Flink DataStream API 中的多面手——Process Function详解

引言

在Flink的时间与watermarks详解这篇文章中，阐述了Flink的时间与水位线的相关内容。你可能不禁要发问，该如何访问时间戳和水位线呢？首先通过普通的DataStream API是无法访问的，需要借助Flink提供的一个底层的API——Process  Function。Process Function不仅能够访问时间戳与水位线，而且还可以注册在将来的某个特定时间触发的计时器(timers)。除此之外，还可以将数据通过Side Outputs发送到多个输出流中。这样以来，可以实现数据分流的功能，同时也是处理迟到数据的一种方式。下面我们将从源码入手，结合具体的使用案例来说明该如何使用Process  Function。

简介

Flink提供了很多Process Function，每种Process Function都有各自的功能，这些Process Function主要包括：

• ProcessFunction

• KeyedProcessFunction

• CoProcessFunction

• ProcessJoinFunction

• ProcessWindowFunction

• ProcessAllWindowFunction

• BaseBroadcastProcessFunction

• KeyedBroadcastProcessFunction

• BroadcastProcessFunction

继承关系图如下：

从上面的继承关系中可以看出，都实现了RichFunction接口，所以支持使用open()、close()、getRuntimeContext()等方法的调用。从名字上可以看出，这些函数都有不同的适用场景，但是基本的功能是类似的，下面会以KeyedProcessFunction为例来讨论这些函数的通用功能。

源码

KeyedProcessFunction

/** * 处理KeyedStream流的低级API函数 * 对于输入流中的每个元素都会触发调用processElement方法.该方法会产生0个或多个输出. * 其实现类可以通过Context访问数据的时间戳和计时器(timers).当计时器(timers)触发时，会回调onTimer方法. * onTimer方法会产生0个或者多个输出，并且会注册一个未来的计时器. * * 注意：如果要访问keyed state和计时器(timers)，必须在KeyedStream上使用KeyedProcessFunction. * 另外，KeyedProcessFunction的父类AbstractRichFunction实现了RichFunction接口，所以，可以使用 * open()，close()及getRuntimeContext()方法. * * @param <K> key的类型 * @param <I> 输入元素的数据类型 * @param <O> 输出元素的数据类型 */@PublicEvolvingpublic abstract class KeyedProcessFunction<K, I, O> extends AbstractRichFunction {
  private static final long serialVersionUID = 1L;  /**   * 处理输入流中的每个元素   * 该方法会输出0个或者多个输出，类似于FlatMap的功能   * 除此之外，该方法还可以更新内部状态或者设置计时器(timer)   * @param value 输入元素   * @param ctx  Context，可以访问输入元素的时间戳，并其可以获取一个时间服务器(TimerService)，用于注册计时器(timers)并查询时间   *  Context只有在processElement被调用期间有效.   * @param out  返回的结果值   * @throws Exception   */  public abstract void processElement(I value, Context ctx, Collector<O> out) throws Exception;
  /**   * 是一个回调函数，当在TimerService中注册的计时器(timers)被触发时，会回调该函数   * @param timestamp 触发计时器(timers)的时间戳   * @param ctx  OnTimerContext，允许访问时间戳，TimeDomain枚举类提供了两种时间类型：   * EVENT_TIME与PROCESSING_TIME   * 并其可以获取一个时间服务器(TimerService)，用于注册计时器(timers)并查询时间   * OnTimerContext只有在onTimer方法被调用期间有效   * @param out 结果输出   * @throws Exception   */  public void onTimer(long timestamp, OnTimerContext ctx, Collector<O> out) throws Exception {}  /**   * 仅仅在processElement()方法或者onTimer方法被调用期间有效   */  public abstract class Context {
    /**     * 当前被处理元素的时间戳，或者是触发计时器(timers)时的时间戳     * 该值可能为null，比如当程序中设置的时间语义为：TimeCharacteristic#ProcessingTime     * @return     */    public abstract Long timestamp();
    /**     * 访问时间和注册的计时器(timers)     * @return     */    public abstract TimerService timerService();
    /**     * 将元素输出到side output (侧输出)     * @param outputTag 侧输出的标记     * @param value 输出的记录     * @param <X>     */    public abstract <X> void output(OutputTag<X> outputTag, X value);    /**     * 获取被处理元素的key     * @return     */    public abstract K getCurrentKey();  }  /**   * 当onTimer方法被调用时，才可以使用OnTimerContext   */  public abstract class OnTimerContext extends Context {    /**     * 触发计时器(timers)的时间类型，包括两种：EVENT_TIME与PROCESSING_TIME     * @return     */    public abstract TimeDomain timeDomain();    /**     * 获取触发计时器(timer)元素的key     * @return     */    @Override    public abstract K getCurrentKey();  }}

上面的源码中，主要有两个方法，分析如下：

• processElement(I value, Context ctx, Collector<O> out)

该方法会对流中的每条记录都调用一次，输出0个或者多个元素，类似于FlatMap的功能，通过Collector将结果发出。除此之外，该函数有一个Context 参数，用户可以通过Context 访问时间戳、当前记录的key值以及TimerService(关于TimerService，下面会详细解释)。另外还可以使用output方法将数据发送到side output，实现分流或者处理迟到数据的功能。

• onTimer(long timestamp, OnTimerContext ctx, Collector<O> out)

该方法是一个回调函数，当在TimerService中注册的计时器(timers)被触发时，会回调该函数。其中@param timestamp参数表示触发计时器(timers)的时间戳，Collector可以将记录发出。细心的你可能会发现，这两个方法都有一个上下文参数，上面的方法传递的是Context 参数，onTimer方法传递的是OnTimerContext参数，这两个参数对象可以实现相似的功能。OnTimerContext还可以返回触发计时器的时间域(EVENT_TIME与PROCESSING_TIME)。

TimerService

在KeyedProcessFunction源码中，使用TimerService来访问时间和计时器，下面来看一下源码：

@PublicEvolvingpublic interface TimerService {  String UNSUPPORTED_REGISTER_TIMER_MSG = "Setting timers is only supported on a keyed streams.";  String UNSUPPORTED_DELETE_TIMER_MSG = "Deleting timers is only supported on a keyed streams.";  // 返回当前的处理时间  long currentProcessingTime();  // 返回当前event-time水位线(watermark)  long currentWatermark();
  /**   * 注册一个计时器(timers)，当processing time的时间等于该计时器时钟时会被调用   * @param time   */  void registerProcessingTimeTimer(long time);
  /**   * 注册一个计时器(timers),当event time的水位线(watermark)到达该时间时会被触发   * @param time   */  void registerEventTimeTimer(long time);
  /**   * 根据给定的触发时间(trigger time)来删除processing-time计时器   * 如果这个timer不存在，那么该方法不会起作用，   * 即该计时器(timer)之前已经被注册了，并且没有过时   *   * @param time   */  void deleteProcessingTimeTimer(long time);      /**   * 根据给定的触发时间(trigger time)来删除event-time 计时器   * 如果这个timer不存在，那么该方法不会起作用，   *   即该计时器(timer)之前已经被注册了，并且没有过时   * @param time   */  void deleteEventTimeTimer(long time);}

TimerService提供了以下几种方法：

• currentProcessingTime()

返回当前的处理时间

• currentWatermark()

返回当前event-time水位线(watermark)时间戳

• registerProcessingTimeTimer(long time)

针对当前key，注册一个processing time计时器(timers)，当processing time的时间等于该计时器时钟时会被调用

• registerEventTimeTimer(long time)

针对当前key，注册一个event time计时器(timers)，当水位线时间戳大于等于该计时器时钟时会被调用

• deleteProcessingTimeTimer(long time)

针对当前key，删除一个之前注册过的processing time计时器(timers)，如果这个timer不存在，那么该方法不会起作用

• deleteEventTimeTimer(long time)

针对当前key，删除一个之前注册过的event time计时器(timers)，如果这个timer不存在，那么该方法不会起作用

当计时器触发时，会回调onTimer()函数，系统对于ProcessElement()方法和onTimer()方法的调用是同步的

注意:上面的源码中有两个Error 信息,这就说明计时器只能在keyed streams上使用，常见的用途是在某些key值不在使用后清除keyed state，或者实现一些基于时间的自定义窗口逻辑。如果要在一个非KeyedStream上使用计时器，可以使用KeySelector返回一个固定的分区值(比如返回一个常数)，这样所有的数据只会发送到一个分区。

使用案例

下面将使用Process Function的side output功能进行分流处理，具体代码如下：

public class ProcessFunctionExample {
    // 定义side output标签    static final OutputTag<UserBehaviors> buyTags = new OutputTag<UserBehaviors>("buy") {    };    static final OutputTag<UserBehaviors> cartTags = new OutputTag<UserBehaviors>("cart") {    };    static final OutputTag<UserBehaviors> favTags = new OutputTag<UserBehaviors>("fav") {    };    static class SplitStreamFunction extends ProcessFunction<UserBehaviors, UserBehaviors> {
        @Override        public void processElement(UserBehaviors value, Context ctx, Collector<UserBehaviors> out) throws Exception {            switch (value.behavior) {                case "buy":                    ctx.output(buyTags, value);                    break;                case "cart":                    ctx.output(cartTags, value);                    break;                case "fav":                    ctx.output(favTags, value);                    break;                default:                    out.collect(value);           }        }    }    public static void main(String[] args) throws Exception {        StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment().setParallelism(1);
        // 模拟数据源[userId,behavior,product]        SingleOutputStreamOperator<UserBehaviors> splitStream = env.fromElements(                new UserBehaviors(1L, "buy", "iphone"),                new UserBehaviors(1L, "cart", "huawei"),                new UserBehaviors(1L, "buy", "logi"),                new UserBehaviors(1L, "fav", "oppo"),                new UserBehaviors(2L, "buy", "huawei"),                new UserBehaviors(2L, "buy", "onemore"),                new UserBehaviors(2L, "fav", "iphone")).process(new SplitStreamFunction());
        //获取分流之后购买行为的数据        splitStream.getSideOutput(buyTags).print("data_buy");        //获取分流之后加购行为的数据        splitStream.getSideOutput(cartTags).print("data_cart");        //获取分流之后收藏行为的数据        splitStream.getSideOutput(favTags).print("data_fav");
        env.execute("ProcessFunctionExample");    }}

总结

本文首先介绍了Flink提供的几种底层Process Function API，这些API可以访问时间戳和水位线，同时支持注册一个计时器，进行调用回调函数onTimer()。接着从源码的角度解读了这些API的共同部分，详细解释了每个方法的具体含义和使用方式。最后，给出了一个Process Function常见使用场景案例，使用其实现分流处理。除此之外，用户还可以使用这些函数，通过注册计时器，在回调函数中定义处理逻辑，使用非常的灵活。

我就知道你“在看”

本文分享自微信公众号 - 大数据技术与数仓（gh_95306769522d）。
如有侵权，请联系 support@oschina.cn 删除。
本文参与“OSC源创计划”，欢迎正在阅读的你也加入，一起分享。