使用Blink SQL+UDAF实现差值聚合计算
Posted
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了使用Blink SQL+UDAF实现差值聚合计算相关的知识，希望对你有一定的参考价值。
本案例根据某电网公司的真实业务需求，通过Blink SQL+UDAF实现实时流上的差值聚合计算，通过本案例，让读者熟悉UDAF编写，并理解UDAF中的方法调用关系和顺序。
感谢@军长在实现过程中的指导。笔者水平有限，若有纰漏，请批评指出。
一、客户需求
电网公司每天采集各个用户的电表数据（格式如下表），其中data_date为电表数据上报时间，cons_id为电表id，r1为电表度数，其他字段与计算逻辑无关，可忽略。为了后续演示方便，仅输入cons_id=100000002的数据。
no(string) | data_date(string) | cons_id(string) | org_no(string) | r1(double) |
101 | 20190716 | 100000002 | 35401 | 13.76 |
101 | 20190717 | 100000002 | 35401 | 14.12 |
101 | 20190718 | 100000002 | 35401 | 16.59 |
101 | 20190719 | 100000002 | 35401 | 18.89 |
表1：输入数据
电网公司希望通过实时计算（Blink）对电表数据处理后，每天得到每个电表最近两天（当天和前一天）的差值数据，结果类似如下表：
cons_id(string) | data_date(string) | subDegreeR1(double) |
100000002 | 20190717 | 0.36 |
100000002 | 20190718 | 2.47 |
100000002 | 20190719 | 2.3 |
表2：期望的输出数据
二、需求分析
根据客户的需求，比较容易得到两种解决方案：1、通过over窗口（2 rows over window）开窗进行差值聚合；2、通过hop窗口（sliding=1天，size=2天）进行差值聚合。
over窗口和hop窗口均是Blink支持的标准窗口，使用起来非常简单。本需求的最大难点在于差值聚合，Blink支持SUM、MAX、MIN、AVG等内置的聚合函数，但没有满足业务需求的差值聚合函数，因此需要通过自定义聚合函数（UDAF）来实现。
三、UDAF开发
实时计算自定义函数开发搭建环境请参考UDX概述(help.aliyun.com/document_de…)，在此不再赘述。本案例使用Blink2.2.7版本，下面简要描述关键代码的编写。
完整代码（为了方便上传，使用了txt格式）：SubtractionUdaf.txt1、在com.alibaba.blink.sql.udx.SubtractionUdaf包中创建一个继承AggregateFunction类的SubtractionUdaf类。
public class SubtractionUdaf extends AggregateFunction<Double, SubtractionUdaf.Accum>
其中Double是UDAF输出的类型，在本案例中为相邻两天的电表差值度数。SubtractionUdaf.Accum是内部自定义的accumulator数据结构。
2、定义accumulator数据结构，用户保存UDAF的状态。
public static class Accum
private long currentTime;//最新度数的上报时间
private double oldDegree;//前一次度数
private double newDegree;//当前最新度数
private long num; //accumulator中已经计算的record数量，主要用于merge
private List<Tuple2<Double, Long>> listInput;//缓存所有的输入，主要用于retract
3、实现createAccumulator方法，初始化UDAF的accumulator
//初始化udaf的accumulator
public SubtractionUdaf.Accum createAccumulator()
SubtractionUdaf.Accum acc = new SubtractionUdaf.Accum();
acc.currentTime = 0;
acc.oldDegree = 0.0;
acc.newDegree = 0.0;
acc.num = 0;
acc.listInput = new ArrayList<Tuple2<Double, Long>>();
return acc;
4、实现getValue方法，用于通过存放状态的accumulator计算UDAF的结果，本案例需求是计算新旧数据两者的差值。
public Double getValue(SubtractionUdaf.Accum accumulator)
return accumulator.newDegree - accumulator.oldDegree;
5、实现accumulate方法，用于根据输入数据更新UDAF存放状态的accumulator。考虑到数据可能乱序以及可能的retract，数据数据包括了对应的度数iValue，还包括上报度数的时间（构造的事件时间ts）。
public void accumulate(SubtractionUdaf.Accum accumulator, double iValue, long ts)
System.out.println("method : accumulate" );
accumulator.listInput.add(Tuple2.of(Double.valueOf(iValue),Long.valueOf(ts)));
Collections.sort(accumulator.listInput,this.comparator);//按照时间排序
accumulator.num ++;
if(accumulator.listInput.size() == 1)
accumulator.newDegree = iValue;
accumulator.oldDegree = 0.0;
accumulator.currentTime = ts;
else //处理可能存在的数据乱序问题
accumulator.newDegree = accumulator.listInput.get(0).f0;
accumulator.currentTime = accumulator.listInput.get(0).f1;
accumulator.oldDegree = accumulator.listInput.get(1).f0;
其中accumulator为UDAF的状态，iValue和ts为实际的输入数据。
注意需要处理可能存在的输入数据乱序问题。
6、实现retract方法，用于在某些优化场景下（如使用over窗口）对retract的数据进行处理。
public void retract(SubtractionUdaf.Accum accumulator, double iValue, long ts) throws Exception
if(accumulator.listInput.contains(Tuple2.of(iValue, ts)))
if(accumulator.listInput.indexOf(Tuple2.of(iValue, ts)) == 0)//retract的是最新值
accumulator.listInput.remove(0);
accumulator.num--;
if(accumulator.listInput.isEmpty())
accumulator.currentTime = 0;
accumulator.oldDegree = 0.0;
accumulator.newDegree = 0.0;
else if(accumulator.listInput.size() == 1)
accumulator.currentTime = accumulator.listInput.get(0).f1;
accumulator.newDegree = accumulator.listInput.get(0).f0;
accumulator.oldDegree = 0.0;
else
accumulator.currentTime = accumulator.listInput.get(0).f1;
accumulator.newDegree = accumulator.listInput.get(0).f0;
accumulator.oldDegree = accumulator.listInput.get(1).f0;
else if(accumulator.listInput.indexOf(Tuple2.of(iValue, ts)) == 1)//retract的是次新值
accumulator.listInput.remove(1);
accumulator.num--;
if(accumulator.listInput.size() == 1)
accumulator.oldDegree = 0.0;
else
accumulator.oldDegree = accumulator.listInput.get(1).f0;
else //retract的是其他值
accumulator.listInput.remove(Tuple2.of(iValue, ts));
accumulator.num--;
else
throw new Exception("Cannot retract a unexist record : iValue = "+ iValue + "timestamp = "+ ts);
需要考虑retract的是最新的数据还是次新的数据，需要不同的逻辑处理。
7、实现merge方法，用于某些优化场景（如使用hop窗口）。
public void merge(SubtractionUdaf.Accum accumulator, Iterable<SubtractionUdaf.Accum> its)
int i = 0;
System.out.println("method : merge" );
System.out.println("accumulator : "+ accumulator.newDegree);
System.out.println("accumulator : "+ accumulator.currentTime);
for (SubtractionUdaf.Accum entry : its)
if(accumulator.currentTime < entry.currentTime)
if(entry.num > 1)
accumulator.currentTime = entry.currentTime;
accumulator.oldDegree = entry.oldDegree;
accumulator.newDegree = entry.newDegree;
accumulator.num += entry.num;
accumulator.listInput.addAll(entry.listInput);
else if(entry.num == 1)
accumulator.currentTime = entry.currentTime;
accumulator.oldDegree = accumulator.newDegree;
accumulator.newDegree = entry.newDegree;
accumulator.num ++;
accumulator.listInput.addAll(entry.listInput);
else
if(accumulator.num > 1)
accumulator.num += entry.num;
accumulator.listInput.addAll(entry.listInput);
else if(accumulator.num == 1)
accumulator.oldDegree = entry.newDegree;
accumulator.num += entry.num;
accumulator.listInput.addAll(entry.listInput);
else if(accumulator.num == 0)
accumulator.currentTime = entry.currentTime;
accumulator.oldDegree = entry.oldDegree;
accumulator.newDegree = entry.newDegree;
accumulator.num = entry.num;
accumulator.listInput.addAll(entry.listInput);
Collections.sort(accumulator.listInput,this.comparator);
System.out.println("merge : "+i);
System.out.println("newDegree : "+entry.newDegree);
System.out.println("oldDegree = "+entry.oldDegree);
System.out.println("currentTime : "+entry.currentTime);
需要考虑merge的是否是比当前新的数据，需要不同的处理逻辑。
8、其他方面，考虑到需要对输入度数按照事件时间排序，在open方法中实例化了自定义的Comparator类，对accumulator数据结构中的inputList按事件时间的降序排序。
public void open(FunctionContext context) throws Exception
//定义record的先后顺序，用于listInput的排序，时间越新的record在list中越前面
this.comparator = new Comparator<Tuple2<Double, Long>>()
public int compare( Tuple2<Double, Long> o1, Tuple2<Double, Long> o2)
if (Long.valueOf(o1.f1) < Long.valueOf(o2.f1))
return 1;
else if (Long.valueOf(o1.f1) > Long.valueOf(o2.f1))
return -1;
else
return 0;
;
请参考使用IntelliJ IDEA开发自定义函数完成UDAF编译、打包，并参考UDX概述完成资源的上传和引用。
四、SQL开发及测试结果
（一）over窗口
SQL代码如下，语法检查、上线、启动作业（选择当前启动位点）。并将表1数据上传至datahub。
CREATE FUNCTION OverWindowSubtractionUdaf as com.alibaba.blink.sql.udx.SubtractionUdaf;
CREATE TABLE input_dh_e_mp_read_curve (
`no` VARCHAR,
data_date VARCHAR,
cons_id VARCHAR,
org_no VARCHAR,
r1 DOUBLE,
ts as TO_TIMESTAMP(concat(data_date,000000),yyyyMMddHHmmss)
,WATERMARK wk FOR ts as withOffset(ts, 2000)
) WITH (
type = datahub,
endPoint = http://dh-cn-shanghai.aliyun-inc.com,
roleArn=acs:ram::XXX:role/aliyunstreamdefaultrole,
project = jszc_datahub,
topic = input_dh_e_mp_read_curve
);
CREATE TABLE data_out(
cons_id varchar
,data_date varchar
,subDegreeR1 DOUBLE
)with(
type = print
);
INSERT into data_out
SELECT
cons_id
,last_value(data_date) OVER (
PARTITION BY cons_id
ORDER BY ts
ROWS BETWEEN 1 preceding AND CURRENT ROW) as data_date
,OverWindowSubtractionUdaf(r1,unix_timestamp(ts)) OVER (
PARTITION BY cons_id
ORDER BY ts
ROWS BETWEEN 1 preceding AND CURRENT ROW) as data_date
FROM input_dh_e_mp_read_curve
由于使用了print connector，从对应的sink的taskmanager.out日志中可以查看到输出如下（已忽略其他debug日志）：
task-1> (+)100000002,20190716,13.76
task-1> (+)100000002,20190717,0.35999999999999943
task-1> (+)100000002,20190718,2.4700000000000006
对比期望输出（表2），20190717和20190718两个窗口的数据均正确，表明业务逻辑正确，但此输出与期望输出有少许差异：
（1）20190716输出为13.76，这是因为第一个over窗口只有一条数据导致的，这种数据可以在业务层过滤掉；
（2）20190719的数据没有输出，这是因为我们设置了watermark，测试环境下20190719之后没有数据进来触发20190719对应的窗口的结束。
（二）hop窗口
SQL代码如下：语法检查、上线、启动作业（选择当前启动位点）。并将表1数据上传至datahub。
CREATE FUNCTION HopWindowSubtractionUdaf as com.alibaba.blink.sql.udx.SubtractionUdaf;
CREATE TABLE input_dh_e_mp_read_curve (
`no` VARCHAR,
data_date VARCHAR,
cons_id VARCHAR,
org_no VARCHAR,
r1 DOUBLE,
ts as TO_TIMESTAMP(concat(data_date,000000),yyyyMMddHHmmss)
,WATERMARK wk FOR ts as withOffset(ts, 2000)
) WITH (
type = datahub,
endPoint = http://dh-cn-shanghai.aliyun-inc.com,
roleArn=acs:ram::XXX:role/aliyunstreamdefaultrole,
project = jszc_datahub,
topic = input_dh_e_mp_read_curve
);
CREATE TABLE data_out(
cons_id varchar
,data_date varchar
,subDegreeR1 DOUBLE
)with(
type = print
);
INSERT into data_out
SELECT
cons_id
,DATE_FORMAT(HOP_end(ts, INTERVAL 1 day,INTERVAL 2 day), yyyyMMdd)
,HopWindowSubtractionUdaf(r1,unix_timestamp(ts))
FROM input_dh_e_mp_read_curve
group by hop(ts, INTERVAL 1 day,INTERVAL 2 day),cons_id;
由于使用了print connector，从对应的sink的taskmanager.out日志中可以查看到输出如下（已忽略其他debug日志）：
task-1> (+)100000002,20190716,13.76
task-1> (+)100000002,20190717,0.35999999999999943
task-1> (+)100000002,20190718,2.4700000000000006
对比期望输出（表2），20190717和20190718两个窗口的数据均正确，表明业务逻辑正确，但此输出与期望输出有少许差异：
（1）20190716输出为13.76，这是因为第一个hop窗口只有一条数据导致的，这种数据可以在业务层过滤掉；
（2）20190719的数据没有输出，这是因为我们设置了watermark，测试环境下20190719之后没有数据进来触发20190719对应的窗口的结束。
五、几点思考
1、关于UDAF内部方法的调用关系和顺序
UDAF中主要有createAccumulator、getValue、accumulate、retract和merge方法，其调用关系和顺序并不是完全确定，而是与Blink底层优化、Blink版本、开窗类型（如hop还是over窗口）等相关。
比较确定的是一次正常（没有failover）的作业，createAccumulator方法只在作业启动时调用一次，accumulate方法在每条数据输入时调用一次，在触发数据输出时会调用一次getValue（并不代表只调用一次）。
而retract方法和merge方法则跟具体的优化方式或开窗类型有关，本案例中over窗口调用retract方法而不调用merge方法，hop窗口调用merge方法而不调用retract方法。
大家可以增加日志，观察这几个方法的调用顺序，还是蛮有意思的。
2、如何知道需要实现UDAF中的哪些方法
UDAF中必须实现createAccumulator、getValue、accumulate方法，可选择实现retract和merge方法。
一般情况下，可先实现createAccumulator、getValue、accumulate三个方法，然后编写SQL后进行语法检查，SQL编译器会提示是否需要retract或merge方法。
比如，如果没有实现retract方法，在使用over窗口时，语法检查会报类似如下错误：
org.apache.flink.table.api.ValidationException: Function class com.alibaba.blink.sql.udx.SubtractionUdaf does not implement at least one method named retract which is public, not abstract and (in case of table functions) not static.
比如，如果没有实现merge方法，在使用over窗口时，语法检查会报类似如下错误：
org.apache.flink.table.api.ValidationException: Function class com.alibaba.blink.sql.udx.SubtractionUdaf does not implement at least one method named merge which is public, not abstract and (in case of table functions) not static.
3、本案例存在优化空间的地方
（1）本案例没有考虑数据缺失的问题，比如因为某种原因（网络问题、数据采集问题等）缺少20190717的数据。这种情况下会是什么样的结果？大家可以自行测试下；
（2）本案例使用了一个List，然后通过Collections.sort方法进行排序，这不是很优的方法，如果用优先级队列（priority queue）性能应该会更好；
以上是关于使用Blink SQL+UDAF实现差值聚合计算的主要内容，如果未能解决你的问题，请参考以下文章
第十章 SQL聚合函数 STDDEV, STDDEV_SAMP, STDDEV_POP