事件时间窗口分析
在SparkStreaming中窗口统计分析：Window Operation（设置窗口大小WindowInterval和滑动大小SlideInterval），按照Streaming 流式应用接收数据的时间进行窗口设计的，其实是不符合实际应用场景的。
例如，在物联网数据平台中，每个设备产生的数据，其中包含数据产生的时间，然而数据需要经过一系列采集传输才能被流式计算框架处理：SparkStreaming，此过程需要时间的，再按照处理时间来统计业务的时候，准确性降低，存在不合理性。
在结构化流Structured Streaming中窗口数据统计时间是基于数据本身事件时间EventTime字段统计，更加合理性，官方文档：
http://spark.apache.org/docs/2.4.5/structured-streaming-programming-guide.html#window-operations-on-event-time
时间概念
在Streaming流式数据处理中，按照时间处理数据，其中时间有三种概念：
1）、事件时间EventTime，表示数据本身产生的时间，该字段在数据本身中；
2）、注入时间IngestionTime，表示数据到达流式系统时间，简而言之就是流式处理系统接收到数据的时间；
3）、处理时间ProcessingTime，表示数据被流式系统真正开始计算操作的时间。
不同流式计算框架支持时间不一样，
SparkStreaming框架仅仅支持处理时间ProcessTime，
StructuredStreaming支持事件时间和处理时间，
Flink框架支持三种时间数据操作，
实际项目中往往针对【事件时间EventTime】进行数据处理操作，更加合理化。
event-time
基于事件时间窗口聚合操作：基于窗口的聚合（例如每分钟事件数）只是事件时间列上特殊类型的分组和聚合，其中每个时间窗口都是一个组，并且每一行可以属于多个窗口/组。
事件时间EventTime是嵌入到数据本身中的时间，数据实际真实产生的时间。例如，如果希望获得每分钟由物联网设备生成的事件数，那么可能希望使用生成数据的时间（即数据中的事件时间event time），而不是Spark接收数据的时间（receive time/archive time）。
这个事件时间很自然地用这个模型表示，设备中的每个事件（Event）都是表中的一行（Row），而事件时间（Event Time）是行中的一列值（Column Value）。
因此，这种基于事件时间窗口的聚合查询既可以在静态数据集（例如，从收集的设备事件日志中）上定义，也可以在数据流上定义，从而使用户的使用更加容易。
修改词频统计程序，数据流包含每行数据以及生成每行行的时间。希望在10分钟的窗口内对单词进行计数，每5分钟更新一次，如下图所示：
单词在10分钟窗口【12:00-12:10、12:05-12:15、12:10-12:20】等之间接收的单词中计数。注意，【12:00-12:10】表示处理数据的事件时间为12:00之后但12:10之前的数据。思考一下，12:07的一条数据，应该增加对应于两个窗口12:00-12:10和12:05-12:15的计数。
基于事件时间窗口统计有两个参数索引：分组键（如单词）和窗口（事件时间字段）。
- event-time 窗口生成
Structured Streaming中如何依据EventTime事件时间生成窗口的呢？查看类TimeWindowing源码中生成窗口规则：
代码语言：javascript复制org.apache.spark.sql.catalyst.analysis.TimeWindowing
// 窗口个数
/* 最大的窗口数 = 向上取整(窗口长度/滑动步长) */
maxNumOverlapping <- ceil(windowDuration / slideDuration)
for (i <- 0 until maxNumOverlapping)
/**
timestamp是event-time 传进的时间戳
startTime是window窗口参数，默认是0 second 从时间的0s
含义：event-time从1970年...有多少个滑动步长，如果说浮点数会向上取整
*/
windowId <- ceil((timestamp - startTime) / slideDuration)
/**
windowId * slideDuration 向上取能整除滑动步长的时间
(i - maxNumOverlapping) * slideDuration 每一个窗口开始时间相差一个步长
*/
windowStart <- windowId * slideDuration (i - maxNumOverlapping) * slideDuration startTime
windowEnd <- windowStart windowDuration
return windowStart, windowEnd将【(event-time向上取 能整除 滑动步长的时间) - (最大窗口数×滑动步长)】作为"初始窗口"的开始时间，然后按照窗口滑动宽度逐渐向时间轴前方推进，直到某个窗口不再包含该event-time 为止，最终以"初始窗口"与"结束窗口"之间的若干个窗口作为最终生成的 event-time 的时间窗口。
每个窗口的起始时间start与结束时间end都是前闭后开（左闭右开）的区间，因此初始窗口和结束窗口都不会包含 event-time，最终不会被使用。假设数据为【2019-08-14 10:50:00, dog】，按照上述规则计算窗口示意图如下：
得到窗口如下:
延迟数据处理
Structed Streaming与Spark Streaming相比一大特性就是支持基于数据中的时间戳的数据处理。也就是在处理数据时，可以对记录中的eventTime事件时间字段进行考虑。因为eventTime更好的代表数据本身的信息，且可以借助eventTime处理比预期晚到达的数据，但是需要有一个限度(阈值)，不能一直等，应该要设定最多等多久。
延迟数据
在很多流计算系统中，数据延迟到达（the events arrives late to the application）的情况很常见，并且很多时候是不可控的，因为很多时候是外围系统自身问题造成的。Structured Streaming可以保证一条旧的数据进入到流上时，依然可以基于这些“迟到”的数据重新计算并更新计算结果。
上图中在12:04（即事件时间）生成的单词可能在12:11被应用程序接收，此时，应用程序应使用时间12:04而不是12:11更新窗口12:00-12:10的旧计数。但是会出现如下两个问题：
问题一：延迟数据计算是否有价值
- 如果某些数据，延迟很长时间（如30分钟）才到达流式处理系统，数据还需要再次计算吗？计算的结果还有价值吗？原因在于流式处理系统处理数据关键核心在于实时性；
- 实践表明，流计算关注的是近期数据，更新一个很早之前的状态往往已经不再具有很大的业务价值；
问题二：以前状态保存浪费资源
- 实时统计来说，如果保存很久以前的数据状态，很多时候没有作用的，反而浪费大量资源；
- Spark 2.1引入的watermarking允许用户指定延迟数据的阈值，也允许引擎清除掉旧的状态。即根据watermark机制来设置和判断消息的有效性，如可以获取消息本身的时间戳，然后根据该时间戳来判断消息的到达是否延迟（乱序）以及延迟的时间是否在容忍的范围内（延迟的数据是否处理）。
Watermarking 水位
水位watermarking官方定义：
代码语言：javascript复制lets the engine automatically track the current event time in the data and attempt to clean up old state accordingly.通过指定event-time列（上一批次数据中EventTime最大值）和预估事件的延迟时间上限（Threshold）来定义一个查询的水位线watermark。翻译：让Spark SQL引擎自动追踪数据中当前事件时间EventTime，依据规则清除旧的状态数据。
Watermark = MaxEventTime - Threshod
1：执行第一批次数据时，Watermarker为0，所以此批次中所有数据都参与计算；
2：Watermarker值只能逐渐增加，不能减少；
3：Watermark机制主要解决处理聚合延迟数据和减少内存中维护的聚合状态；
4：设置Watermark以后，输出模式OutputMode只能是Append和Update；
如下方式设置阈值Threshold，计算每批次数据执行时的水位Watermark：
看一下官方案例：词频统计WordCount，设置阈值Threshold为10分钟，每5分钟触发执行一次。
- 延迟到达但没有超过watermark：(12:08, dog)
在12:20触发执行窗口（12:10-12:20）数据中，(12:08, dog) 数据是延迟数据，阈值Threshold设定为10分钟，此时水位线【Watermark = 12:14 - 10m = 12:04】，因为12:14是上个窗口（12:05-12:15）中接收到的最大的事件时间，代表目标系统最后时刻的状态，由于12:08在12:04之后，因此被视为“虽然迟到但尚且可以接收”的数据而被更新到了结果表中，也就是(12:00 - 12:10, dog, 2)和(12:05 - 12:11, dog, 3)。
- 超出watermark：(12:04, donkey)
在12:25触发执行窗口（12:15-12:25）数据中，(12:04, donkey)数据是延迟数据，上个窗口中接收到最大的事件时间为12:21，此时水位线【Watermark = 12:21 - 10m = 12:11】，而(12:04, donkey)比这个值还要早，说明它”太旧了”，所以不会被更新到结果表中了。
设置水位线Watermark以后，不同输出模式OutputMode，结果输出不一样：
- Update模式：总是倾向于“尽可能早”的将处理结果更新到sink，当出现迟到数据时，早期的某个计算结果将会被更新；
- Append模式：推迟计算结果的输出到一个相对较晚的时刻，确保结果是稳定的，不会再被更新，比如：12:00 - 12:10窗口的处理结果会等到watermark更新到12：11之后才会写入到sink。
如果用于接收处理结果的sink不支持更新操作，则只能选择Append模式。
官方案例演示
编写代码，演示官方案例，如下几点注意：
1、该outputMode为update模式，即只会输出那些有更新的数据！！
2、官网案例该开窗窗口长度为10 min，步长5 min，水印为eventtime-10 min，但是测试的时候用秒
3、官网案例trigger(Trigger.ProcessingTime("5 minutes"))，但是测试的时候用秒
测试数据：
代码语言：javascript复制2019-10-10 12:00:07,dog
2019-10-10 12:00:08,owl
2019-10-10 12:00:14,dog
2019-10-10 12:00:09,cat
2019-10-10 12:00:15,cat
2019-10-10 12:00:08,dog
2019-10-10 12:00:13,owl
2019-10-10 12:00:21,owl
2019-10-10 12:00:04,donkey --丢失
2019-10-10 12:00:17,owl --不丢失具体案例代码如下：
代码语言：javascript复制package cn.itcast.structedstreaming
import java.sql.Timestamp
import org.apache.commons.lang3.StringUtils
import org.apache.spark.SparkContext
import org.apache.spark.sql.streaming.{OutputMode, StreamingQuery, Trigger}
import org.apache.spark.sql.{DataFrame, SparkSession}
/**
* 基于Structured Streaming 读取TCP Socket读取数据，事件时间窗口统计词频，将结果打印到控制台
* 每5秒钟统计最近10秒内的数据（词频：WordCount)，设置水位Watermark时间为10秒
* 2019-10-10 12:00:07,dog
* 2019-10-10 12:00:08,owl
*
* 2019-10-10 12:00:14,dog
* 2019-10-10 12:00:09,cat
*
* 2019-10-10 12:00:15,cat
* 2019-10-10 12:00:08,dog
* 2019-10-10 12:00:13,owl
* 2019-10-10 12:00:21,owl
*
* 2019-10-10 12:00:04,donkey --丢失
* 2019-10-10 12:00:17,owl --不丢失
*/
object StructuredWindow {
def main(args: Array[String]): Unit = {
// 1. 构建SparkSession实例对象，传递sparkConf参数
val spark: SparkSession = SparkSession.builder()
.appName(this.getClass.getSimpleName.stripSuffix("$"))
.master("local[*]")
.config("spark.sql.shuffle.partitions", "3")
.getOrCreate()
val sc: SparkContext = spark.sparkContext
sc.setLogLevel("WARN")
import org.apache.spark.sql.functions._
import spark.implicits._
// 2. 使用SparkSession从TCP Socket读取流式数据
val inputStreamDF: DataFrame = spark.readStream
.format("socket")
.option("host", "node1")
.option("port", 9999)
.load()
// 3. 针对获取流式DStream进行词频统计
val resultStreamDF = inputStreamDF
.as[String]
.filter(StringUtils.isNotBlank(_))
// 将每行数据进行分割单词: 2019-10-12 09:00:02,cat dog
.flatMap(line => {
val arr = line.trim.split(",")
val timestampStr: String = arr(0)
val wordsStr: String = arr(1)
wordsStr
.split("\s ")
//(时间戳,单词)
.map((Timestamp.valueOf(timestampStr), _))
})
// 设置列的名称
.toDF("timestamp", "word")
// TODO：设置水位Watermark
.withWatermark("timestamp", "10 seconds")
// TODO：设置基于事件时间（event time）窗口 -> time, 每5秒统计最近10秒内数据
.groupBy(
window($"timestamp", "10 seconds", "5 seconds"),
$"word"
).count()
// 按照窗口字段降序排序
//.orderBy($"window")
/*
root
|-- window: struct (nullable = true)
| |-- start: timestamp (nullable = true)
| |-- end: timestamp (nullable = true)
|-- word: string (nullable = true)
|-- count: long (nullable = false)
*/
//resultStreamDF.printSchema()
// 4. 将计算的结果输出，打印到控制台
val query: StreamingQuery = resultStreamDF.writeStream
.outputMode(OutputMode.Update())
.format("console")
.option("numRows", "100")
.option("truncate", "false")
.trigger(Trigger.ProcessingTime("5 seconds"))
.start()
query.awaitTermination()
query.stop()
}
}
