Flink 并行流中 watermark 机制无法触发窗口计算的原因分析

场景描述

Kafka Source 接收并处理来自 Kafka 的点击数据(指定事件时间)，开一个滚动窗口(Tumble Windows) 每 10 秒统计一次 pv 并将结果输出到 Print Sink 中。

CREATE TABLE sourceTable (
    message STRING,
    time_ltz AS TO_TIMESTAMP_LTZ(CAST(JSON_VALUE(JSON_VALUE(message, '$.request_body'),'$.clickTime') AS INTEGER),0),
    WATERMARK FOR time_ltz AS time_ltz - INTERVAL '3' SECOND
) WITH (
    'connector' = 'kafka',
    'topic' = 'matrix_json_click_log_test',
    'properties.bootstrap.servers' = 'xxxxxxxxx:9527',
    'properties.group.id' = 'flinkTestGroup',
    'scan.startup.mode' = 'latest-offset',
    'format' = 'json'
);

CREATE TABLE sinkTable (
    window_start TIMESTAMP(3),
    window_end TIMESTAMP(3),
    click_pv BIGINT
)
WITH (
    'connector' = 'print'
);

INSERT INTO sinkTable(
window_start,
window_end,
click_pv
)
select window_start,window_end,COUNT(*)
 FROM TABLE (
 TUMBLE( TABLE sourceTable, DESCRIPTOR(time_ltz) ,  INTERVAL '10' SECOND))
 GROUP BY window_start, window_end;

运行以上的 FlinkSQL 后观察发现数据流正常，但是一直没能触发窗口计算，没有结果输出。

watermark

watermark 是用于处理乱序事件的。流处理从事件产生，到流经source，再到operator，中间是有一个过程和时间的。虽然大部分情况下流到 operator 的数据都是按照事件产生的时间顺序来的，但是也不排除由于网络等原因导致部分数据延迟到达，产生乱序。对于迟到的数据我们又不能无限期地等待下去，因此需要有个衡量事件时间进度的机制来保证一个特定的时间后必须触发 window 进行计算，这个特别的机制就是 watermark。

并行流中的 watermark

在 多并行度的情况下，source 的每个 sub task 通常独立生成水印。watermark 通过 operator 时会推进 operators 处的当前 event time，同时 operators 会为下游生成一个新的 watermark。多并行度的情况下 watermark对齐会取所有 channel 最小的 watermark。

并行流中的 watermark

原因分析

由于目标 Topic 只有一个分区而 source 并行度设置为 2 ，这导致了只有一个线程可以处理该分区而另一个线程获取不到数据，因此一直没能获取最小的 watermark。最终导致一直无法触发窗口计算。

解决方案

可通过手动设置并行度来解决，保证 source 并行度 <= 目标 Topic Partition 分区数。这里将 source 并行度设置为 1 之后便可正常输出结果。

并行度设置为 1

正常输出

网站栏目：Flink 并行流中 watermark 机制无法触发窗口计算的原因分析
本文链接：http://www.shufengxianlan.com/qtweb/news24/364624.html

网站建设、网络推广公司-创新互联，是专注品牌与效果的网站制作，网络营销seo公司；服务项目有等

广告

声明：本网站发布的内容（图片、视频和文字）以用户投稿、用户转载内容为主，如果涉及侵权请尽快告知，我们将会在第一时间删除。文章观点不代表本网站立场，如需处理请联系客服。电话：028-86922220；邮箱：631063699@qq.com。内容未经允许不得转载，或转载时需注明来源： 创新互联