上一篇我們使用keyby後發現數據嚴重傾斜
大概看下問題所在,大量數據在一個subtask中運行
這裏我們使用兩階段keyby 解決該問題
之前的問題如下圖所示
我們期望的是
但我們的需要根據key進行聚合統計,那麼把相同的key放在不同的subtask如何統計?
我們看下圖(只畫了主要部分)
1.首先將key打散,我們加入將key轉化爲 key-隨機數 ,保證數據散列
2.對打散後的數據進行聚合統計,這時我們會得到數據比如 : (key1-12,1),(key1-13,19),(key1-1,20),(key2-123,11),(key2-123,10)
3.將散列key還原成我們之前傳入的key,這時我們的到數據是聚合統計後的結果,不是最初的原數據
4.二次keyby進行結果統計,輸出到addSink
直接看實現代碼
import org.apache.flink.api.common.functions.AggregateFunction
import org.apache.flink.api.common.state.{ValueState, ValueStateDescriptor}
import org.apache.flink.api.java.tuple.Tuple
import org.apache.flink.api.scala.typeutils.Types
import org.apache.flink.streaming.api.functions.KeyedProcessFunction
import org.apache.flink.streaming.api.functions.windowing.WindowFunction
import org.apache.flink.streaming.api.scala._
import org.apache.flink.streaming.api.windowing.time.Time
import org.apache.flink.streaming.api.windowing.windows.TimeWindow
import org.apache.flink.util.Collector
object ProcessFunctionScalaV2 {
def main(args: Array[String]): Unit = {
val env: StreamExecutionEnvironment = StreamExecutionEnvironment.getExecutionEnvironment
env.enableCheckpointing(2000)
val stream: DataStream[String] = env.socketTextStream("localhost", 9999)
val typeAndData: DataStream[(String, Long)] = stream.map(x => (x.split(",")(0), x.split(",")(1).toLong))
val dataStream: DataStream[(String, Long)] = typeAndData
.map(x => (x._1 + "-" + scala.util.Random.nextInt(100), x._2))
val keyByAgg: DataStream[DataJast] = dataStream.keyBy(_._1)
.timeWindow(Time.seconds(10))
.aggregate(new CountAggregate())
keyByAgg.print("第一次keyby輸出")
val result: DataStream[DataJast] = keyByAgg.map(data => {
val newKey: String = data.key.substring(0, data.key.indexOf("-"))
println(newKey)
DataJast(newKey, data.count)
}).keyBy(_.key)
.process(new MyProcessFunction())
result.print("第二次keyby輸出")
env.execute()
}
case class DataJast(key :String,count:Long)
//計算keyby後,每個Window中的數據總和
class CountAggregate extends AggregateFunction[(String, Long),DataJast, DataJast] {
override def createAccumulator(): DataJast = {
println("初始化")
DataJast(null,0)
}
override def add(value: (String, Long), accumulator: DataJast): DataJast = {
if(accumulator.key==null){
printf("第一次加載,key:%s,value:%d\n",value._1,value._2)
DataJast(value._1,value._2)
}else{
printf("數據累加,key:%s,value:%d\n",value._1,accumulator.count+value._2)
DataJast(value._1,accumulator.count + value._2)
}
}
override def getResult(accumulator: DataJast): DataJast = {
println("返回結果:"+accumulator)
accumulator
}
override def merge(a: DataJast, b: DataJast): DataJast = {
DataJast(a.key,a.count+b.count)
}
}
/**
* 實現:
* 根據key分類,統計每個key進來的數據量,定期統計數量
*/
class MyProcessFunction extends KeyedProcessFunction[String,DataJast,DataJast]{
val delayTime : Long = 1000L * 30
lazy val valueState:ValueState[Long] = getRuntimeContext.getState[Long](new ValueStateDescriptor[Long]("ccount",classOf[Long]))
override def processElement(value: DataJast, ctx: KeyedProcessFunction[String, DataJast, DataJast]#Context, out: Collector[DataJast]): Unit = {
if(valueState.value()==0){
valueState.update(value.count)
printf("運行task:%s,第一次初始化數量:%s\n",getRuntimeContext.getIndexOfThisSubtask,value.count)
val currentTime: Long = ctx.timerService().currentProcessingTime()
//註冊定時器
ctx.timerService().registerProcessingTimeTimer(currentTime + delayTime)
}else{
valueState.update(valueState.value()+value.count)
printf("運行task:%s,更新統計結果:%s\n" ,getRuntimeContext.getIndexOfThisSubtask,valueState.value())
}
}
override def onTimer(timestamp: Long, ctx: KeyedProcessFunction[String, DataJast, DataJast]#OnTimerContext, out: Collector[DataJast]): Unit = {
//定時器執行,可加入業務操作
printf("運行task:%s,觸發定時器,30秒內數據一共,key:%s,value:%s\n",getRuntimeContext.getIndexOfThisSubtask,ctx.getCurrentKey,valueState.value())
//定時統計完成,初始化統計數據
valueState.update(0)
//註冊定時器
val currentTime: Long = ctx.timerService().currentProcessingTime()
ctx.timerService().registerProcessingTimeTimer(currentTime + delayTime)
}
}
}
對key進行散列
val dataStream: DataStream[(String, Long)] = typeAndData
.map(x => (x._1 + "-" + scala.util.Random.nextInt(100), x._2))
設置窗口滾動時間,每隔十秒統計一次每隔key下的數據總量
val keyByAgg: DataStream[DataJast] = dataStream.keyBy(_._1)
.timeWindow(Time.seconds(10))
.aggregate(new AverageAggregate())
keyByAgg.print("第一次keyby輸出")
還原key,並進行二次keyby,對數據總量進行累加
val result: DataStream[DataJast] = keyByAgg.map(data => {
val newKey: String = data.key.substring(0, data.key.indexOf("-"))
println(newKey)
DataJast(newKey, data.count)
}).keyBy(_.key)
.process(new MyProcessFunction())
我們看下優化後的狀態
先看下第一map,直接從端口拿數據,這不涉及keyby,所以這個沒影響
再看下第一次keyby後的結果,因爲我們散列後,flink根據哈希進行分配,所以數據不是百分之百平均,但是很明顯基本上已經均衡了,不會出現這裏1一條,那裏1條這種狀況
再看下第二次keyby,這裏會發現我們ID的2的subtask有820條數據,其他的沒有數據;這裏是正常現象,因爲我們是對第一次聚合後的數據進行keyby統計,所以這裏的數據大小會非常小,比如我們原始數據一條數據有1M大小,1000條數據就1個G,業務往往還有其他操作,我們再第一次keyby 散列時處理其他邏輯(比如ETL等等操作),最終將統計結果輸出給第二次keyby,很可能1個G的數據,最終只有1kb,這比我們將1個G的數據放在一個subtask中處理好很多。
上面我們自定義了MyProcessFunction方法,設置每30秒執行一次,實際業務場景,我們可能會設置一小時執行一次。
至此我們既保證了數據定時統計,也保證了數據不傾斜問題。