Flink计算PV，UV的案例及问题分析

浪院长浪尖聊大数据

PV(访问量)：即Page View, 即页面浏览量或点击量，用户每次刷新即被计算一次。
UV(独立访客)：即Unique Visitor,访问您网站的一台电脑客户端为一个访客。00:00-24:00内相同的客户端只被计算一次。

一个UV可以用很多PV，一个PV也只能对应一个IP

没有这些数据的支持，意味着你不知道产品的发展情况，用户获取成本,UV,PV,注册转化率;没有这些数据做参考，你不会知道接下来提供什么建议给领导采纳，也推测不出领导为啥烦忧，那么就么有任何表现的机会。

举两个UV计算的场景：

实时计算当天零点起，到当前时间的uv。
实时计算当天每个小时的UV。0点...12点...24点

请问这个用spark streaming如何实现呢？是不是很难有好的思路呢？

今天主要是想给大家用flink来实现一下，在这方面flink确实比较优秀了。

主要技术点就在group by的使用。

下面就是完整的案例：

package org.table.uv;import org.apache.flink.api.common.typeinfo.Types;import org.apache.flink.api.java.tuple.Tuple2;import org.apache.flink.streaming.api.TimeCharacteristic;import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;import org.apache.flink.streaming.api.functions.sink.SinkFunction;import org.apache.flink.table.api.Table;import org.apache.flink.table.api.TableEnvironment;import org.apache.flink.table.api.java.StreamTableEnvironment;import org.apache.flink.table.descriptors.Json;import org.apache.flink.table.descriptors.Kafka;import org.apache.flink.table.descriptors.Rowtime;import org.apache.flink.table.descriptors.Schema;import org.apache.flink.types.Row;public class ComputeUVDay {    public static void main(String[] args) throws Exception {        StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();        env.setStreamTimeCharacteristic(TimeCharacteristic.EventTime);        StreamTableEnvironment tEnv = TableEnvironment.getTableEnvironment(env);        tEnv.registerFunction("DateUtil",new DateUtil());        tEnv.connect(                new Kafka()                        .version("0.10")                        //   "0.8", "0.9", "0.10", "0.11", and "universal"                        .topic("jsontest")                        .property("bootstrap.servers", "localhost:9092")                        .property("group.id","test")                        .startFromLatest()        )                .withFormat(                        new Json()                                .failOnMissingField(false)                                .deriveSchema()                )                .withSchema(                        new Schema()                                .field("rowtime", Types.SQL_TIMESTAMP)                                .rowtime(new Rowtime()                                        .timestampsFromField("eventtime")                                        .watermarksPeriodicBounded(2000)                                )                                .field("fruit", Types.STRING)                                .field("number", Types.INT)                )                .inAppendMode()                .registerTableSource("source");        // 計算天級別的uv//        Table table = tEnv.sqlQuery("select  DateUtil(rowtime),count(distinct fruit) from source group by DateUtil(rowtime)");        // 计算小时级别uv        Table table = tEnv.sqlQuery("select  DateUtil(rowtime,'yyyyMMddHH'),count(distinct fruit) from source group by DateUtil(rowtime,'yyyyMMddHH')");        tEnv.toRetractStream(table, Row.class).addSink(new SinkFunction<Tuple2<Boolean, Row>>() {            @Override            public void invoke(Tuple2<Boolean, Row> value, Context context) throws Exception {                System.out.println(value.f1.toString());            }        });        System.out.println(env.getExecutionPlan());        env.execute("ComputeUVDay");    }}

其中DateUtil类如下：

package org.table.uv;import org.apache.flink.table.functions.ScalarFunction;import java.sql.Timestamp;import java.text.DateFormat;import java.text.SimpleDateFormat;public class DateUtil extends ScalarFunction {    public static String eval(long timestamp){        String result = "null";        try {            DateFormat sdf = new SimpleDateFormat("yyyy-MM-dd");            result = sdf.format(new Timestamp(timestamp));        } catch (Exception e) {            e.printStackTrace();        }        return result;    }    public static String eval(long ts, String format) {        String result = "null";        try {            DateFormat sdf = new SimpleDateFormat(format);            result = sdf.format(ts);        } catch (Exception e) {            e.printStackTrace();        }        return result;    }    public static void main(String[] args) {        String eval = eval(System.currentTimeMillis(),"yyyyMMddHH");        System.out.println(eval);    }}

代码里面的案例，是可以用于生产中的吗？

假如数据量小可以直接使用，每秒数据量大的话，就比较麻烦。因为你看group by后面的维度，只有当天date 这个维度，这样就会导致计算状态超级集中而使得内存占用超大进而引发oom。

这种情况解决办法就是将状态打散，然后再次聚合即可，典型的分治思想。
具体做法作为福利分享给球友吧。

还有一个问题就是由于存在全局去重及分组操作，flink内部必然要维护一定的状态信息，那么这些状态信息肯定不是要一直保存的，比如uv，我们只需要更新今天，最多昨天的状态，这个点之前的状态要删除的，不能让他白白占着内存，而导致任务内存消耗巨大，甚至因oom而挂掉。

StreamQueryConfig streamQueryConfig = tEnv.queryConfig();streamQueryConfig.withIdleStateRetentionTime(Time.minutes(10),Time.minutes(15));tEnv.sqlUpdate(sql,streamQueryConfig);

再有就是能使用事件时间吗？事件时间假如事件严重超时了，比如，我们状态保留时间设置的是两天，两天之后状态清除，那么这时候来了事件时间刚刚好是两天之前的，由于已经没有状态就会重新计算uv覆盖已经生成的值，就导致值错误了，这个问题如何解决呢？

这算是一个疑问吧？

Flink计算PV，UV的案例及问题分析

Flink计算PV，UV的案例及问题分析

更多相关文章

随机推荐