前言
今天我們主要聊聊flink中的一個接口org.apache.flink.api.common.functions.AggregateFunction,這個類可以接在window流之後,做窗口內的統計計算。
注意:除了這個接口AggregateFunction,flink中還有一個抽象類AggregateFunction:org.apache.flink.table.functions.AggregateFunction,大家不要把這個弄混淆了,接口AggregateFunction我們可以理解爲flink中的一個算子,和MapFunction、FlatMapFunction等是同級別的,而抽象類AggregateFunction是用於用戶自定義聚合函數的,和max、min之類的函數是同級的。
原理解析
比如我們想實現一個類似sql的功能:
select TUMBLE_START(proctime,INTERVAL '2' SECOND) as starttime,user,count(*) from logs group by user,TUMBLE(proctime,INTERVAL '2' SECOND)
這個sql就是來統計一下每兩秒鐘的滑動窗口內每個人出現的次數,今天我們就以這個簡單的sql的功能爲例講解一下flink的aggregate算子,其實就是我們用程序來實現這個sql的功能。
首先看一下聚合函數的接口:
@PublicEvolving
public interface AggregateFunction<IN, ACC, OUT> extends Function, Serializable {
ACC createAccumulator();
ACC add(IN value, ACC accumulator);
ACC merge(ACC a, ACC b);
OUT getResult(ACC accumulator);
}
這個接口AggregateFunction裏面有4個方法,我們分別來講解一下。
- AggregateFunction這個類是一個泛型類,這裏面有三個參數,IN, ACC, OUT。IN就是聚合函數的輸入類型,ACC是存儲中間結果的類型,OUT是聚合函數的輸出類型。
- createAccumulator
這個方法首先要創建一個累加器,要進行一些初始化的工作,比如我們要進行count計數操作,就要給累加器一個初始值。 - add
add方法就是我們要做聚合的時候的核心邏輯,比如我們做count累加,其實就是來一個數,然後就加一。
類似上面的sql的邏輯,我們在寫業務邏輯的時候,可以這麼想,進入這方法數的數據都是屬於某一個用戶的,系統在調用這個方法之前會先進行hash分組,然後不同的用戶會重複調用這個方法。所以這個函數的入參是IN類型,返回值是ACC類型 - merge
因爲flink是一個分佈式計算框架,可能計算是分佈在很多節點上同時進行的,比如上述的add操作,可能同一個用戶在不同的節點上分別調用了add方法在本地節點對本地的數據進行了聚合操作,但是我們要的是整個結果,整個時候,我們就需要把每個用戶各個節點上的聚合結果merge一下,整個merge方法就是做這個工作的,所以它的入參和出參的類型都是中間結果類型ACC。 - getResult
這個方法就是將每個用戶最後聚合的結果經過處理之後,按照OUT的類型返回,返回的結果也就是聚合函數的輸出結果了。
實例講解
自定義source
首先我們自定義source生成用戶的信息
public static class MySource implements SourceFunction<Tuple2<String,Long>>{
private volatile boolean isRunning = true;
String userids[] = {
"4760858d-2bec-483c-a535-291de04b2247", "67088699-d4f4-43f2-913c-481bff8a2dc5",
"72f7b6a8-e1a9-49b4-9a0b-770c41e01bfb", "dfa27cb6-bd94-4bc0-a90b-f7beeb9faa8b",
"aabbaa50-72f4-495c-b3a1-70383ee9d6a4", "3218bbb9-5874-4d37-a82d-3e35e52d1702",
"3ebfb9602ac07779||3ebfe9612a007979", "aec20d52-c2eb-4436-b121-c29ad4097f6c",
"e7e896cd939685d7||e7e8e6c1930689d7", "a4b1e1db-55ef-4d9d-b9d2-18393c5f59ee"
};
@Override
public void run(SourceContext<Tuple2<String,Long>> ctx) throws Exception{
while (isRunning){
Thread.sleep(10);
String userid = userids[(int) (Math.random() * (userids.length - 1))];
ctx.collect(Tuple2.of(userid, System.currentTimeMillis()));
}
}
@Override
public void cancel(){
isRunning = false;
}
}
自定義聚合函數
public static class CountAggregate
implements AggregateFunction<Tuple2<String,Long>,Integer,Integer>{
@Override
public Integer createAccumulator(){
return 0;
}
@Override
public Integer add(Tuple2<String,Long> value, Integer accumulator){
return ++accumulator;
}
@Override
public Integer getResult(Integer accumulator){
return accumulator;
}
@Override
public Integer merge(Integer a, Integer b){
return a + b;
}
}
自定義結果輸出函數
/**
* 這個是爲了將聚合結果輸出
*/
public static class WindowResult
implements WindowFunction<Integer,Tuple3<String,Date,Integer>,Tuple,TimeWindow>{
@Override
public void apply(
Tuple key,
TimeWindow window,
Iterable<Integer> input,
Collector<Tuple3<String,Date,Integer>> out) throws Exception{
String k = ((Tuple1<String>) key).f0;
long windowStart = window.getStart();
int result = input.iterator().next();
out.collect(Tuple3.of(k, new Date(windowStart), result));
}
}
主流程
final StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
DataStream<Tuple2<String,Long>> dataStream = env.addSource(new MySource());
dataStream.keyBy(0).window(TumblingProcessingTimeWindows.of(Time.seconds(2)))
.aggregate(new CountAggregate(), new WindowResult()
).print();
env.execute();
完整代碼請參考
https://github.com/zhangjun0x01/bigdata-examples/blob/master/flink/src/main/java/function/CustomAggregateFunctionTCase.java
歡迎關注我的公衆號