hi， 你说的是为每个partition生成一个watermark吗？ 这样子快流和慢流都会有独立的watermark gererator。
datastream已经支持了该特性， table层正在支持该特性，你可以看看flink-19282的jira。
赵一旦 于2020年9月28日 周一上午11:39写道：
> 我这边负责的作业，一个作业上有2-3个kafka数据源，还包括多个mysql配置流数据源。也是各种join，但是没有union的case。
>
> 没有任何watermark的问题，flink现有机制都是可以完美解决的。
>
>
>
> 赵一旦 于2020年9月28日周一
是DataStream
API，主要是从用户不同行为属性，例如支付，访问等在不同的topic里，union后根据session的窗口聚合，获取到根据userId和sessionId两类型数据，分别是用户全部行为和用户单次访问的全部行为。
处理全实时数据没问题，但是如果处理带有历史数据就会遇到每一个topic内历史数据量不同，之前的解决方案是分为批处理和流处理两步，现在想把这两步合并起来，就会出现watermark被推高，丢掉快流的数据。
其实不光是丢数据的问题，如果按照快流的watermark来设置的话，也会出现，大量数据缓存在state里的情况，所以想做根据时间戳控制source读取速度。
我这边负责的作业，一个作业上有2-3个kafka数据源，还包括多个mysql配置流数据源。也是各种join，但是没有union的case。
没有任何watermark的问题，flink现有机制都是可以完美解决的。
赵一旦 于2020年9月28日周一 上午11:37写道：
> 说实话，还是不觉得有这种case。KafkaSouceA（1，1，1，2，2，2，.，100），KafkaSouceB（1，100），然后AB都接到
> operatorC 上，operatorC后续跟个窗口算子operatorD。
> （1）oepratorC负责调用assignTimestampsAnd
说实话，还是不觉得有这种case。KafkaSouceA（1，1，1，2，2，2，.，100），KafkaSouceB（1，100），然后AB都接到
operatorC 上，operatorC后续跟个窗口算子operatorD。
（1）oepratorC负责调用assignTimestampsAndWatermarks
完成watermark的生成。这么搞会出问题，因为operatorC会更快收到KafkaSouceB的100，进而生成watermark=100（假设maxOutOfOrderness=0）。那么operatorD在收到KafkaSouceA的后续元素会认为迟到丢弃。
我目前的情况是从多个kafka
topic获取数据并union到一起进行处理，例如A流的时间是1-100共1w条数据，B流只有时间是1和100的两条数据，由于目前flink
source之间没有*Coordinator*
，两个流的流速在数据量相同的时候是一样的，在union后的timewindow标记watermark里会先拿到A流的1，B流的1，然后拿到A流的1.X，B流的100，这时根据watermark的配置，如果没有设置延迟等待，会丢弃掉A流剩下的9998条数据，如果是多源不union，并行处理的话，不会有这个问题。
赵一旦 于2020年9月27日周日 下午5:53写道：
>
如果说一共n个分区，但是你就是希望使用m 于2020年9月27日周日 下午5:51写道：
>
> 还是没看懂。即使你有多个kafka数据源。但是从flink角度来说，就是从若干个partition（一共n个）输入数据（不管来自哪个kafka集群，哪个topic的分区），只要你设置的数据源并行度为n，保证每个并行度只消费一个分区，这样每个并行task实例只针对某一个分区生成watermark（这个要求单分区内部乱序不能太大）。后续算子的watermark是会基于输入算子所有并发实例的watermark取小的，所以貌似也不存在你说的问题。
>
> hao kong 于2020年9月27日周日
还是没看懂。即使你有多个kafka数据源。但是从flink角度来说，就是从若干个partition（一共n个）输入数据（不管来自哪个kafka集群，哪个topic的分区），只要你设置的数据源并行度为n，保证每个并行度只消费一个分区，这样每个并行task实例只针对某一个分区生成watermark（这个要求单分区内部乱序不能太大）。后续算子的watermark是会基于输入算子所有并发实例的watermark取小的，所以貌似也不存在你说的问题。
hao kong 于2020年9月27日周日 下午5:16写道：
> hi
> 感谢各位，pnowoj...@apache.org为我提供了
hi
感谢各位，pnowoj...@apache.org为我提供了一个FLIP，
https://cwiki.apache.org/confluence/display/FLINK/FLIP-27%3A+Refactor+Source+Interface#FLIP27:RefactorSourceInterface-EventTimeAlignment
，我的问题其实就是这个问题，快流会推高水印导致漫流里的数据被丢弃，我已经在开始尝试依赖zookeeper来写*SourceCoordinator，*
从而协调多个源的数据，主要是考虑这样不用考虑高可用，单独的coordinator需要
的确问题没说明白，貌似flink不会存在类似问题。
hao kong 于2020年9月16日周三 下午6:45写道：
> 十分感谢，我尝试实现一下，看看能不能通过processfuncton和反压机制配合实现一下。
>
> Congxian Qiu 于2020年9月16日周三 下午1:55写道：
>
> > Hi
> > 没有太明白你这里为什么数据较少的 source 会覆盖数据更多的 source。能否详细描述下呢？
> > 如果是因为某些 source 的数据把 watermark 给推高了，从而导致其他的 source
> > 数据变成迟到的数据，那么我理解这个
十分感谢，我尝试实现一下，看看能不能通过processfuncton和反压机制配合实现一下。
Congxian Qiu 于2020年9月16日周三 下午1:55写道：
> Hi
> 没有太明白你这里为什么数据较少的 source 会覆盖数据更多的 source。能否详细描述下呢？
> 如果是因为某些 source 的数据把 watermark 给推高了，从而导致其他的 source
> 数据变成迟到的数据，那么我理解这个暂时没法直接解决的，因为 watermark 是 task 级别的。如果你想要在一个 Flink
> 作业中实现更细粒度的 watermark，或许你可
Hi
没有太明白你这里为什么数据较少的 source 会覆盖数据更多的 source。能否详细描述下呢？
如果是因为某些 source 的数据把 watermark 给推高了，从而导致其他的 source
数据变成迟到的数据，那么我理解这个暂时没法直接解决的，因为 watermark 是 task 级别的。如果你想要在一个 Flink
作业中实现更细粒度的 watermark，或许你可以尝试下 processfuncton[1] 自己来定制一套类似的机制
另外你也可以看下这个文档[2] 看是否在你的场景中有帮助
[1]
https://ci.apache.org/p
hello，我有一份来自多个Kafka-source的工作。它们都包含某些历史数据。如果使用events-time
window，它将导致数据较少的source通过water-mark覆盖数据更多的source。
目前我能想到的方案是用一个在source上的调度器，通过redis或者zookeeper缓存每一个source下两条数据，统一比较，时间小的先进入接下来的处理流程，实现起来比较复杂，各位大佬有什么好的办法吗？十分感谢。
12 matches
Mail list logo
