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 <hinobl...@gmail.com> 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<n个并发的kafka数据源算子，也是ok的。因为kafka算子有个参数用于设置从kakfa算子就生成watermark，即不自己使用assignXXX那个api。 > kafkaSouce本身会将当前并发实例消费的多个分区的数据分别生成watermark并取小后再发射出去。 > > 赵一旦 <hinobl...@gmail.com> 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 <h...@lemonbox.me> 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需要自己实现高可用。 > >> > >> 赵一旦 <hinobl...@gmail.com> 于2020年9月21日周一 下午5:50写道： > >> > >> > 的确问题没说明白，貌似flink不会存在类似问题。 > >> > > >> > hao kong <h...@lemonbox.me> 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 <qcx978132...@gmail.com> 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/projects/flink/flink-docs-release-1.11/dev/stream/operators/process_function.html#the-keyedprocessfunction > >> > > > [2] > >> > > > > >> > > > > >> > > > >> > > >> > https://ci.apache.org/projects/flink/flink-docs-release-1.11/dev/event_timestamps_watermarks.html#watermark-strategies-and-the-kafka-connector > >> > > > Best, > >> > > > Congxian > >> > > > > >> > > > > >> > > > hao kong <h...@lemonbox.me> 于2020年9月16日周三 上午10:24写道： > >> > > > > >> > > > > 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。 > >> > > > > > >> > > > > >> > > > >> > > >> > > >
