _
  5. var countStateDesc: ValueStateDescriptor[Long] = _
  6. override def open(parameters: Configuration): Unit = {
  7. devIdStateDesc = new MapStateDescriptor[String, Int]("devIdState", TypeInformation.of(classOf[String]), TypeInformation.of(classOf[Int]))
  8. devIdState = getRuntimeContext.getMapState(devIdStateDesc)
  9. countStateDesc = new ValueStateDescriptor[Long]("countState", TypeInformation.of(classOf[Long]))
  10. countState = getRuntimeContext.getState(countStateDesc)
  11. }
  12. override def processElement(value: AdData, ctx: KeyedProcessFunction[AdKey, AdData, Void]#Context, out: Collector[Void]): Unit = {
  13. val currW=ctx.timerService().currentWatermark()
  14. if(ctx.getCurrentKey.time+1<=currW) {
  15. println("late data:" + value)
  16. return
  17. }
  18. val devId = value.devId
  19. devIdState.get(devId) match {
  20. case 1 => {
  21. //表示已经存在
  22. }
  23. case _ => {
  24. //表示不存在
  25. devIdState.put(devId, 1)
  26. val c = countState.value()
  27. countState.update(c + 1)
  28. //还需要注册一个定时器
  29. ctx.timerService().registerEventTimeTimer(ctx.getCurrentKey.time + 1)
  30. }
  31. }
  32. println(countState.value())
  33. }
  34. override def onTimer(timestamp: Long, ctx: KeyedProcessFunction[AdKey, AdData, Void]#OnTimerContext, out: Collector[Void]): Unit = {
  35. println(timestamp + " exec clean~~~")
  36. println(countState.value())
  37. devIdState.clear()
  38. countState.clear()
  39. }
  40. }

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

  1. val currW=ctx.timerService().currentWatermark()
  2. if(ctx.getCurrentKey.time+1<=currW){
  3. println("late data:" + value)
  4. return
  5. }

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

发表评论

表情:
评论列表 (有 0 条评论,96人围观)

还没有评论,来说两句吧...

相关阅读

    相关 flink sql

    消沉了一段时间,但是生活还是要继续的。 一直以来收集的数据都有重复的情况,flink sql如何去重呢? 1、 distinct统计 对devId去重

    相关 Flink第一:MapState

    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