【API篇】九、Flink的水位线

1、Flink时间语义

• 事件时间
• 处理时间

举个例子就是，一条数据在23:59:59产生，在00:00:01被处理，前者为事件时间，后者为处理时间。

从Flink1.12版本开始，Flink已经将事件时间作为默认的时间语义了。

2、事件时间和窗口

逻辑上的时钟，不会像生活中的时钟，时间会自动流逝。08:59:59的数据到了，逻辑时钟才认为时间到了08:59:59，没有数据来，逻辑时钟就不会推进

3、水位线

关于水位线的理解：

• 是一条数据
• 是插入到数据流中的一个标记点，是真实存储的数据
• 内容是一个时间戳，指示了当前的事件时间

有序流中的水位线：

理想状态下，数据量小，且按生成的先后顺序进入流中，此时，可以给每个数据都产生一个水位线：

实际环境下，数据流巨大，且数据涌来的时差极小，此时可每隔一段时间来生成一个水位线：

乱序流中的水位线：

分布式系统下，数据在各个节点之间传输，会因网络延迟等问题而发生顺序改变，产生数据的乱序，如下示意图：

当乱序+数据量小时，可以每来一个数据，先判断其时间戳（水位线）是否比前面数据大，否则就不生成新的水位线。此时，就可以依旧靠数据来推动逻辑时钟前进。

当乱序+数据流大时，可周期性生成水位线，一定长度时间的数据里，最大的时间戳做为水位线：

按照以上的逻辑，会有窗口下的迟到数据，如图中深灰色的数据。有个0-10秒的窗口，乱序数据下，有个10s的数据先到了，如果按正常逻辑，水位线就会被推进到10s的时刻，10s > 10s-1ms ，此时就会触发窗口关闭和输出，但这个输出可能还有迟到的数据未统计到。

针对迟到数据，可以等待一段时间（加延迟），比如2s，即用当前已有数据的最大时间戳减去2秒，当作插入的水位线时间戳，如此，可防止丢数据。

总结：

• 水位线是插入到数据流中的一个标记，可以认为是一个特殊的数据
• 水位线主要的内容是一个时间戳，用来表示当前事件时间的进展
• 水位线是基于数据的时间戳生成的
• 水位线的时间戳必须单调递增，以确保任务的事件时间时钟一直向前推进
• 水位线可以通过设置延迟，来保证正确处理乱序数据个
• 水位线Watermark(t)，表示在当前流中事件时间已经达到了时间戳t，这代表t之前的所有数据都到齐了，之后流中不会出现时间截t’< = t 的数据

4、水位线和窗口的工作原理

窗口可理解成一个桶，但这个装水的桶不是反复用的，不是说接完水后倒掉继续接下一桶，这是错误理解。如果按照这样理解，加了延迟时间后，岂不是会把后面桶里的数据给误倒掉。实际底层不是这样的，加了延迟时间以后，只是对前一个桶触发计算和关闭的时间延后了。像图中的11和12这两条数据（橙色），该是第二个桶的还是会去第二个桶，每个窗口都是一个个独立的桶，每个数据都会分发到对应的桶中，当到达窗口结束时间时，对每个桶中收集的数据进行计算处理。

往后继续也是一样：

Flink中窗口并不是静态准备好的，而是动态创建——当有落在这个窗口区间范围的数据达到时，才创建对应的窗口

另外，这里我们认为到达窗口结束时间时，窗口就触发计算并关闭，事实上“触发计算”和“窗口关闭”两个行为也可以分开。