本案例根據某電網公司的真實業務需求,通過Blink SQL+UDAF實現實時流上的差值聚合計算,通過本案例,讓讀者熟悉UDAF編寫,並理解UDAF中的方法調用關係和順序。
感謝@軍長在實現過程中的指導。筆者水平有限,若有紕漏,請批評指出。
一、客戶需求
電網公司每天採集各個用戶的電錶數據(格式如下表),其中data_date為電錶數據上報時間,cons_id為電錶id,r1為電錶度數,其他字段與計算邏輯無關,可忽略。為了後續演示方便,僅輸入cons_id=100000002的數據。
no(string) | data_date(string) | cons_id(string) | org_no(string) | r1(double) |
---|---|---|---|---|
101 | 20190716 | 100000002 | 35401 | 13.76 |
101 | 20190717 | 100000002 | 35401 | 14.12 |
101 | 20190718 | 100000002 | 35401 | 16.59 |
101 | 20190719 | 100000002 | 35401 | 18.89 |
表1:輸入數據
電網公司希望通過實時計算(Blink)對電錶數據處理後,每天得到每個電錶最近兩天(當天和前一天)的差值數據,結果類似如下表:
cons_id(string) | data_date(string) | subDegreeR1(double) |
---|---|---|
100000002 | 20190717 | 0.36 |
100000002 | 20190718 | 2.47 |
100000002 | 20190719 | 2.3 |
二、需求分析
根據客戶的需求,比較容易得到兩種解決方案:1、通過over窗口(2 rows over window)開窗進行差值聚合;2、通過hop窗口(sliding=1天,size=2天)進行差值聚合。
over窗口和hop窗口均是Blink支持的標準窗口,使用起來非常簡單。本需求的最大難點在於差值聚合,Blink支持SUM、MAX、MIN、AVG等內置的聚合函數,但沒有滿足業務需求的差值聚合函數,因此需要通過自定義聚合函數(UDAF)來實現。
三、UDAF開發
實時計算自定義函數開發搭建環境請參考UDX概述(https://help.aliyun.com/document_detail/69463.html?spm=a2c4g.11186623.6.665.76881509l0zB6B),在此不再贅述。本案例使用Blink2.2.7版本,下面簡要描述關鍵代碼的編寫。
完整代碼(為了方便上傳,使用了txt格式):SubtractionUdaf.txt
1、在com.alibaba.blink.sql.udx.SubtractionUdaf包中創建一個繼承AggregateFunction類的SubtractionUdaf類。
public class SubtractionUdaf extends AggregateFunction<Double, SubtractionUdaf.Accum>
其中Double是UDAF輸出的類型,在本案例中為相鄰兩天的電錶差值度數。SubtractionUdaf.Accum是內部自定義的accumulator數據結構。
2、定義accumulator數據結構,用戶保存UDAF的狀態。
public static class Accum {
private long currentTime;//最新度數的上報時間
private double oldDegree;//前一次度數
private double newDegree;//當前最新度數
private long num; //accumulator中已經計算的record數量,主要用於merge
private List<Tuple2<Double, Long>> listInput;//緩存所有的輸入,主要用於retract
}
3、實現createAccumulator方法,初始化UDAF的accumulator
//初始化udaf的accumulator
public SubtractionUdaf.Accum createAccumulator() {
SubtractionUdaf.Accum acc = new SubtractionUdaf.Accum();
acc.currentTime = 0;
acc.oldDegree = 0.0;
acc.newDegree = 0.0;
acc.num = 0;
acc.listInput = new ArrayList<Tuple2<Double, Long>>();
return acc;
}
4、實現getValue方法,用於通過存放狀態的accumulator計算UDAF的結果,本案例需求是計算新舊數據兩者的差值。
public Double getValue(SubtractionUdaf.Accum accumulator) {
return accumulator.newDegree - accumulator.oldDegree;
}
5、實現accumulate方法,用於根據輸入數據更新UDAF存放狀態的accumulator。考慮到數據可能亂序以及可能的retract,數據數據包括了對應的度數iValue,還包括上報度數的時間(構造的事件時間ts)。
public void accumulate(SubtractionUdaf.Accum accumulator, double iValue, long ts) {
System.out.println("method : accumulate" );
accumulator.listInput.add(Tuple2.of(Double.valueOf(iValue),Long.valueOf(ts)));
Collections.sort(accumulator.listInput,this.comparator);//按照時間排序
accumulator.num ++;
if(accumulator.listInput.size() == 1){
accumulator.newDegree = iValue;
accumulator.oldDegree = 0.0;
accumulator.currentTime = ts;
}else {//處理可能存在的數據亂序問題
accumulator.newDegree = accumulator.listInput.get(0).f0;
accumulator.currentTime = accumulator.listInput.get(0).f1;
accumulator.oldDegree = accumulator.listInput.get(1).f0;
}
}
其中accumulator為UDAF的狀態,iValue和ts為實際的輸入數據。
注意需要處理可能存在的輸入數據亂序問題。
6、實現retract方法,用於在某些優化場景下(如使用over窗口)對retract的數據進行處理。
public void retract(SubtractionUdaf.Accum accumulator, double iValue, long ts) throws Exception{
if(accumulator.listInput.contains(Tuple2.of(iValue, ts))){
if(accumulator.listInput.indexOf(Tuple2.of(iValue, ts)) == 0){//retract的是最新值
accumulator.listInput.remove(0);
accumulator.num--;
if(accumulator.listInput.isEmpty()){
accumulator.currentTime = 0;
accumulator.oldDegree = 0.0;
accumulator.newDegree = 0.0;
}else if(accumulator.listInput.size() == 1) {
accumulator.currentTime = accumulator.listInput.get(0).f1;
accumulator.newDegree = accumulator.listInput.get(0).f0;
accumulator.oldDegree = 0.0;
}else{
accumulator.currentTime = accumulator.listInput.get(0).f1;
accumulator.newDegree = accumulator.listInput.get(0).f0;
accumulator.oldDegree = accumulator.listInput.get(1).f0;
}
} else if(accumulator.listInput.indexOf(Tuple2.of(iValue, ts)) == 1){//retract的是次新值
accumulator.listInput.remove(1);
accumulator.num--;
if(accumulator.listInput.size() == 1){
accumulator.oldDegree = 0.0;
}else {
accumulator.oldDegree = accumulator.listInput.get(1).f0;
}
}else {//retract的是其他值
accumulator.listInput.remove(Tuple2.of(iValue, ts));
accumulator.num--;
}
}else {
throw new Exception("Cannot retract a unexist record : iValue = "+ iValue + "timestamp = "+ ts);
}
}
需要考慮retract的是最新的數據還是次新的數據,需要不同的邏輯處理。
7、實現merge方法,用於某些優化場景(如使用hop窗口)。
public void merge(SubtractionUdaf.Accum accumulator, Iterable<SubtractionUdaf.Accum> its) {
int i = 0;
System.out.println("method : merge" );
System.out.println("accumulator : "+ accumulator.newDegree);
System.out.println("accumulator : "+ accumulator.currentTime);
for (SubtractionUdaf.Accum entry : its) {
if(accumulator.currentTime < entry.currentTime){
if(entry.num > 1){
accumulator.currentTime = entry.currentTime;
accumulator.oldDegree = entry.oldDegree;
accumulator.newDegree = entry.newDegree;
accumulator.num += entry.num;
accumulator.listInput.addAll(entry.listInput);
}else if(entry.num == 1){
accumulator.currentTime = entry.currentTime;
accumulator.oldDegree = accumulator.newDegree;
accumulator.newDegree = entry.newDegree;
accumulator.num ++;
accumulator.listInput.addAll(entry.listInput);
}
}else{
if(accumulator.num > 1){
accumulator.num += entry.num;
accumulator.listInput.addAll(entry.listInput);
}else if(accumulator.num == 1){
accumulator.oldDegree = entry.newDegree;
accumulator.num += entry.num;
accumulator.listInput.addAll(entry.listInput);
}else if(accumulator.num == 0){
accumulator.currentTime = entry.currentTime;
accumulator.oldDegree = entry.oldDegree;
accumulator.newDegree = entry.newDegree;
accumulator.num = entry.num;
accumulator.listInput.addAll(entry.listInput);
}
}
Collections.sort(accumulator.listInput,this.comparator);
System.out.println("merge : "+i);
System.out.println("newDegree : "+entry.newDegree);
System.out.println("oldDegree = "+entry.oldDegree);
System.out.println("currentTime : "+entry.currentTime);
}
}
需要考慮merge的是否是比當前新的數據,需要不同的處理邏輯。
8、其他方面,考慮到需要對輸入度數按照事件時間排序,在open方法中實例化了自定義的Comparator類,對accumulator數據結構中的inputList按事件時間的降序排序。
public void open(FunctionContext context) throws Exception {
//定義record的先後順序,用於listInput的排序,時間越新的record在list中越前面
this.comparator = new Comparator<Tuple2<Double, Long>>() {
public int compare( Tuple2<Double, Long> o1, Tuple2<Double, Long> o2) {
if (Long.valueOf(o1.f1) < Long.valueOf(o2.f1)) {
return 1;
} else if (Long.valueOf(o1.f1) > Long.valueOf(o2.f1)) {
return -1;
}else {
return 0;
}
}
};
}
請參考[使用IntelliJ IDEA開發自定義函數]()完成UDAF編譯、打包,並參考UDX概述完成資源的上傳和引用。
四、SQL開發及測試結果
(一)over窗口
SQL代碼如下,語法檢查、上線、啟動作業(選擇當前啟動位點)。並將表1數據上傳至datahub。
CREATE FUNCTION OverWindowSubtractionUdaf as 'com.alibaba.blink.sql.udx.SubtractionUdaf';
CREATE TABLE input_dh_e_mp_read_curve (
`no` VARCHAR,
data_date VARCHAR,
cons_id VARCHAR,
org_no VARCHAR,
r1 DOUBLE,
ts as TO_TIMESTAMP(concat(data_date,'000000'),'yyyyMMddHHmmss')
,WATERMARK wk FOR ts as withOffset(ts, 2000)
) WITH (
type = 'datahub',
endPoint = 'http://dh-cn-shanghai.aliyun-inc.com',
roleArn='acs:ram::XXX:role/aliyunstreamdefaultrole',
project = 'jszc_datahub',
topic = 'input_dh_e_mp_read_curve'
);
CREATE TABLE data_out(
cons_id varchar
,data_date varchar
,subDegreeR1 DOUBLE
)with(
type = 'print'
);
INSERT into data_out
SELECT
cons_id
,last_value(data_date) OVER (
PARTITION BY cons_id
ORDER BY ts
ROWS BETWEEN 1 preceding AND CURRENT ROW) as data_date
,OverWindowSubtractionUdaf(r1,unix_timestamp(ts)) OVER (
PARTITION BY cons_id
ORDER BY ts
ROWS BETWEEN 1 preceding AND CURRENT ROW) as data_date
FROM input_dh_e_mp_read_curve
由於使用了print connector,從對應的sink的taskmanager.out日誌中可以查看到輸出如下(已忽略其他debug日誌):
task-1> (+)100000002,20190716,13.76
task-1> (+)100000002,20190717,0.35999999999999943
task-1> (+)100000002,20190718,2.4700000000000006
對比期望輸出(表2),20190717和20190718兩個窗口的數據均正確,表明業務邏輯正確,但此輸出與期望輸出有少許差異:
(1)20190716輸出為13.76,這是因為第一個over窗口只有一條數據導致的,這種數據可以在業務層過濾掉;
(2)20190719的數據沒有輸出,這是因為我們設置了watermark,測試環境下20190719之後沒有數據進來觸發20190719對應的窗口的結束。
(二)hop窗口
SQL代碼如下:語法檢查、上線、啟動作業(選擇當前啟動位點)。並將表1數據上傳至datahub。
CREATE FUNCTION HopWindowSubtractionUdaf as 'com.alibaba.blink.sql.udx.SubtractionUdaf';
CREATE TABLE input_dh_e_mp_read_curve (
`no` VARCHAR,
data_date VARCHAR,
cons_id VARCHAR,
org_no VARCHAR,
r1 DOUBLE,
ts as TO_TIMESTAMP(concat(data_date,'000000'),'yyyyMMddHHmmss')
,WATERMARK wk FOR ts as withOffset(ts, 2000)
) WITH (
type = 'datahub',
endPoint = 'http://dh-cn-shanghai.aliyun-inc.com',
roleArn='acs:ram::XXX:role/aliyunstreamdefaultrole',
project = 'jszc_datahub',
topic = 'input_dh_e_mp_read_curve'
);
CREATE TABLE data_out(
cons_id varchar
,data_date varchar
,subDegreeR1 DOUBLE
)with(
type = 'print'
);
INSERT into data_out
SELECT
cons_id
,DATE_FORMAT(HOP_end(ts, INTERVAL '1' day,INTERVAL '2' day), 'yyyyMMdd')
,HopWindowSubtractionUdaf(r1,unix_timestamp(ts))
FROM input_dh_e_mp_read_curve
group by hop(ts, INTERVAL '1' day,INTERVAL '2' day),cons_id;
由於使用了print connector,從對應的sink的taskmanager.out日誌中可以查看到輸出如下(已忽略其他debug日誌):
task-1> (+)100000002,20190716,13.76
task-1> (+)100000002,20190717,0.35999999999999943
task-1> (+)100000002,20190718,2.4700000000000006
對比期望輸出(表2),20190717和20190718兩個窗口的數據均正確,表明業務邏輯正確,但此輸出與期望輸出有少許差異:
(1)20190716輸出為13.76,這是因為第一個hop窗口只有一條數據導致的,這種數據可以在業務層過濾掉;
(2)20190719的數據沒有輸出,這是因為我們設置了watermark,測試環境下20190719之後沒有數據進來觸發20190719對應的窗口的結束。
五、幾點思考
1、關於UDAF內部方法的調用關係和順序
UDAF中主要有createAccumulator、getValue、accumulate、retract和merge方法,其調用關係和順序並不是完全確定,而是與Blink底層優化、Blink版本、開窗類型(如hop還是over窗口)等相關。
比較確定的是一次正常(沒有failover)的作業,createAccumulator方法只在作業啟動時調用一次,accumulate方法在每條數據輸入時調用一次,在觸發數據輸出時會調用一次getValue(並不代表只調用一次)。
而retract方法和merge方法則跟具體的優化方式或開窗類型有關,本案例中over窗口調用retract方法而不調用merge方法,hop窗口調用merge方法而不調用retract方法。
大家可以增加日誌,觀察這幾個方法的調用順序,還是蠻有意思的。
2、如何知道需要實現UDAF中的哪些方法
UDAF中必須實現createAccumulator、getValue、accumulate方法,可選擇實現retract和merge方法。
一般情況下,可先實現createAccumulator、getValue、accumulate三個方法,然後編寫SQL後進行語法檢查,SQL編譯器會提示是否需要retract或merge方法。
比如,如果沒有實現retract方法,在使用over窗口時,語法檢查會報類似如下錯誤:
org.apache.flink.table.api.ValidationException: Function class 'com.alibaba.blink.sql.udx.SubtractionUdaf' does not implement at least one method named 'retract' which is public, not abstract and (in case of table functions) not static.
比如,如果沒有實現merge方法,在使用over窗口時,語法檢查會報類似如下錯誤:
org.apache.flink.table.api.ValidationException: Function class 'com.alibaba.blink.sql.udx.SubtractionUdaf' does not implement at least one method named 'merge' which is public, not abstract and (in case of table functions) not static.
3、本案例存在優化空間的地方
(1)本案例沒有考慮數據缺失的問題,比如因為某種原因(網絡問題、數據採集問題等)缺少20190717的數據。這種情況下會是什麼樣的結果?大家可以自行測試下;
(2)本案例使用了一個List,然後通過Collections.sort方法進行排序,這不是很優的方法,如果用優先級隊列(priority queue)性能應該會更好;