Apache Flink 中文用户邮件列表

窗口去重

classic Classic list List threaded Threaded
♦
♦
 7 messages Options
Jimmy Wong
Reply | Threaded
Open this post in threaded view
♦
♦
|

窗口去重

Jimmy Wong
Hi，All：
请教一个问题，现在有个实时场景：需要对每 5 分钟内数据进行去重，然后 Sink。
比如：
数据
{ts: 2019-12-10 16:24:00 id: 1}
{ts: 2019-12-10 16:22:00 id: 1}
{ts: 2019-12-10 16:23:00 id: 2}
{ts: 2019-12-10 16:21:00 id: 1}
{ts: 2019-12-10 16:29:00 id: 2}
{ts: 2019-12-10 16:27:00 id: 3}
{ts: 2019-12-10 16:26:00 id: 2}


第一种情景，不考虑时间去重，结果如下：
{ts: 2019-12-10 16:24:00 id: 1}
{ts: 2019-12-10 16:23:00 id: 2}
{ts: 2019-12-10 16:29:00 id: 2}
{ts: 2019-12-10 16:27:00 id: 3}


第二种情景，考虑时间去重，结果如下：
{ts: 2019-12-10 16:21:00 id: 1}
{ts: 2019-12-10 16:23:00 id: 2}
{ts: 2019-12-10 16:26:00 id: 2}
{ts: 2019-12-10 16:27:00 id: 3}


请教下，对于上面两种情景，分别有什么高效实时的解决方案么， 谢谢？我想了一下用 5min 窗口，和 ProcessWindowFunction 可以解决，但是 ProcessWindowFunction 要缓存 5min 的窗口数据，但是有延迟。




| |
Jimmy Wong
|
|
[hidden email]
|
签名由网易邮箱大师定制

Yuan,Youjun
Reply | Threaded
Open this post in threaded view
♦
♦
|

回复: 窗口去重

Yuan,Youjun
第一种情况，用firstvalue这种聚合函数; 第二种情况，用min聚合函数，然后group by id，是不是就是你要的结果?

-----邮件原件-----
发件人: Jimmy Wong <[hidden email]>
发送时间: Tuesday, December 10, 2019 4:40 PM
收件人: [hidden email]
主题: 窗口去重

Hi，All：
请教一个问题，现在有个实时场景：需要对每 5 分钟内数据进行去重，然后 Sink。
比如：
数据
{ts: 2019-12-10 16:24:00 id: 1}
{ts: 2019-12-10 16:22:00 id: 1}
{ts: 2019-12-10 16:23:00 id: 2}
{ts: 2019-12-10 16:21:00 id: 1}
{ts: 2019-12-10 16:29:00 id: 2}
{ts: 2019-12-10 16:27:00 id: 3}
{ts: 2019-12-10 16:26:00 id: 2}


第一种情景，不考虑时间去重，结果如下：
{ts: 2019-12-10 16:24:00 id: 1}
{ts: 2019-12-10 16:23:00 id: 2}
{ts: 2019-12-10 16:29:00 id: 2}
{ts: 2019-12-10 16:27:00 id: 3}


第二种情景，考虑时间去重，结果如下：
{ts: 2019-12-10 16:21:00 id: 1}
{ts: 2019-12-10 16:23:00 id: 2}
{ts: 2019-12-10 16:26:00 id: 2}
{ts: 2019-12-10 16:27:00 id: 3}


请教下，对于上面两种情景，分别有什么高效实时的解决方案么， 谢谢？我想了一下用 5min 窗口，和 ProcessWindowFunction 可以解决，但是 ProcessWindowFunction 要缓存 5min 的窗口数据，但是有延迟。




| |
Jimmy Wong
|
|
[hidden email]
|
签名由网易邮箱大师定制

Jimmy Wong
Reply | Threaded
Open this post in threaded view
♦
♦
|

回复： 窗口去重

Jimmy Wong
Hi, Yuan,Youjun 谢谢。 你这种方案是 SQL 的角度吧，如果用 DataStream 算子要怎么处理呢？


| |
Jimmy Wong
|
|
[hidden email]
|
签名由网易邮箱大师定制


在2019年12月11日 09:04，Yuan,Youjun<[hidden email]> 写道：
第一种情况，用firstvalue这种聚合函数; 第二种情况，用min聚合函数，然后group by id，是不是就是你要的结果?

-----邮件原件-----
发件人: Jimmy Wong <[hidden email]>
发送时间: Tuesday, December 10, 2019 4:40 PM
收件人: [hidden email]
主题: 窗口去重

Hi，All：
请教一个问题，现在有个实时场景：需要对每 5 分钟内数据进行去重，然后 Sink。
比如：
数据
{ts: 2019-12-10 16:24:00 id: 1}
{ts: 2019-12-10 16:22:00 id: 1}
{ts: 2019-12-10 16:23:00 id: 2}
{ts: 2019-12-10 16:21:00 id: 1}
{ts: 2019-12-10 16:29:00 id: 2}
{ts: 2019-12-10 16:27:00 id: 3}
{ts: 2019-12-10 16:26:00 id: 2}


第一种情景，不考虑时间去重，结果如下：
{ts: 2019-12-10 16:24:00 id: 1}
{ts: 2019-12-10 16:23:00 id: 2}
{ts: 2019-12-10 16:29:00 id: 2}
{ts: 2019-12-10 16:27:00 id: 3}


第二种情景，考虑时间去重，结果如下：
{ts: 2019-12-10 16:21:00 id: 1}
{ts: 2019-12-10 16:23:00 id: 2}
{ts: 2019-12-10 16:26:00 id: 2}
{ts: 2019-12-10 16:27:00 id: 3}


请教下，对于上面两种情景，分别有什么高效实时的解决方案么， 谢谢？我想了一下用 5min 窗口，和 ProcessWindowFunction 可以解决，但是 ProcessWindowFunction 要缓存 5min 的窗口数据，但是有延迟。




| |
Jimmy Wong
|
|
[hidden email]
|
签名由网易邮箱大师定制

梁溪
Reply | Threaded
Open this post in threaded view
♦
♦
|

回复：窗口去重

梁溪
去重了为什么还会有两个2




| |
梁溪
|
|
邮箱：[hidden email]
|

签名由 网易邮箱大师 定制

在2019年12月11日 11:19，Jimmy Wong 写道：
Hi, Yuan,Youjun 谢谢。 你这种方案是 SQL 的角度吧，如果用 DataStream 算子要怎么处理呢？


| |
Jimmy Wong
|
|
[hidden email]
|
签名由网易邮箱大师定制


在2019年12月11日 09:04，Yuan,Youjun<[hidden email]> 写道：
第一种情况，用firstvalue这种聚合函数; 第二种情况，用min聚合函数，然后group by id，是不是就是你要的结果?

-----邮件原件-----
发件人: Jimmy Wong <[hidden email]>
发送时间: Tuesday, December 10, 2019 4:40 PM
收件人: [hidden email]
主题: 窗口去重

Hi，All：
请教一个问题，现在有个实时场景：需要对每 5 分钟内数据进行去重，然后 Sink。
比如：
数据
{ts: 2019-12-10 16:24:00 id: 1}
{ts: 2019-12-10 16:22:00 id: 1}
{ts: 2019-12-10 16:23:00 id: 2}
{ts: 2019-12-10 16:21:00 id: 1}
{ts: 2019-12-10 16:29:00 id: 2}
{ts: 2019-12-10 16:27:00 id: 3}
{ts: 2019-12-10 16:26:00 id: 2}


第一种情景，不考虑时间去重，结果如下：
{ts: 2019-12-10 16:24:00 id: 1}
{ts: 2019-12-10 16:23:00 id: 2}
{ts: 2019-12-10 16:29:00 id: 2}
{ts: 2019-12-10 16:27:00 id: 3}


第二种情景，考虑时间去重，结果如下：
{ts: 2019-12-10 16:21:00 id: 1}
{ts: 2019-12-10 16:23:00 id: 2}
{ts: 2019-12-10 16:26:00 id: 2}
{ts: 2019-12-10 16:27:00 id: 3}


请教下，对于上面两种情景，分别有什么高效实时的解决方案么， 谢谢？我想了一下用 5min 窗口，和 ProcessWindowFunction 可以解决，但是 ProcessWindowFunction 要缓存 5min 的窗口数据，但是有延迟。




| |
Jimmy Wong
|
|
[hidden email]
|
签名由网易邮箱大师定制

Jimmy Wong
Reply | Threaded
Open this post in threaded view
♦
♦
|

回复：窗口去重

Jimmy Wong
属于不同的window，是window内去重，window间不去重


| |
Jimmy Wong
|
|
[hidden email]
|
签名由网易邮箱大师定制


在2019年12月11日 12:08，梁溪<[hidden email]> 写道：
去重了为什么还会有两个2




| |
梁溪
|
|
邮箱：[hidden email]
|

签名由 网易邮箱大师 定制

在2019年12月11日 11:19，Jimmy Wong 写道：
Hi, Yuan,Youjun 谢谢。 你这种方案是 SQL 的角度吧，如果用 DataStream 算子要怎么处理呢？


| |
Jimmy Wong
|
|
[hidden email]
|
签名由网易邮箱大师定制


在2019年12月11日 09:04，Yuan,Youjun<[hidden email]> 写道：
第一种情况，用firstvalue这种聚合函数; 第二种情况，用min聚合函数，然后group by id，是不是就是你要的结果?

-----邮件原件-----
发件人: Jimmy Wong <[hidden email]>
发送时间: Tuesday, December 10, 2019 4:40 PM
收件人: [hidden email]
主题: 窗口去重

Hi，All：
请教一个问题，现在有个实时场景：需要对每 5 分钟内数据进行去重，然后 Sink。
比如：
数据
{ts: 2019-12-10 16:24:00 id: 1}
{ts: 2019-12-10 16:22:00 id: 1}
{ts: 2019-12-10 16:23:00 id: 2}
{ts: 2019-12-10 16:21:00 id: 1}
{ts: 2019-12-10 16:29:00 id: 2}
{ts: 2019-12-10 16:27:00 id: 3}
{ts: 2019-12-10 16:26:00 id: 2}


第一种情景，不考虑时间去重，结果如下：
{ts: 2019-12-10 16:24:00 id: 1}
{ts: 2019-12-10 16:23:00 id: 2}
{ts: 2019-12-10 16:29:00 id: 2}
{ts: 2019-12-10 16:27:00 id: 3}


第二种情景，考虑时间去重，结果如下：
{ts: 2019-12-10 16:21:00 id: 1}
{ts: 2019-12-10 16:23:00 id: 2}
{ts: 2019-12-10 16:26:00 id: 2}
{ts: 2019-12-10 16:27:00 id: 3}


请教下，对于上面两种情景，分别有什么高效实时的解决方案么， 谢谢？我想了一下用 5min 窗口，和 ProcessWindowFunction 可以解决，但是 ProcessWindowFunction 要缓存 5min 的窗口数据，但是有延迟。




| |
Jimmy Wong
|
|
[hidden email]
|
签名由网易邮箱大师定制

yanggang_it_job
Reply | Threaded
Open this post in threaded view
♦
♦
|

Re:回复：窗口去重

yanggang_it_job
我觉得可以这样处理：<br/>1：首先把你的stream流注册为表（不管是一个还是多个stream）<br/>2：然后对这个表使用FLINKSQL进行业务表达<br/>3：最后使用FLINK SQL提供的开窗函数指定想要去重的字段<br/>注意：控制state的大小<br/>参考文档：https://ci.apache.org/projects/flink/flink-docs-release-1.9/dev/table/sql.html#deduplication
在 2019-12-11 15:53:00，"Jimmy Wong" <[hidden email]> 写道：

>属于不同的window，是window内去重，window间不去重
>
>
>| |
>Jimmy Wong
>|
>|
>[hidden email]
>|
>签名由网易邮箱大师定制
>
>
>在2019年12月11日 12:08，梁溪<[hidden email]> 写道：
>去重了为什么还会有两个2
>
>
>
>
>| |
>梁溪
>|
>|
>邮箱：[hidden email]
>|
>
>签名由 网易邮箱大师 定制
>
>在2019年12月11日 11:19，Jimmy Wong 写道：
>Hi, Yuan,Youjun 谢谢。 你这种方案是 SQL 的角度吧，如果用 DataStream 算子要怎么处理呢？
>
>
>| |
>Jimmy Wong
>|
>|
>[hidden email]
>|
>签名由网易邮箱大师定制
>
>
>在2019年12月11日 09:04，Yuan,Youjun<[hidden email]> 写道：
>第一种情况，用firstvalue这种聚合函数; 第二种情况，用min聚合函数，然后group by id，是不是就是你要的结果?
>
>-----邮件原件-----
>发件人: Jimmy Wong <[hidden email]>
>发送时间: Tuesday, December 10, 2019 4:40 PM
>收件人: [hidden email]
>主题: 窗口去重
>
>Hi，All：
>请教一个问题，现在有个实时场景：需要对每 5 分钟内数据进行去重，然后 Sink。
>比如：
>数据
>{ts: 2019-12-10 16:24:00 id: 1}
>{ts: 2019-12-10 16:22:00 id: 1}
>{ts: 2019-12-10 16:23:00 id: 2}
>{ts: 2019-12-10 16:21:00 id: 1}
>{ts: 2019-12-10 16:29:00 id: 2}
>{ts: 2019-12-10 16:27:00 id: 3}
>{ts: 2019-12-10 16:26:00 id: 2}
>
>
>第一种情景，不考虑时间去重，结果如下：
>{ts: 2019-12-10 16:24:00 id: 1}
>{ts: 2019-12-10 16:23:00 id: 2}
>{ts: 2019-12-10 16:29:00 id: 2}
>{ts: 2019-12-10 16:27:00 id: 3}
>
>
>第二种情景，考虑时间去重，结果如下：
>{ts: 2019-12-10 16:21:00 id: 1}
>{ts: 2019-12-10 16:23:00 id: 2}
>{ts: 2019-12-10 16:26:00 id: 2}
>{ts: 2019-12-10 16:27:00 id: 3}
>
>
>请教下，对于上面两种情景，分别有什么高效实时的解决方案么， 谢谢？我想了一下用 5min 窗口，和 ProcessWindowFunction 可以解决，但是 ProcessWindowFunction 要缓存 5min 的窗口数据，但是有延迟。
>
>
>
>
>| |
>Jimmy Wong
>|
>|
>[hidden email]
>|
>签名由网易邮箱大师定制
>
Jimmy Wong
Reply | Threaded
Open this post in threaded view
♦
♦
|

回复：窗口去重

Jimmy Wong
谢谢大家，我想到了解决方案：
情景一：可以每来一条数据就Trigger一次计算，然后再Window计算完的时候，清除状态
情景二：确实要等窗口计算完


| |
Jimmy Wong
|
|
[hidden email]
|
签名由网易邮箱大师定制


在2019年12月11日 16:26，yanggang_it_job<[hidden email]> 写道：
我觉得可以这样处理：<br/>1：首先把你的stream流注册为表（不管是一个还是多个stream）<br/>2：然后对这个表使用FLINKSQL进行业务表达<br/>3：最后使用FLINK SQL提供的开窗函数指定想要去重的字段<br/>注意：控制state的大小<br/>参考文档：https://ci.apache.org/projects/flink/flink-docs-release-1.9/dev/table/sql.html#deduplication
在 2019-12-11 15:53:00，"Jimmy Wong" <[hidden email]> 写道：
属于不同的window，是window内去重，window间不去重


| |
Jimmy Wong
|
|
[hidden email]
|
签名由网易邮箱大师定制


在2019年12月11日 12:08，梁溪<[hidden email]> 写道：
去重了为什么还会有两个2




| |
梁溪
|
|
邮箱：[hidden email]
|

签名由 网易邮箱大师 定制

在2019年12月11日 11:19，Jimmy Wong 写道：
Hi, Yuan,Youjun 谢谢。 你这种方案是 SQL 的角度吧，如果用 DataStream 算子要怎么处理呢？


| |
Jimmy Wong
|
|
[hidden email]
|
签名由网易邮箱大师定制


在2019年12月11日 09:04，Yuan,Youjun<[hidden email]> 写道：
第一种情况，用firstvalue这种聚合函数; 第二种情况，用min聚合函数，然后group by id，是不是就是你要的结果?

-----邮件原件-----
发件人: Jimmy Wong <[hidden email]>
发送时间: Tuesday, December 10, 2019 4:40 PM
收件人: [hidden email]
主题: 窗口去重

Hi，All：
请教一个问题，现在有个实时场景：需要对每 5 分钟内数据进行去重，然后 Sink。
比如：
数据
{ts: 2019-12-10 16:24:00 id: 1}
{ts: 2019-12-10 16:22:00 id: 1}
{ts: 2019-12-10 16:23:00 id: 2}
{ts: 2019-12-10 16:21:00 id: 1}
{ts: 2019-12-10 16:29:00 id: 2}
{ts: 2019-12-10 16:27:00 id: 3}
{ts: 2019-12-10 16:26:00 id: 2}


第一种情景，不考虑时间去重，结果如下：
{ts: 2019-12-10 16:24:00 id: 1}
{ts: 2019-12-10 16:23:00 id: 2}
{ts: 2019-12-10 16:29:00 id: 2}
{ts: 2019-12-10 16:27:00 id: 3}


第二种情景，考虑时间去重，结果如下：
{ts: 2019-12-10 16:21:00 id: 1}
{ts: 2019-12-10 16:23:00 id: 2}
{ts: 2019-12-10 16:26:00 id: 2}
{ts: 2019-12-10 16:27:00 id: 3}


请教下，对于上面两种情景，分别有什么高效实时的解决方案么， 谢谢？我想了一下用 5min 窗口，和 ProcessWindowFunction 可以解决，但是 ProcessWindowFunction 要缓存 5min 的窗口数据，但是有延迟。




| |
Jimmy Wong
|
|
[hidden email]
|
签名由网易邮箱大师定制

Free forum by Nabble Edit this page