Flink计算pv和uv的通用方法
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。
计算网站App的实时pv和uv,是很常见的统计需求,这里提供通用的计算方法,不同的业务需求只需要小改即可拿来即用。
需求
利用Flink实时统计,从0点到当前的pv、uv。
一、需求分析
从Kafka
发送过来的数据含有:时间戳
、时间
、维度
、用户id
,需要从不同维度统计从0点到当前时间的pv
和uv
,第二天0点重新开始计数第二天的。
二、技术方案
Kafka
数据可能会有延迟乱序,这里引入watermark
;- 通过
keyBy
分流进不同的滚动window
,每个窗口内计算pv
、uv
; - 由于需要保存一天的状态,
process
里面使用ValueState保存pv
、uv
; - 使用
BitMap
类型ValueState
,占内存很小,引入支持bitmap
的依赖; - 保存状态需要设置
ttl
过期时间,第二天把第一天的过期,避免内存占用过大。
三、数据准备
这里假设是用户订单数据,数据格式如下:
{"time":"2021-10-31 22:00:01","timestamp":"1635228001","product":"苹果手机","uid":255420}
{"time":"2021-10-31 22:00:02","timestamp":"1635228001","product":"MacBook Pro","uid":255421}
四、代码实现
整个工程代码截图如下(抹去了一些不方便公开的信息):
pvuv-project1. 环境
kafka
:1.0.0;
Flink
:1.11.0;
2. 发送测试数据
首先发送数据到kafka
测试集群,maven
依赖:
<dependency>
<groupId>org.apache.kafkagroupId>
<artifactId>kafka-clientsartifactId>
<version>2.4.1version>
dependency>
发送代码:
import com.alibaba.fastjson.JSON;
import com.alibaba.fastjson.JSONObject;
import jodd.util.ThreadUtil;
import org.apache.commons.lang3.StringUtils;
import org.junit.Test;
import java.io.*;
public class SendDataToKafka {
@Test
public void sendData() throws IOException {
String inpath = "E:\\我的文件\\click.txt";
String topic = "click_test";
int cnt = 0;
String line;
InputStream inputStream = new FileInputStream(inpath);
Reader reader = new InputStreamReader(inputStream);
LineNumberReader lnr = new LineNumberReader(reader);
while ((line = lnr.readLine()) != null) {
// 这里的KafkaUtil是个生产者、消费者工具类,可以自行实现
KafkaUtil.sendDataToKafka(topic, String.valueOf(cnt), line);
cnt = cnt + 1;
ThreadUtil.sleep(100);
}
}
}
3. 主要程序
先定义个pojo
:
@NoArgsConstructor
@AllArgsConstructor
@Data
@ToString
public class UserClickModel {
private String date;
private String product;
private int uid;
private int pv;
private int uv;
}
接着就是使用Flink
消费kafka,指定Watermark
,通过KeyBy
分流,进入滚动窗口
函数通过状态保存pv
和uv
。
public class UserClickMain {
private static final Map config = Configuration.initConfig("commons.xml");
public static void main(String[] args) throws Exception {
// 初始化环境,配置相关属性
StreamExecutionEnvironment senv = StreamExecutionEnvironment.getExecutionEnvironment();
senv.setStreamTimeCharacteristic(TimeCharacteristic.EventTime);
senv.enableCheckpointing(5000, CheckpointingMode.EXACTLY_ONCE);
senv.setStateBackend(new FsStateBackend("hdfs://bigdata/flink/checkpoints/userClick"));
// 读取kafka
Properties kafkaProps = new Properties();
kafkaProps.setProperty("bootstrap.servers", config.get("kafka-ipport"));
kafkaProps.setProperty("group.id", config.get("kafka-groupid"));
// kafkaProps.setProperty("auto.offset.reset", "earliest");
// watrmark 允许数据延迟时间
long maxOutOfOrderness = 5 * 1000L;
SingleOutputStreamOperator dataStream = senv.addSource(
new FlinkKafkaConsumer<>(
config.get("kafka-topic"),
new SimpleStringSchema(),
kafkaProps
))
//设置watermark
.assignTimestampsAndWatermarks(WatermarkStrategy.forBoundedOutOfOrderness(Duration.ofMillis(maxOutOfOrderness))
.withTimestampAssigner((element, recordTimestamp) -> {
// 时间戳须为毫秒
return Long.valueOf(JSON.parseObject(element).getString("timestamp")) * 1000;
})).map(new FCClickMapFunction()).returns(TypeInformation.of(new TypeHint() {
}));
// 按照 (date, product) 分组
dataStream.keyBy(new KeySelector>() {
@Override
public Tuple2 getKey(UserClickModel value) throws Exception {
return Tuple2.of(value.getDate(), value.getProduct());
}
})
// 一天为窗口,指定时间起点比时间戳时间早8个小时
.window(TumblingEventTimeWindows.of(Time.days(1), Time.hours(-8)))
// 10s触发一次计算,更新统计结果
.trigger(ContinuousEventTimeTrigger.of(Time.seconds(10)))
// 计算pv uv
.process(new MyProcessWindowFunctionBitMap())
// 保存结果到mysql
.addSink(new FCClickSinkFunction());
senv.execute(UserClickMain.class.getSimpleName());
}
}
代码都是一些常规代码,但是还是有几点需要注意的。
注意
- 设置watermark,flink1.11中使用WatermarkStrategy,老的已经废弃了;
- 我的数据里面时间戳是秒,需要乘以1000,flink提取时间字段,必须为
毫秒
; .window
只传入一个参数,表明是滚动窗口,TumblingEventTimeWindows.of(Time.days(1), Time.hours(-8))
这里指定了窗口的大小为一天,由于中国北京时间是东8区
,比国际时间早8个小时,需要引入offset
,可以自行进入该方法源码查看英文注释。
Rather than that,if you are living in somewhere which is not using UTC±00:00 time,
* such as China which is using UTC+08:00,and you want a time window with size of one day,
* and window begins at every 00:00:00 of local time,you may use {@code of(Time.days(1),Time.hours(-8))}.
* The parameter of offset is {@code Time.hours(-8))} since UTC+08:00 is 8 hours earlier than UTC time.
- 一天大小的窗口,根据
watermark
机制一天触发计算一次,显然是不合理的,需要用trigger
函数指定触发间隔为10s
一次,这样我们的pv
和uv
就是10s
更新一次结果。
4. 关键代码,计算uv
由于这里用户id
刚好是数字,可以使用bitmap
去重,简单原理是:把 user_id 作为 bit 的偏移量 offset,设置为 1 表示有访问,使用 1 MB的空间就可以存放 800 多万用户的一天访问计数情况
。
redis
是自带bit
数据结构的,不过为了尽量少依赖外部存储媒介,这里自己实现bit
,引入相应maven
依赖即可:
<dependency>
<groupId>org.roaringbitmapgroupId>
<artifactId>RoaringBitmapartifactId>
<version>0.8.0version>
dependency>
计算pv、uv的代码其实都是通用的,可以根据自己的实际业务情况快速修改的:
public class MyProcessWindowFunctionBitMap extends ProcessWindowFunction<UserClickModel, UserClickModel, Tuple<String, String>, TimeWindow> {
private transient ValueState pvState;
private transient ValueState bitMapState;
@Override
public void open(Configuration parameters) throws Exception {
super.open(parameters);
ValueStateDescriptor pvStateDescriptor = new ValueStateDescriptor<>("pv", Integer.class);
ValueStateDescriptor bitMapStateDescriptor = new ValueStateDescriptor("bitMap"
, TypeInformation.of(new TypeHint() {}));
// 过期状态清除
StateTtlConfig stateTtlConfig = StateTtlConfig
.newBuilder(Time.days(1))
.setUpdateType(StateTtlConfig.UpdateType.OnCreateAndWrite)
.setStateVisibility(StateTtlConfig.StateVisibility.NeverReturnExpired)
.build();
// 开启ttl
pvStateDescriptor.enableTimeToLive(stateTtlConfig);
bitMapStateDescriptor.enableTimeToLive(stateTtlConfig);
pvState = this.getRuntimeContext().getState(pvStateDescriptor);
bitMapState = this.getRuntimeContext().getState(bitMapStateDescriptor);
}
@Override
public void process(Tuple2 key, Context context, Iterable elements, Collector out) throws Exception {
// 当前状态的pv uv
Integer pv = pvState.value();
Roaring64NavigableMap bitMap = bitMapState.value();
if(bitMap == null){
bitMap = new Roaring64NavigableMap();
pv = 0;
}
Iterator iterator = elements.iterator();
while (iterator.hasNext()){
pv = pv + 1;
int uid = iterator.next().getUid();
//如果userId可以转成long
bitMap.add(uid);
}
// 更新pv
pvState.update(pv);
UserClickModel UserClickModel = new UserClickModel();
UserClickModel.setDate(key.f0);
UserClickModel.setProduct(key.f1);
UserClickModel.setPv(pv);
UserClickModel.setUv(bitMap.getIntCardinality());
out.collect(UserClickModel);
}
}
注意
- 由于计算
uv
第二天的时候,就不需要第一天数据了,要及时清理内存中前一天
的状态,通过ttl
机制过期; - 最终结果保存到mysql里面,如果数据结果分类聚合太多,要注意
mysql压力
,这块可以自行优化;
五、其它方法
除了使用bitmap
去重外,还可以使用Flink SQL
,编码更简洁,还可以借助外面的媒介Redis
去重:
- 基于 set
- 基于 bit
- 基于 HyperLogLog
- 基于bloomfilter
具体思路是,计算pv
、uv
都塞入redis里面,然后再获取值保存统计结果,也是比较常用的。
猜你喜欢
HDFS的快照讲解
Hadoop 数据迁移用法详解
Hbase修复工具Hbck
数仓建模分层理论
一文搞懂Hive的数据存储与压缩
大数据组件重点学习这几个