Flink去重第一弹:MapState去重

Posted 2021-03-16 pucheung

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.  

4. val kafkaConfig=new Properties()

5. kafkaConfig.put(ConsumerConfig.BOOTSTRAP_SERVERS_CONFIG,"localhost:9092")

6. kafkaConfig.put(ConsumerConfig.GROUP_ID_CONFIG,"test1")

7. val consumer=new FlinkKafkaConsumer[String]("topic1",new SimpleStringSchema,kafkaConfig)

8. val ds=env.addSource(consumer)

9. .map(x=>{

10. val s=x.split(",")

11. AdData(s(0).toInt,s(1),s(2).toLong)

12. }).assignTimestampsAndWatermarks(new BoundedOutOfOrdernessTimestampExtractor[AdData](Time.minutes(1)) {

13. override def extractTimestamp(element: AdData): Long = element.time

14. })

15. .keyBy(x=>{

16. val endTime= TimeWindow.getWindowStartWithOffset(x.time, 0,

17. Time.hours(1).toMilliseconds) + Time.hours(1).toMilliseconds

18. AdKey(x.id,endTime)

19. })

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.  

5. var countState: ValueState[Long] = _

6. var countStateDesc: ValueStateDescriptor[Long] = _

7.  

8. override def open(parameters: Configuration): Unit = {

9.  

10. devIdStateDesc = new MapStateDescriptor[String, Int]("devIdState", TypeInformation.of(classOf[String]), TypeInformation.of(classOf[Int]))

11. devIdState = getRuntimeContext.getMapState(devIdStateDesc)

12.  

13. countStateDesc = new ValueStateDescriptor[Long]("countState", TypeInformation.of(classOf[Long]))

14. countState = getRuntimeContext.getState(countStateDesc)

15. }

16.  

17. override def processElement(value: AdData, ctx: KeyedProcessFunction[AdKey, AdData, Void]#Context, out: Collector[Void]): Unit = {

18.  

19. val currW=ctx.timerService().currentWatermark()

20. if(ctx.getCurrentKey.time+1<=currW) {

21. println("late data:" + value)

22. return

23. }

24.  

25. val devId = value.devId

26. devIdState.get(devId) match {

27. case 1 => {

28. //表示已经存在

29. }

30. case _ => {

31. //表示不存在

32. devIdState.put(devId, 1)

33. val c = countState.value()

34. countState.update(c + 1)

35. //还需要注册一个定时器

36. ctx.timerService().registerEventTimeTimer(ctx.getCurrentKey.time + 1)

37. }

38. }

39. println(countState.value())

40. }

41.  

42. override def onTimer(timestamp: Long, ctx: KeyedProcessFunction[AdKey, AdData, Void]#OnTimerContext, out: Collector[Void]): Unit = {

43. println(timestamp + " exec clean~~~")

44. println(countState.value())

45. devIdState.clear()

46. countState.clear()

47. }

48. }

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。