双流join涉及的问题我罗列完整一下： 前提： 假设有两个流 其中一个流aStream非常庞大，基于时间单位是秒，源源不断的生产数据 另外一个流bStream也是很大，是不太可能基于内存做维度数据全局缓冲或者LRU淘汰，因为aStream使用bStream足够分散和随机，基于时间单位是天或者月，会持续不断的变化，部分数据或者长期不变 影响流的因子：
1、 系统集群资源，主要是内存 2、 流速 3、 不同流数据变化的时间单位不一致 4、 同一流内数据变化的时间单位不一致 目标： 因两个流的数据都原样的保留下来，重算时，要保持每次运算结果是一致的 对于操作bStream.join(aStream).windows().apply() 如果是基于eventTime的问题是 对于aStream可以按照每个时间窗口处理数据，合适的随着时间的流式划分窗口处理， 但对于bStream，因每个部分的数据的有效时间范围不同，bStream的数据是长期驻留在state，还是超过window就被淘汰，如果是被淘汰，那么计算结果肯定有问题，即aStream中的数据肯定从业务上可以匹配到bStream中的数据 如果是基于ingressTime的问题是 aStream和bStream都受系统运行环境的影响，但如果有办法对于aStream在任何一个window中的数据都能匹配到bStream的数据，肯定没有问题 那么剩下的关键问题就是： A、 对于aStream在windows中的数据如何一定匹配到bStream中的数据 B、 对于bStream中的数据每条数据的可用时间范围是变化的，如何保持更新 发送自 Windows 10 版邮件<https://go.microsoft.com/fwlink/?LinkId=550986>应用 发件人: Benchao Li<mailto:[email protected]> 发送时间: 2020年4月16日 10:21 收件人: user-zh<mailto:[email protected]> 主题: Re: 双流Join 基于IngressTime计算后在按照Keyby sum聚集后每次计算结果不一致的问题 我感觉双流join如果要保证结果是一致的，需要用事件时间，而不是处理时间或者是摄入时间。 如果可能，建议尝试下基于事件时间的双流join。 [email protected] <[email protected]> 于2020年4月16日周四 上午9:15写道： > 双流join对数据和环境的要求很严格，这样适用的业务场景就会有限。没有办法保证环境和数据一致是严格符合的 > > 发送自 Windows 10 版邮件<https://go.microsoft.com/fwlink/?LinkId=550986>应用 > > 发件人: tison<mailto:[email protected]> > 发送时间: 2020年4月15日 22:26 > 收件人: user-zh<mailto:[email protected]> > 主题: Re: 双流Join 基于IngressTime计算后在按照Keyby sum聚集后每次计算结果不一致的问题 > > FYI > > https://ci.apache.org/projects/flink/flink-docs-stable/dev/event_time.html > > https://ci.apache.org/projects/flink/flink-docs-master/dev/event_timestamps_watermarks.html > > https://ci.apache.org/projects/flink/flink-docs-master/dev/event_timestamp_extractors.html > > IngestionTime 的时间基准是进入 Flink 系统即 Source 算子生产数据时附上的时间戳，你后面有 > window/join，这个时间的间隔不是确定性的，大数据量下因为 GC 等原因有不同延迟从而导致 Window 划分不一致是正常的。即使使用 > EventTime，在 Watermark > 不够可靠的情况下也有可能不一致，足够可靠又可能受到滞后数据的影响损失性能并占用内存。可以看看上面文档的相关内容。 > > Best, > tison. > > > tison <[email protected]> 于2020年4月15日周三 下午10:18写道： > > > IngestionTime 多次运行结果不一样很正常啊，试试 event time？ > > > > Best, > > tison. > > > > > > xuefli <[email protected]> 于2020年4月15日周三 下午10:10写道： > > > >> 遇到一个非常头痛的问题 > >> > >> Flink1.10的集群，用hdfs做backend > >> > >> 一个流aStream准备了10亿的数据，另外一个流bStream百万 > >> 如果如下操作 > >> > >> 我遇到一个问题 双流Join > 带windows，使用IngressTime,在一个流的数据限制在几十万级别时，每次重算结果一致。但数据量换成10亿级别，另外一个流不便。在同样的情况，多次运行，每次运行结果不一样，我抽样一个特定的数据的结果每次不同 > 。 aStream.join(bStream) -->windows-->apply（flatMap）得到cStream后 > 再对cStream进行keyBy-->timeWindow-->sum. > >> 我用fromcollection也是没有问题，但数据量很大时，就结果不对，每次运行的结果都有差异。 > >> 用dataStream.fromcollection这样的更小的数据也是没有问题，每次重算 > >> 但数据量很大时，就会这样。 > >> > >> > >> 每次计算的结果不一样，这个对业务系统挑战巨大 > >> > >> > >> 发送自 Windows 10 版邮件应用 > >> > >> > > -- Benchao Li School of Electronics Engineering and Computer Science, Peking University Tel:+86-15650713730 Email: [email protected]; [email protected]
