Flink 实时数仓（四）【DWD 层搭建（二）流量域事实表】

前言

        昨天刚搬到新校区，新校区小的可怜，好在之后出去实习交通可以方便点；待在学院太受限了，早点离开！

        今天开始完成 DWD 层剩余的需求，上一节我们把日志数据根据不同类型分流写入到了不同的主题；

1、流量域独立访客事务事实表

        独立访客指的其实就是我们 web 端日志分析指标中常说的 UV，上一节我们已经把页面日志写入到 dwd_page_traffic_log 主题当中了，所以这里我们直接对这个主题进行消费处理；

1.1、实现思路

        既然是独立访客，就必须对日志中的数据做去重（独立访客数一般用来做日活指标，因为我们的机器一般都是 24 小时全年无休的，所以我们实时数仓也可以做这种日级别的指标需求，通过状态来存储历史就可以实现），而怎么判断访客是否重复？这就又用到了 Flink 中的状态编程（状态就是历史）；和上一节我们判断新老访客一样，我们这里也可以给每个 mid 维护一个名为 lastVisitDate 的 ValueState（对 mid 进行 keyby），存储上一次访问的日期（注意是日期，只精确到天），每来一条数据就判断它的 lastVisitDate：

• 如果 lastVisitDate 为 null 或者 不是今天，则保留数据，否则丢弃

一旦进入第二天，lastVisitDate 状态就应该被清空（设置状态 TTL 为 1 天）

此外，对于 0 点的数据我们这里需要明确统计规则：

• 独立访客数据对应的页面必然是会话起始页面，last_page_id 必为 null；所以对于跨天的访问不能计算在内（昨天到今天访问了多个页面，而今天页面的 last_page_id 必然不为 null），我们需要在消费数据后的第一步就需要进行过滤；

1.2、代码实现 

public class DwdTrafficUniqueVisitorDetail {public static void main(String[] args) throws Exception {// TODO 1. 获取执行环境StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();env.setParallelism(1); // 生产环境中设置为kafka主题的分区数// 1.1 开启checkpointenv.enableCheckpointing(5 * 60000L, CheckpointingMode.EXACTLY_ONCE);env.getCheckpointConfig().setCheckpointStorage("hdfs://hadoop102:8020/s/ck");env.getCheckpointConfig().setCheckpointTimeout(10 * 60000L);env.getCheckpointConfig().setMaxConcurrentCheckpoints(2); // 设置最大共存的checkpoint数量env.setRestartStrategy(RestartStrategies.fixedDelayRestart(3,5000L)); // 固定频率重启: 尝试3次重启,每5s重启一次// 1.2 设置状态后端env.setStateBackend(new HashMapStateBackend());// TODO 2. 消费 kafka dwd_traffic_page_log 主题String topic = "dwd_traffic_page_log";String groupId = "uvDetail";DataStreamSource<String> pageDS = env.addSource(MyKafkaUtil.getFlinkKafkaConsumer(topic, groupId));// TODO 3. 过滤 last_page_id != Null 的数据// 使用 flatMap 而没用 filter,因为 flatMap 可以把过滤和转json 两步都一起完成SingleOutputStreamOperator<JSONObject> jsonDS = pageDS.flatMap(new FlatMapFunction<String, JSONObject>() {@Overridepublic void flatMap(String value, Collector<JSONObject> out) throws Exception {try {JSONObject jsonObject = JSONObject.parseObject(value);// 获取 last_page_idString last_page_id = jsonObject.getJSONObject("page").getString("last_page_id");if (last_page_id == null) {out.collect(jsonObject);}} catch (Exception e) {e.printStackTrace();}}});// TODO 4. 按照 mid 分组KeyedStream<JSONObject, String> keyedStream = jsonDS.keyBy(json -> json.getJSONObject("common").getString("mid"));// TODO 5. 使用状态编程实现按照 mid 的日期进行去重// 使用富函数,因为富函数提供更多的信息如上下文等SingleOutputStreamOperator<JSONObject> uvDS = keyedStream.filter(new RichFilterFunction<JSONObject>() {private ValueState<String> lastVisitDate = null;@Overridepublic void open(Configuration parameters) throws Exception {ValueStateDescriptor<String> stateDescriptor = new ValueStateDescriptor<>("lastVisit", String.class);lastVisitDate = getRuntimeContext().getState(stateDescriptor);}@Overridepublic boolean filter(JSONObject value) throws Exception {// 获取状态数据 & 当前数据中的时间并转为日期String lastDate = lastVisitDate.value();Long ts = value.getLong("ts");String curDate = DateFormatUtil.toDate(ts);if (lastDate == null || !lastDate.equals(curDate)) {// 更新状态lastVisitDate.update(curDate);return true;}return false;}});// TODO 6. 数据写入 kafkaString targetTopic = "dwd_traffic_unique_visitor_detail";uvDS.map(data -> data.toJSONString()).addSink(MyKafkaUtil.getFlinkKafkaProducer(targetTopic));// TODO 7. 执行任务env.execute("DwdTrafficUniqueVisitorDetail");}}

1.3、TTL 优化

        上面我们的代码逻辑看起来已经没什么问题了，但是我们可以设想：假设一个用户,2024-01-01 首次登录之后，它的 lastVisitDate 状态会一直存储 2024-01-01，如果他下一次登录是在 2024-12-31，那么期间的 364 天我们依然要一直存储它的状态；而我们判断用户是否已经登录的逻辑是：lastVisitDate 是否为null 或者 lastVisitDate<今天，所以我们完全可以在一天之后把该用户的 lastVisitDate 状态清空，来减少状态的保存开销！

TTL 是给状态描述器设置的，而状态描述器是构造状态对象的必须参数！

TTL 是状态的一个属性，当我们修改状态值的时候，TTL 本身并不会更新！这里，我们需要在状态描述器中设置 TTL 的更新策略为创建或更新状态值的时候就更新 TTL ，重新开始过期倒计时；

我们只需要修改上面第 5 步，在初始化状态时，在状态描述器中给状态添加 TTL 属性：

            @Overridepublic void open(Configuration parameters) throws Exception {ValueStateDescriptor<String> stateDescriptor = new ValueStateDescriptor<>("lastVisit", String.class);// 给状态添加 TTLstateDescriptor.enableTimeToLive(new StateTtlConfig.Builder(Time.days(1))// 设置 TTL 可更新,并且在创建或更新状态的时候更新.setUpdateType(StateTtlConfig.UpdateType.OnCreateAndWrite).build());lastVisitDate = getRuntimeContext().getState(stateDescriptor);}

2、流量域用户跳出事务事实表

        跳出的概念：跳出指的是用户在一次会话中只访问了一个页面的情况（注意：粒度是会话），我们在之前做离线数仓的时候做过跳出率的指标，对于离线数仓，我们可以在 DWS 层构建一张流量域近1日会话粒度页面浏览表（dws_traffic_session_page_view_1d），通过下面的 SQL 就可以统计出该指标：

SELECT 
CAST(SUM(IF(page_count=1,1,0))/COUNT(*)) AS DECIMAL(16,2) AS bounce_rate
FROM dws_traffic_session_page_view_1d

        在这里的实时数仓中，我们不可能等到一天结束最后才去计算跳出率；但是我们这里又没有 session_id，所以我们只能换一种思路：

思路1（会话窗口）：

• 使用会话窗口，为每个 mid 开启一个会话窗口并指定间隔为 10 s；一旦到了 10s 触发窗口关闭，计算窗口内的数据条数，> 1 条则说明这次会话没有发生跳出；

        这种思路的问题很明显：① 如果我短时间（10s内）发生多个跳出，但是正好这些跳出都在一个会话，这会导致窗口结束时误以为这不是跳出，毕竟窗口内有多条数据；② 可能我的一次正常的会话，被会话窗口切分到两个不同的会话窗口，结果把一个非跳出访问计算为 2 个跳出访问；

思路2（状态编程）：

        在离线数仓中，当我们没有 session_id 时，我们可以一天的数据按照 mid 进行分组，然后根据时间戳字段进行排序，这样来计算一个 session；但是这里是实时数仓，我们不知道什么时候一个 session 会结束，所以我们可以设置一个定时器，定时器时间范围内的数据如果没数据来就视作一个会话结束，触发计算；并结合状态编程，把新会话的首页存入状态

• 遇到 last_page 为 null 的数据就试着取出状态
  • 如果状态为 null，则该页面是新的会话起始页，开启定时器并将数据自身写入状态
  • 如果状态不为 null，说明刚跳出一次，并且在定时器时间范围内又进来一次；这种情况需要将第一条数据（跳出的数据，也就是写入状态中的数据）输出，然后将自身写入状态，定时器依然存在，等时间到了触发计算
• 如果 last_page 不为 null，则状态中的数据和该条数据都丢弃

这种思路同样存在问题，当数据是乱序的时候一切都就乱套了；

思路3（Flink CEP）：

Flink CEP 其实就是使用 状态编程 + within 开窗 来处理这种复杂事件

Flink CEP 定义的规则之间的连续策略

• 严格连续: 期望所有匹配的事件严格的一个接一个出现，中间没有任何不匹配的事件。对应方法为 next()；
• 松散连续: 忽略匹配的事件之间的不匹配的事件。对应方法为followedBy()；
• 不确定的松散连续: 更进一步的松散连续，允许忽略掉一些匹配事件的附加匹配。对应方法为followedByAny()。

定义模式之前的代码

        这里需要注意：因为我们后面要保证数据有序，所以我们最好指定事件时间的提取字段，并添加水位线设置合理的超时时间（理论上可以保证数据绝对有序）：

public class DwdTrafficUserJumpDetail {public static void main(String[] args) {// TODO 1. 获取执行环境StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();env.setParallelism(1); // 生产环境中设置为kafka主题的分区数// 1.1 开启checkpointenv.enableCheckpointing(5 * 60000L, CheckpointingMode.EXACTLY_ONCE);env.getCheckpointConfig().setCheckpointStorage("hdfs://hadoop102:8020/s/ck");env.getCheckpointConfig().setCheckpointTimeout(10 * 60000L);env.getCheckpointConfig().setMaxConcurrentCheckpoints(2); // 设置最大共存的checkpoint数量env.setRestartStrategy(RestartStrategies.fixedDelayRestart(3,5000L)); // 固定频率重启: 尝试3次重启,每5s重启一次// 1.2 设置状态后端env.setStateBackend(new HashMapStateBackend());// TODO 2. 消费 kafka dwd_traffic_page_log 主题String topic = "dwd_traffic_page_log";String groupId = "user_jump_detail";DataStreamSource<String> pageDS = env.addSource(MyKafkaUtil.getFlinkKafkaConsumer(topic, groupId));// TODO 3. 将数据转为 JSONSingleOutputStreamOperator<JSONObject> jsonDS = pageDS.map(JSON::parseObject);// TODO 4. 提取事件时间 & 按照 mid 分组KeyedStream<JSONObject, String> keyedStream = jsonDS.assignTimestampsAndWatermarks(WatermarkStrategy.<JSONObject>forBoundedOutOfOrderness(Duration.ofSeconds(2)).withTimestampAssigner(new SerializableTimestampAssigner<JSONObject>() {@Overridepublic long extractTimestamp(JSONObject element, long recordTimestamp) {return element.getLong("ts");}})).keyBy(json -> json.getJSONObject("common").getString("mid"));

接下来是核心的定义 CEP 模式的代码：

        // TODO 5. 定义 CEP 模式序列// 泛型方法类型指的是流的类型(下面的 start 和 next 作为提取事件的 key)Pattern<JSONObject, JSONObject> pattern = Pattern.<JSONObject>begin("start").where(new SimpleCondition<JSONObject>() {@Overridepublic boolean filter(JSONObject value) throws Exception {return value.getJSONObject("page").getString("last_page_id") == null;}}).next("next").where(new SimpleCondition<JSONObject>() {@Overridepublic boolean filter(JSONObject value) throws Exception {return value.getJSONObject("page").getString("last_page_id") == null;}}).within(Time.seconds(10L));// 等价于 循环模式 共用一个 key: start Pattern.<JSONObject>begin("start").where(new SimpleCondition<JSONObject>() {@Overridepublic boolean filter(JSONObject value) throws Exception {return value.getJSONObject("page").getString("last_page_id") == null;}}).times(2) // 默认是宽松近邻 followedBy.consecutive() // 严格近邻 next.within(Time.seconds(10L));// TODO 6. 建模式序列作用到流上PatternStream<JSONObject> patternStream = CEP.pattern(keyedStream, pattern);// TODO 7. 提取事件(匹配上的时间 和 超时时间)OutputTag<String> timeoutTag = new OutputTag<>("timeout");SingleOutputStreamOperator<String> selectDS = patternStream.select(timeoutTag,// 超时数据new PatternTimeoutFunction<JSONObject, String>() {// 对于超时数据来说,当前的数据第一个规则匹配上了,第二个没有匹配上导致超时,那么我们要提取的就是当前数据(第一个数据,第二个数据没来)// 这里的 Map 的 v 是 List 数据类型,因为考虑到我们可能使用的是循环模式(只有一个key)@Overridepublic String timeout(Map<String, List<JSONObject>> map, long l) throws Exception {return map.get("start").get(0).toJSONString();}}, // 匹配上的数据new PatternSelectFunction<JSONObject, String>() {// 匹配上的数据,我们只要第一个数据,因为只能证明第一个数据是跳出数据@Overridepublic String select(Map<String, List<JSONObject>> map) throws Exception {return map.get("start").get(0).toJSONString();}});DataStream<String> timeoutDS = selectDS.getSideOutput(timeoutTag);// TODO 8. 合并两种事件DataStream<String> unionDS = selectDS.union(timeoutDS);// TODO 9. 合并后的数据写入 kafkaString targetTopic = "dwd_traffic_user_jump_detail";unionDS.addSink(MyKafkaUtil.getFlinkKafkaProducer(targetTopic));// TODO 10. 启动任务env.execute("DwdTrafficUserJumpDetail");}
}

上面我们定义了两种匹配规则：

1. 第一条数据的 last_page_id 为 null ，且超时没有收到第二条数据，认定该条数据为跳出数据
2. 第二条数据的 last_page_id 为 null ，则认定第一条数据是跳出数据

        超时时间内规则一被满足，未等到第二条数据则会被判定为超时数据。所以我们只要把超时数据和 满足连续两条数据的 last_page_id 均为 null 中的第一条数据 union 起来，得到的即为答案所需数据；

总结

        至此，流量域的三个需求都已经完成；