Flink实时计算Pv、Uv的几种方法

[[403901]]

本文转载自微信公众号「Java大数据与数据仓库」，作者柯少爷。转载本文请联系Java大数据与数据仓库公众号。

实时统计pv、uv是再常见不过的大数据统计需求了，前面出过一篇SparkStreaming实时统计pv,uv的案例，这里用Flink实时计算pv,uv。

我们需要统计不同数据类型每天的pv，uv情况,并且有如下要求.

• 每秒钟要输出最新的统计结果;
• 程序永远跑着不会停,所以要定期清理内存里的过时数据;
• 收到的消息里的时间字段并不是按照顺序严格递增的,所以要有一定的容错机制;
• 访问uv并不一定每秒钟都会变化,重复输出对IO是巨大的浪费,所以要在uv变更时在一秒内输出结果,未变更时不输出;

Flink数据流上的类型和操作

DataStream是flink流处理最核心的数据结构，其它的各种流都可以直接或者间接通过DataStream来完成相互转换，一些常用的流直接的转换关系如图：

可以看出，DataStream可以与KeyedStream相互转换，KeyedStream可以转换为WindowedStream，DataStream不能直接转换为WindowedStream，WindowedStream可以直接转换为DataStream。各种流之间虽然不能相互直接转换，但是都可以通过先转换为DataStream，再转换为其它流的方法来实现。

在这个计算pv,uv的需求中就主要用到DataStream、KeyedStream以及WindowedStream这些数据结构。

这里需要用到window和watermark，使用窗口把数据按天分割，使用watermark可以通过“水位”来定期清理窗口外的迟到数据，起到清理内存的作用。

业务代码

我们的数据是json类型的，含有date,version,guid这3个字段，在实时统计pv,uv这个功能中，其它字段可以直接丢掉，当然了在离线数据仓库中，所有有含义的业务字段都是要保留到hive当中的。其它相关概念就不说了，会专门介绍，这里直接上代码吧。

<?xml version="1.0" encoding="UTF-8"?> 
<project xmlns="http://maven.apache.org/POM/4.0.0" 
         xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" 
         xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd"> 
    <modelVersion>4.0.0</modelVersion> 
 
    <groupId>com.ddxygq</groupId> 
    <artifactId>bigdata</artifactId> 
    <version>1.0-SNAPSHOT</version> 
 
    <properties> 
        <scala.version>2.11.8</scala.version> 
        <flink.version>1.7.0</flink.version> 
        <pkg.name>bigdata</pkg.name> 
    </properties> 
 
    <dependencies> 
        <dependency> 
            <groupId>org.apache.flink</groupId> 
            <artifactId>flink-scala_2.11</artifactId> 
            <version>{flink.version}</version> 
  </dependency> 
        <dependency> 
            <groupId>org.apache.flink</groupId> 
            <artifactId>flink-streaming-scala_2.11</artifactId> 
            <version>flink.version</version> 
  </dependency> 
   
        <dependency> 
            <groupId>org.apache.flink</groupId> 
            <artifactId>flink-streaming-java_2.11</artifactId> 
            <version>{flink.version}</version> 
        </dependency> 
        <!-- https://mvnrepository.com/artifact/org.apache.flink/flink-connector-kafka-0.8 --> 
        <dependency> 
            <groupId>org.apache.flink</groupId> 
            <artifactId>flink-connector-kafka-0.10_2.11</artifactId> 
            <version>flink.version</version> 
  </dependency> 
 
    <build> 
        <!--测试代码和文件--> 
        <!--<testSourceDirectory>{basedir}/src/test</testSourceDirectory>--> 
        <finalName>basedir/src/test</testSourceDirectory>−−><finalName>{pkg.name}</finalName> 
        <sourceDirectory>src/main/java</sourceDirectory> 
        <resources> 
            <resource> 
                <directory>src/main/resources</directory> 
                <includes> 
                    <include>*.properties</include> 
                    <include>*.xml</include> 
                </includes> 
                <filtering>false</filtering> 
            </resource> 
        </resources> 
        <plugins> 
            <!-- 跳过测试插件--> 
            <plugin> 
                <groupId>org.apache.maven.plugins</groupId> 
                <artifactId>maven-surefire-plugin</artifactId> 
                <configuration> 
                    <skip>true</skip> 
                </configuration> 
            </plugin> 
            <!--编译scala插件--> 
            <plugin> 
                <groupId>org.scala-tools</groupId> 
                <artifactId>maven-scala-plugin</artifactId> 
                <version>2.15.2</version> 
                <executions> 
                    <execution> 
                        <goals> 
                            <goal>compile</goal> 
                            <goal>testCompile</goal> 
                        </goals> 
                    </execution> 
                </executions> 
            </plugin> 
        </plugins> 
    </build> 
</project> 

主要代码，主要使用scala开发：

package com.ddxygq.bigdata.flink.streaming.pvuv 
 
import java.util.Properties 
 
import com.alibaba.fastjson.JSON 
import org.apache.flink.runtime.state.filesystem.FsStateBackend 
import org.apache.flink.streaming.api.CheckpointingMode 
import org.apache.flink.streaming.api.functions.timestamps.BoundedOutOfOrdernessTimestampExtractor 
import org.apache.flink.streaming.api.scala.{DataStream, StreamExecutionEnvironment} 
import org.apache.flink.streaming.api.windowing.time.Time 
import org.apache.flink.streaming.api.windowing.triggers.ContinuousProcessingTimeTrigger 
import org.apache.flink.streaming.connectors.kafka.FlinkKafkaConsumer010 
import org.apache.flink.streaming.util.serialization.SimpleStringSchema 
import org.apache.flink.streaming.api.scala.extensions._ 
import org.apache.flink.api.scala._ 
 
/** 
  * @ Author: keguang 
  * @ Date: 2019/3/18 17:34 
  * @ version: v1.0.0 
  * @ description:  
  */ 
object PvUvCount { 
  def main(args: Array[String]): Unit = { 
    val env = StreamExecutionEnvironment.getExecutionEnvironment 
 
    // 容错 
    env.enableCheckpointing(5000) 
    env.getCheckpointConfig.setCheckpointingMode(CheckpointingMode.EXACTLY_ONCE) 
    env.setStateBackend(new FsStateBackend("file:///D:/space/IJ/bigdata/src/main/scala/com/ddxygq/bigdata/flink/checkpoint/flink/tagApp")) 
 
    // kafka 配置 
    val ZOOKEEPER_HOST = "hadoop01:2181,hadoop02:2181,hadoop03:2181" 
    val KAFKA_BROKERS = "hadoop01:9092,hadoop02:9092,hadoop03:9092" 
    val TRANSACTION_GROUP = "flink-count" 
    val TOPIC_NAME = "flink" 
    val kafkaProps = new Properties() 
    kafkaProps.setProperty("zookeeper.connect", ZOOKEEPER_HOST) 
    kafkaProps.setProperty("bootstrap.servers", KAFKA_BROKERS) 
    kafkaProps.setProperty("group.id", TRANSACTION_GROUP) 
 
    // watrmark 允许数据延迟时间 
    val MaxOutOfOrderness = 86400 * 1000L 
     
    // 消费kafka数据 
    val streamData: DataStream[(String, String, String)] = env.addSource( 
      new FlinkKafkaConsumer010[String](TOPIC_NAME, new SimpleStringSchema(), kafkaProps) 
    ).assignTimestampsAndWatermarks(new BoundedOutOfOrdernessTimestampExtractor[String](Time.milliseconds(MaxOutOfOrderness)) { 
      override def extractTimestamp(element: String): Long = { 
        val t = JSON.parseObject(element) 
        val time = JSON.parseObject(JSON.parseObject(t.getString("message")).getString("decrypted_data")).getString("time") 
        time.toLong 
      } 
    }).map(x => { 
      var date = "error" 
      var guid = "error" 
      var helperversion = "error" 
      try { 
        val messageJsonObject = JSON.parseObject(JSON.parseObject(x).getString("message")) 
        val datetime = messageJsonObject.getString("time") 
        date = datetime.split(" ")(0) 
        // hour = datetime.split(" ")(1).substring(0, 2) 
        val decrypted_data_string = messageJsonObject.getString("decrypted_data") 
        if (!"".equals(decrypted_data_string)) { 
          val decrypted_data = JSON.parseObject(decrypted_data_string) 
          guid = decrypted_data.getString("guid").trim 
          helperversion = decrypted_data.getString("helperversion") 
        } 
      } catch { 
        case e: Exception => { 
          println(e) 
        } 
      } 
      (date, helperversion, guid) 
    }) 
    // 这上面是设置watermark并解析json部分 
    // 聚合窗口中的数据，可以研究下applyWith这个方法和OnWindowedStream这个类 
    val resultStream = streamData.keyBy(x => { 
      x._1 + x._2 
    }).timeWindow(Time.days(1)) 
      .trigger(ContinuousProcessingTimeTrigger.of(Time.seconds(1))) 
      .applyWith(("", List.empty[Int], Set.empty[Int], 0L, 0L))( 
        foldFunction = { 
          case ((_, list, set, _, 0), item) => { 
            val date = item._1 
            val helperversion = item._2 
            val guid = item._3 
            (date + "_" + helperversion, guid.hashCode +: list, set + guid.hashCode, 0L, 0L) 
          } 
        } 
        , windowFunction = { 
          case (key, window, result) => { 
            result.map { 
              case (leixing, list, set, _, _) => { 
                (leixing, list.size, set.size, window.getStart, window.getEnd) 
              } 
            } 
          } 
        } 
      ).keyBy(0) 
      .flatMapWithState[(String, Int, Int, Long, Long),(Int, Int)]{ 
      case ((key, numpv, numuv, begin, end), curr) => 
 
        curr match { 
          case Some(numCurr) if numCurr == (numuv, numpv) => 
            (Seq.empty, Some((numuv, numpv))) //如果之前已经有相同的数据,则返回空结果 
          case _ => 
            (Seq((key, numpv, numuv, begin, end)), Some((numuv, numpv))) 
        } 
    } 
 
    // 最终结果 
    val resultedStream = resultStream.map(x => { 
      val keys = x._1.split("_") 
      val date = keys(0) 
      val helperversion = keys(1) 
      (date, helperversion, x._2, x._3) 
    }) 
 
    resultedStream.print() 
    env.execute("PvUvCount") 
 
  } 
} 

使用List集合的size保存pv,使用Set集合的size保存uv，从而达到实时统计pv,uv的目的。

这里用了几个关键的函数：

applyWith：里面需要的参数，初始状态变量，和foldFunction ，windowFunction ;

存在的问题

显然，当数据量很大的时候，这个List集合和Set集合会很大，并且这里的pv是否可以不用List来存储，而是通过一个状态变量，不断做累加，对应操作就是更新状态来完成。

改进版

使用了一个计数器来存储pv的值。

packagecom.ddxygq.bigdata.flink.streaming.pvuv 
 
import java.util.Properties 
 
import com.alibaba.fastjson.JSON 
import org.apache.flink.api.common.accumulators.IntCounter 
import org.apache.flink.runtime.state.filesystem.FsStateBackend 
import org.apache.flink.streaming.api.CheckpointingMode 
import org.apache.flink.streaming.api.functions.timestamps.BoundedOutOfOrdernessTimestampExtractor 
import org.apache.flink.streaming.api.scala.{DataStream, StreamExecutionEnvironment} 
import org.apache.flink.streaming.api.windowing.time.Time 
import org.apache.flink.streaming.api.windowing.triggers.ContinuousProcessingTimeTrigger 
import org.apache.flink.streaming.connectors.kafka.FlinkKafkaConsumer010 
import org.apache.flink.streaming.util.serialization.SimpleStringSchema 
import org.apache.flink.streaming.api.scala.extensions._ 
import org.apache.flink.api.scala._ 
import org.apache.flink.core.fs.FileSystem 
 
object PvUv2 { 
  def main(args: Array[String]): Unit = { 
    val env = StreamExecutionEnvironment.getExecutionEnvironment 
 
    // 容错 
    env.enableCheckpointing(5000) 
    env.getCheckpointConfig.setCheckpointingMode(CheckpointingMode.EXACTLY_ONCE) 
    env.setStateBackend(new FsStateBackend("file:///D:/space/IJ/bigdata/src/main/scala/com/ddxygq/bigdata/flink/checkpoint/streaming/counter")) 
 
    // kafka 配置 
    val ZOOKEEPER_HOST = "hadoop01:2181,hadoop02:2181,hadoop03:2181" 
    val KAFKA_BROKERS = "hadoop01:9092,hadoop02:9092,hadoop03:9092" 
    val TRANSACTION_GROUP = "flink-count" 
    val TOPIC_NAME = "flink" 
    val kafkaProps = new Properties() 
    kafkaProps.setProperty("zookeeper.connect", ZOOKEEPER_HOST) 
    kafkaProps.setProperty("bootstrap.servers", KAFKA_BROKERS) 
    kafkaProps.setProperty("group.id", TRANSACTION_GROUP) 
 
    // watrmark 允许数据延迟时间 
    val MaxOutOfOrderness = 86400 * 1000L 
 
    val streamData: DataStream[(String, String, String)] = env.addSource( 
      new FlinkKafkaConsumer010[String](TOPIC_NAME, new SimpleStringSchema(), kafkaProps) 
    ).assignTimestampsAndWatermarks(new BoundedOutOfOrdernessTimestampExtractor[String](Time.milliseconds(MaxOutOfOrderness)) { 
      override def extractTimestamp(element: String): Long = { 
        val t = JSON.parseObject(element) 
        val time = JSON.parseObject(JSON.parseObject(t.getString("message")).getString("decrypted_data")).getString("time") 
        time.toLong 
      } 
    }).map(x => { 
      var date = "error" 
      var guid = "error" 
      var helperversion = "error" 
      try { 
        val messageJsonObject = JSON.parseObject(JSON.parseObject(x).getString("message")) 
        val datetime = messageJsonObject.getString("time") 
        date = datetime.split(" ")(0) 
        // hour = datetime.split(" ")(1).substring(0, 2) 
        val decrypted_data_string = messageJsonObject.getString("decrypted_data") 
        if (!"".equals(decrypted_data_string)) { 
          val decrypted_data = JSON.parseObject(decrypted_data_string) 
          guid = decrypted_data.getString("guid").trim 
          helperversion = decrypted_data.getString("helperversion") 
        } 
      } catch { 
        case e: Exception => { 
          println(e) 
        } 
      } 
      (date, helperversion, guid) 
    }) 
 
    val resultStream = streamData.keyBy(x => { 
      x._1 + x._2 
    }).timeWindow(Time.days(1)) 
      .trigger(ContinuousProcessingTimeTrigger.of(Time.seconds(1))) 
      .applyWith(("", new IntCounter(), Set.empty[Int], 0L, 0L))( 
        foldFunction = { 
          case ((_, cou, set, _, 0), item) => { 
            val date = item._1 
            val helperversion = item._2 
            val guid = item._3 
            cou.add(1) 
            (date + "_" + helperversion, cou, set + guid.hashCode, 0L, 0L) 
          } 
        } 
        , windowFunction = { 
          case (key, window, result) => { 
            result.map { 
              case (leixing, cou, set, _, _) => { 
                (leixing, cou.getLocalValue, set.size, window.getStart, window.getEnd) 
              } 
            } 
          } 
        } 
      ).keyBy(0) 
      .flatMapWithState[(String, Int, Int, Long, Long),(Int, Int)]{ 
      case ((key, numpv, numuv, begin, end), curr) => 
 
        curr match { 
          case Some(numCurr) if numCurr == (numuv, numpv) => 
            (Seq.empty, Some((numuv, numpv))) //如果之前已经有相同的数据,则返回空结果 
          case _ => 
            (Seq((key, numpv, numuv, begin, end)), Some((numuv, numpv))) 
        } 
    } 
 
    // 最终结果 
    val resultedStream = resultStream.map(x => { 
      val keys = x._1.split("_") 
      val date = keys(0) 
      val helperversion = keys(1) 
      (date, helperversion, x._2, x._3) 
    }) 
 
    val resultPath = "D:\\space\\IJ\\bigdata\\src\\main\\scala\\com\\ddxygq\\bigdata\\flink\\streaming\\pvuv\\result" 
    resultedStream.writeAsText(resultPath, FileSystem.WriteMode.OVERWRITE) 
    env.execute("PvUvCount") 
 
  } 
} 

改进

其实这里还是需要set保存uv，难免对内存有压力，如果我们的集群不大，为了节省开支，我们可以使用外部媒介，如hbase的rowkey唯一性、redis的set数据结构，都是可以达到实时、快速去重的目的。

参考资料

https://flink.sojb.cn/dev/event_time.htm

lhttp://wuchong.me/blog/2016/05/20/flink-internals-streams-and-operations-on-streams

https://segmentfault.com/a/1190000006235690