Flink窗口：聚合并输出到接收器

Question

我们有一个数据流，其中每个元素都属于这种类型：

id: String
type: Type
amount: Integer

我们希望聚合此流并每周输出一次amount的总和。

当前解决方案：

flink管道的示例如下所示：

stream.keyBy(type)
      .window(TumblingProcessingTimeWindows.of(Time.days(7)))
      .reduce(sumAmount())
      .addSink(someOutput())

输入

| id | type | amount |
| 1  | CAT  | 10     |
| 2  | DOG  | 20     |
| 3  | CAT  | 5      |
| 4  | DOG  | 15     |
| 5  | DOG  | 50     |

如果窗口在记录3和4之间结束，我们的输出将是：

| TYPE | sumAmount |
| CAT  | 15        | (id 1 and id 3 added together)
| DOG  | 20        | (only id 2 as been 'summed')

Id4和5仍将在flink管道中，并将在下周输出。

因此，下周我们的总产量将是：

| TYPE | sumAmount |
| CAT  | 15        | (of last week)
| DOG  | 20        | (of last week)
| DOG  | 65        | (id 4 and id 5 added together)

新规定：

我们现在还想知道每个记录在哪一周被处理。换句话说，我们的新产出应该是：

| TYPE | sumAmount | weekNumber |
| CAT  | 15        | 1          |
| DOG  | 20        | 1          |
| DOG  | 65        | 2          |

但我们还需要这样的额外输出：

| id | weekNumber |
| 1  | 1          |
| 2  | 1          |
| 3  | 1          |
| 4  | 2          |
| 5  | 2          |

这个怎么处理？

Flink有没有办法实现这一点？我想我们会有一个聚合函数，它可以求和金额，但也可以用当前星期的数字输出每个记录，但是我在文档中找不到这样做的方法。

（注意：我们每周处理约1亿条记录，因此理想情况下，我们只希望在一周内将总量保持在flink的状态，而不是所有单个记录）

编辑：

我选择了安东下面描述的解决方案：

DataStream<Element> elements = 
  stream.keyBy(type)
        .process(myKeyedProcessFunction());

elements.addSink(outputElements());
elements.getSideOutput(outputTag)
        .addSink(outputAggregates())

KeyedProcessFunction看起来像：

class MyKeyedProcessFunction extends KeyedProcessFunction<Type, Element, Element>
    private ValueState<ZonedDateTime> state;
    private ValueState<Integer> sum;

    public void processElement(Element e, Context c, Collector<Element> out) {
        if (state.value() == null) {
            state.update(ZonedDateTime.now());
            sum.update(0);
            c.timerService().registerProcessingTimeTimer(nowPlus7Days);
        }
        element.addAggregationId(state.value());
        sum.update(sum.value() + element.getAmount());
    }

    public void onTimer(long timestamp, OnTimerContext c, Collector<Element> out) {
        state.update(null);
        c.output(outputTag, sum.value()); 
    }
} 

Answer 1

reduce方法的一个变体将ProcessWindowFunction作为第二个参数。您可以这样使用它：

stream.keyBy(type)
  .window(TumblingProcessingTimeWindows.of(Time.days(7)))
  .reduce(sumAmount(), new WrapWithWeek())
  .addSink(someOutput())

private static class WrapWithWeek
  extends ProcessWindowFunction<Event, Tuple3<Type, Long, Long>, Type, TimeWindow> {

      public void process(Type key,
                Context context,
                Iterable<Event> reducedEvents,
                Collector<Tuple3<Type, Long, Long>> out) {
          Long sum = reducedEvents.iterator().next();
          out.collect(new Tuple3<Type, Long, Long>(key, context.window.getStart(), sum));
      }
}

通常，ProcessWindowFunction会传递一个Iterable，其中包含窗口收集的所有事件，但如果您使用reduce或aggregate函数来预聚合窗口结果，则只会将该单个值传递给Iterable。这方面的文档在这里，但文档中的示例目前有一个小错误，我在这里的示例中修复了这个错误。

但是考虑到对第二个输出的新要求，我建议您放弃在Windows中这样做的想法，而是使用带键的ProcessFunction。您将需要两个每键ValueState：一个按周计数，另一个存储总和。您需要一个每周触发一次的计时器：当它触发时，它应该发出类型、总和和和周数，然后增加周数。同时，流程元素方法将简单地输出每个传入事件的ID以及周计数器的值。