在apache flink中筛选唯一事件

Question

我在一个java类中定义某些变量，然后用另一个类访问它，以便在流中筛选唯一的元素。请参阅代码以更好地理解该问题。

我面临的问题是这个过滤函数不能很好地工作，无法过滤唯一的事件。我怀疑这个变量在不同的线程之间是共享的，它是原因！？如果这不是正确的方法，请建议另一种方法。提前道谢。

**ClassWithVariables.java**
public static HashMap<String, ArrayList<String>> uniqueMap = new HashMap<>();


**FilterClass.java**
public boolean filter(String val) throws Exception {

       if(ClassWithVariables.uniqueMap.containsKey(key)) {

                Arraylist<String> al = uniqueMap.get(key);

                if(al.contains(val) {
                    return false;
                } else {
                    //Update the hashmap list(uniqueMap)                    
                    return true;    
                }


       } else {

               //Add to hashmap list(uniqueMap)
               return true;
       }

}

Answer 1

去重复流的正确方法包括按密钥对流进行分区，这样包含相同密钥的所有元素将由相同的工作者处理，并使用Flink的托管、键控状态机制，这样状态是容错的和可重新伸缩的。下面是一个示例实现：

public static void main(String[] args) throws Exception {
  StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();

  env.addSource(new EventSource())
    .keyBy(e -> e.key)
    .flatMap(new Deduplicate())
    .print();

  env.execute();
}

public static class Deduplicate extends RichFlatMapFunction<Event, Event> {
  ValueState<Boolean> seen;

  @Override
  public void open(Configuration conf) {
    ValueStateDescriptor<Boolean> desc = new ValueStateDescriptor<>("seen", Types.BOOLEAN);
    seen = getRuntimeContext().getState(desc);
  }

  @Override
  public void flatMap(Event event, Collector<Event> out) throws Exception {
    if (seen.value() == null) {
      out.collect(event);
      seen.update(true);
    }
  }
}

这也可以实现为RichFilterFunction，BTW。但是请注意，如果您有一个无界的键空间，所使用的状态将无限增长，直到您用完堆或磁盘上的空间为止，这取决于您选择的Flink的状态后端。如果这是一个问题，您可能希望通过状态生存时间设置一个状态保留策略。

还要注意，在Flink管道的不同部分之间共享状态是不可能的。您需要将事情从内到外与看起来正常的事情相比较，并将事件流带到状态，而不是获取它。