文章目錄
flink CEP 簡介
flink CEP(Complex event processing),是在Flink之上實現的複雜事件處理庫,可以允許我們在不斷的流式數據中通過我們自己定義的模式(Pattern)檢測和獲取出我們想要的數據,然後對這些數據進行下一步的處理。 通過各種pattern的組合,我們可以定義出非常複雜的模式來匹配我們的數據。
網上講CEP原理和用法的文章很多,大家可以參考下
https://juejin.im/post/5de1f32af265da05cc3190f9#heading-9
簡單來說一下,其實我們可以把使用flink cep當做我們平時用的正則表達式,cep中的Pattern就是我們定義的正則表達式,flink中的DataStream就是正則表達式中待匹配的字符串,flink 通過DataStream 和 自定義的Pattern進行匹配,生成一個經過過濾之後的DataStream .
基於自定義的pattern,我們可以做很多工作,比如監控報警、風控、反爬等等,接下來我們基於一個簡單的報警小例子來講解一些FLINK cep的實際應用。
案例詳解
我們基於flink CEP做一個簡單的報警,首先我們簡化一下報警的需求
1.統計出來每秒鐘http狀態碼爲非200的數量所佔比例。大於0.7的時候觸發報警。
2.統計結果連續發生三大於閾值(0.7,這個數字是我自己寫的,爲了測試用,真實環境需要根據實際經驗來設置)發送報警通知。
3.統計結果小於等於閾值觸發報警恢復通知。
實際應用中我們一般會去消費kafka的數據來作爲source、這裏我們爲了簡化,通過自定義source生成一些模擬的數據。
public static class MySource implements SourceFunction<Tuple4<String,Long,Integer,Integer>>{
static int status[] = {200, 404, 500, 501, 301};
@Override
public void run(SourceContext<Tuple4<String,Long,Integer,Integer>> sourceContext) throws Exception{
while (true){
Thread.sleep((int) (Math.random() * 100));
// traceid,timestamp,status,response time
Tuple4 log = Tuple4.of(
UUID.randomUUID().toString(),
System.currentTimeMillis(),
status[(int) (Math.random() * 4)],
(int) (Math.random() * 100));
sourceContext.collect(log);
}
}
@Override
public void cancel(){
}
}
接下來我們定義一個sql,用來計算我們的需求中的第一個要求。
String sql = "select pv,errorcount,round(CAST(errorcount AS DOUBLE)/pv,2) as errorRate," +
"(starttime + interval '8' hour ) as stime," +
"(endtime + interval '8' hour ) as etime " +
"from (select count(*) as pv," +
"sum(case when status = 200 then 0 else 1 end) as errorcount, " +
"TUMBLE_START(proctime,INTERVAL '1' SECOND) as starttime," +
"TUMBLE_END(proctime,INTERVAL '1' SECOND) as endtime " +
"from log group by TUMBLE(proctime,INTERVAL '1' SECOND) )";
通過執行sql,我們獲取到了一個Result對象的DataStream,
Table table = tenv.sqlQuery(sql);
DataStream<Result> ds1 = tenv.toAppendStream(table, Result.class);
接下來我們到了最核心的地方,我們需要定一個Pattern。
Pattern pattern = Pattern.<Result>begin("alert").where(new IterativeCondition<Result>(){
@Override
public boolean filter(
Result i, Context<Result> context) throws Exception{
return i.getErrorRate() > 0.7D;
}
}).times(3).consecutive().followedBy("recovery").where(new IterativeCondition<Result>(){
@Override
public boolean filter(
Result i,
Context<Result> context) throws Exception{
return i.getErrorRate() <= 0.7D;
}
}).optional();
來詳細解釋一下這個Pattern
- 首先定義一個名爲alert的Pattern,該Pattern的作用就是過濾出錯誤率大於0.7的數據,
- times(3) ,表示要匹配三次,也就是要三次大於0.7.
- consecutive 表示上述的三次匹配要是連續的,比如0.75、0.8、0.78,只有類似這樣的數據才能被匹配到,中間不能有不符合的數據出現。
- followedBy表示該alert pattern的下面要跟着一個recovery pattern,而followedBy是寬鬆匹配,也就是兩個模式之間可以有其他的數據,如果要採用嚴格匹配,是使用next.
- 最後recovery pattern加上一個optional 是我爲了區分報警,和報警恢復想的的一個方案,這樣的話,如果是隻匹配到了alert pattern,輸出的就是報警,如果recovery pattern也匹配到了,那麼就是報警恢復。
在我們獲得了相應的報警和恢復之後,接下來就是調用報警接口進行處理了,我們這只是簡單的打印出來信息。
DataStream<Map<String,List<Result>>> alertStream = org.apache.flink.cep.CEP.pattern(
ds1,
pattern).select(new PatternSelectFunction<Result,Map<String,List<Result>>>(){
@Override
public Map<String,List<Result>> select(Map<String,List<Result>> map) throws Exception{
List<Result> alertList = map.get("alert");
List<Result> recoveryList = map.get("recovery");
if (recoveryList != null){
System.out.print("接受到了報警恢復的信息,報警信息如下:");
System.out.print(alertList);
System.out.print(" 對應的恢復信息:");
System.out.println(recoveryList);
} else {
System.out.print("收到了報警信息 ");
System.out.print(alertList);
}
return map;
}
});
完整的代碼請參考
https://github.com/zhangjun0x01/bigdata-examples/blob/master/flink/src/main/java/cep/WebMonitorAlert.java
歡迎關注我的公衆號,一起討論