窗口实战:TUMBLE、HOP、SESSION
- 1.TUMBLE WINDOW
- 1.1 语法
- 1.2 标识函数
- 1.3 模拟用例
- 2.HOP WINDOW
- 2.1 语法
- 2.2 标识函数
- 2.3 模拟用例
- 3.SESSION WINDOW
- 3.1 语法
- 3.2 标识函数
- 3.3 模拟用例
- 4.更多说明
在流式计算中,流通常是无穷无尽的,我们无法知道什么时候数据源会继续 / 停止发送数据,所以在流上处理聚合事件(count
、sum
等)的处理方式与批处理中的处理方式会有所差异。在流上一般用窗口(Window)来限定聚合的范围,例如 “过去 2 分钟网站点击量的计数”、“在最近 100 个人中点赞这个视频的总人数”。窗口的概念相当于帮我们收集了一张有限数据的动态表,我们可以对表中的数据进行聚合计算。
窗口函数是一种特殊的函数,它并不在 SELECT
的投影列表中使用,而是在 GROUP BY
子句中使用。
1.TUMBLE WINDOW
TUMBLE WINDOW(滚动窗口)将每个进入的数据分配到一个指定窗口大小的窗口中。滚动窗口可以自定义固定的大小,并且不会出现重叠。我们可以对窗口内的数据进行计算。
1.1 语法
TUMBLE(time_attr, interval)
time_attr
:表示 时间戳字段,表示每条记录被处理的时间戳。如果指定为 PROCTIME 是自动生成的时间戳,记录了数据被 Flink 处理的时刻,一般用在 Processing Time 模式下。interval
:用来设置 窗口大小。例如,设置为 1 天:INTERVAL '1' DAY
;设置为 2 小时:INTERVAL '2' HOUR
。
- 如果在 Event Time 时间模式下(使用
WATERMARK FOR
语句定义了时间戳字段),那么 TUMBLE、HOP、SESSION 窗口函数的第一个参数必须为该字段。- 如果在 Processing Time 时间模式下,则 TUMBLE、HOP、SESSION 窗口函数的第一个参数必须为
proctime()
函数生成的计算列,下文用 PROCTIME 举例,请在实际作业中替换为实际的列名。
1.2 标识函数
|
|
---|---|
TUMBLE_START(time-attr, size-interval) | 返回窗口的起始时间(包含边界)。例如 [00:10, 00:15) 窗口,返回 00:10 。 |
TUMBLE_END(time-attr, size-interval) | 返回窗口的结束时间(包含边界)。例如 [00:00, 00:15] 窗口,返回 00:15 。 |
TUMBLE_ROWTIME(time-attr, size-interval) | 返回窗口的结束时间(不包含边界)。例如[00:00, 00:15] 窗口,返回 00:14:59.999 。返回值是一个 rowtime attribute ,即可以基于该字段做时间属性的操作。 |
TUMBLE_PROCTIME(time-attr, size-interval) | 返回窗口的结束时间(不包含边界)。例如 [00:00, 00:15] 窗口,返回00:14:59.999 。返回值是一个 proctime attribute ,即可以基于该字段做时间属性的操作。 |
1.3 模拟用例
下文以 TUMBLE WINDOW 为例,帮助您更容易地理解 TUMBLE WINDOW。使用 Event Time 模拟统计 每小时各用户收入金额。
示例数据:
username(VARCHAR) | income(BIGINT) | times(TIMESTAMP) |
---|---|---|
Tom | 20 | 2021-11-11 10:30:00.0 |
Jack | 10 | 2021-11-11 10:35:00.0 |
Tom | 10 | 2021-11-11 10:35:00.0 |
Tom | 10 | 2021-11-11 10:40:00.0 |
Tom | 15 | 2021-11-11 11:30:00.0 |
Jack | 10 | 2021-11-11 11:30:00.0 |
Jack | 15 | 2021-11-11 11:40:00.0 |
CREATE TABLE user_income (
username VARCHAR,
income INT,
times TIMESTAMP(3),
WATERMARK FOR times AS times - INTERVAL '3' SECOND
) WITH (
'connector' = 'filesystem',
'path' = 'input/sales01.csv',
'format' = 'csv'
);
CREATE TABLE output (
win_start TIMESTAMP,
win_end TIMESTAMP,
username VARCHAR,
hour_income BIGINT
) WITH (
'connector' = 'print'
);
INSERT INTO output
SELECT
TUMBLE_START(times,INTERVAL '1' HOUR),
TUMBLE_END(times,INTERVAL '1' HOUR),
username,
SUM(income)
FROM user_income
GROUP BY TUMBLE(times,INTERVAL '1' HOUR),username;
2.HOP WINDOW
HOP WINDOW(滑动窗口)将元素分配到固定长度的窗口中,与滚动窗口类似,窗口的大小由窗口大小参数来配置,另一个窗口滑动参数控制滑动窗口开始的频率。
HOP WINDOW 保持窗口大小(Size)不变,每次滑动指定的时间周期(Slide),因而允许窗口之间的相互重叠。
Slide 的大小决定了 Flink 创建新窗口的频率。
- 当 Slide 小于 Size 时,相邻窗口会重叠,一个时间会被分配到多个窗口。
- 当 Slide 大于 Size 时,可能会导致有些事件被丢弃。
- 当 Slide 等于 Size 时,等于是 TUMBLE WINDOW。
2.1 语法
HOP(time_attr, sliding_interval, window_size_interval)
time_attr
:表示 时间戳字段,表示每条记录被处理的时间戳。如果指定为 PROCTIME 是自动生成的时间戳,记录了数据被 Flink 处理的时刻,一般用在 Processing Time 模式下。sliding_interval
:用来设置 滑动时间周期大小。例如,设置为 1 天:INTERVAL '1' DAY
;设置为 2 小时:INTERVAL '2' HOUR
。window_size_interval
:用来设置 窗口大小。例如,设置为 1 天:INTERVAL '1' DAY
;设置为 2 小时:INTERVAL '2' HOUR
。
2.2 标识函数
|
|
---|---|
HOP_START(time-attr, slide-interval,size-interval) | 返回该窗口的起始时间 |
HOP_END(time-attr, slide-interval,size-interval) | 返回该窗口的结束时间 |
2.3 模拟用例
下文以 HOP WINDOW 为例,帮助您更容易地理解 HOP WINDOW。使用 Event Time 模拟统计每小时各用户收入金额,1 小时的窗口,30 分钟滑动一次。
示例数据:
username(VARCHAR) | income(BIGINT) | times(TIMESTAMP) |
---|---|---|
Tom | 20 | 2021-11-11 10:30:00.0 |
Jack | 10 | 2021-11-11 10:35:00.0 |
Tom | 10 | 2021-11-11 10:35:00.0 |
Tom | 10 | 2021-11-11 10:40:00.0 |
Tom | 15 | 2021-11-11 11:35:00.0 |
Jack | 10 | 2021-11-11 11:30:00.0 |
Jack | 15 | 2021-11-11 11:40:00.0 |
CREATE TABLE user_income (
username VARCHAR,
Income INT,
times TIMESTAMP(3),
WATERMARK FOR times AS times - INTERVAL '3' MINUTE
) WITH (
'connector' = 'filesystem',
'path' = 'input/sales02.csv',
'format' = 'csv'
);
CREATE TABLE output (
win_start TIMESTAMP,
win_end TIMESTAMP,
username VARCHAR,
hour_income BIGINT
) WITH (
'connector' = 'print'
);
INSERT INTO output
SELECT
HOP_START(times,INTERVAL '30' MINUTE,INTERVAL '1' HOUR),
HOP_END(times,INTERVAL '30' MINUTE,INTERVAL '1' HOUR),
username,
SUM(income)
FROM user_income
GROUP BY HOP(times,INTERVAL '30' MINUTE,INTERVAL '1' HOUR),username;
3.SESSION WINDOW
SESSION WINDOW(会话窗口)通过 Session 活动对元素进行分组,Session 窗口与滚动窗口和滑动窗口相比,不会有重叠和固定的开始时间和结束时间的情况,相反,当它在一个固定的时间周期内不再收到元素,即非活动间隔产生,那个这个窗口就会关闭。一个 Session 窗口通过一个 sSession 间隔来配置。这个 Session 间隔定义了非活跃周期的长度,当这个非活跃周期产生,那么当前的 Session 将关闭并且后续的元素将被分配到新的 Session 窗口中。
Session Window 并非以长度来划分窗口,而是以 非活跃时间 来划分。例如超过 30 分钟不活跃(没有新数据),则之前的窗口结束,下一个来到的数据将会形成一个新窗口。
3.1 语法
SESSION(time_attr, interval)
time_attr
:表示 时间戳字段,表示每条记录被处理的时间戳。如果指定为 PROCTIME 是自动生成的时间戳,记录了数据被 Flink 处理的时刻,一般用在 Processing Time 模式下。interval
:用来设置 窗口大小。例如,设置为 1 天:INTERVAL '1' DAY
;设置为 2 小时:INTERVAL '2' HOUR
。
3.2 标识函数
|
|
---|---|
SESSION_START(time-attr, size-interval) | 返回该窗口的起始时间 |
SESSION_END(time-attr, size-interval) | 返回该窗口的结束时间 |
3.3 模拟用例
下文以 SESSION WINDOW 为例,帮助您更容易地理解 SESSION WINDOW。使用 Event Time 模拟统计每小时各用户收入金额,会话超时时长为 30 分钟。
样例数据:
username(VARCHAR) | income(BIGINT) | times(TIMESTAMP) |
---|---|---|
Tom | 20 | 2021-11-11 10:30:00.0 |
Jack | 10 | 2021-11-11 10:35:00.0 |
Tom | 10 | 2021-11-11 10:35:00.0 |
Tom | 10 | 2021-11-11 10:40:00.0 |
Tom | 15 | 2021-11-11 11:50:00.0 |
Jack | 10 | 2021-11-11 11:40:00.0 |
Jack | 15 | 2021-11-11 11:45:00.0 |
CREATE TABLE user_income (
username VARCHAR,
income INT,
times TIMESTAMP(3),
WATERMARK FOR times AS times - INTERVAL '3' MINUTE
) WITH (
'connector' = 'filesystem',
'path' = 'input/sales03.csv',
'format' = 'csv'
);
CREATE TABLE output (
win_start TIMESTAMP,
win_end TIMESTAMP,
username VARCHAR,
hour_income BIGINT
) WITH (
'connector' = 'print'
);
INSERT INTO output
SELECT
SESSION_START(times,INTERVAL '30' MINUTE),
SESSION_END(times,INTERVAL '30' MINUTE),
username,
SUM(income)
FROM user_income
GROUP BY SESSION(times,INTERVAL '30' MINUTE),username;
4.更多说明
以上三种窗口都有对应的辅助函数。以 TUMBLE 窗口为例(HOP、SESSION 也一样,只是前缀不同),辅助函数如下:
TUMBLE_ROWTIME
:表示 TUMBLE 窗口的末端界限(包含,可用作 JOIN 或 GROUP 以及 OVER 条件,Event Time 时间模式下使用)。示例如下:
SELECT user,
TUMBLE_START(rowtime, INTERVAL '12' HOUR) AS sStart,
TUMBLE_ROWTIME(rowtime, INTERVAL '12' HOUR) AS snd,
SUM(amount)
FROM Orders
GROUP BY TUMBLE(rowtime, INTERVAL '12' HOUR), user
TUMBLE_PROCTIME
:表示 TUMBLE 窗口的末端界限(包含,可用作 JOIN 或 GROUP 以及 OVER 条件,Processing Time 时间模式下使用)。示例如下:
SELECT user,
TUMBLE_START(PROCTIME, INTERVAL '12' HOUR) AS sStart,
TUMBLE_PROCTIME(PROCTIME, INTERVAL '12' HOUR) AS snd,
SUM(amount)
FROM Orders
GROUP BY TUMBLE(PROCTIME, INTERVAL '12' HOUR), user