Flink計算pv和uv的通用方法

大資料技術派發表於2021-11-01

PV(訪問量):即Page View, 即頁面瀏覽量或點選量,使用者每次重新整理即被計算一次。

UV(獨立訪客):即Unique Visitor,訪問您網站的一臺電腦客戶端為一個訪客。00:00-24:00內相同的客戶端只被計算一次。

計算網站App的實時pv和uv,是很常見的統計需求,這裡提供通用的計算方法,不同的業務需求只需要小改即可拿來即用。

需求

利用Flink實時統計,從0點到當前的pv、uv。

一、需求分析

Kafka傳送過來的資料含有:時間戳時間維度使用者id,需要從不同維度統計從0點到當前時間的pvuv,第二天0點重新開始計數第二天的。

二、技術方案

  • Kafka資料可能會有延遲亂序,這裡引入watermark
  • 通過keyBy分流進不同的滾動window,每個視窗內計算pvuv
  • 由於需要儲存一天的狀態,process裡面使用ValueState儲存pvuv
  • 使用BitMap型別ValueState,佔記憶體很小,引入支援bitmap的依賴;
  • 儲存狀態需要設定ttl過期時間,第二天把第一天的過期,避免記憶體佔用過大。

三、資料準備

這裡假設是使用者訂單資料,資料格式如下:

{"time":"2021-10-31 22:00:01","timestamp":"1635228001","product":"蘋果手機","uid":255420}
{"time":"2021-10-31 22:00:02","timestamp":"1635228001","product":"MacBook Pro","uid":255421}

四、程式碼實現

整個工程程式碼截圖如下(抹去了一些不方便公開的資訊):

pvuv-project

1. 環境

kafka:1.0.0;

Flink:1.11.0;

2. 傳送測試資料

首先傳送資料到kafka測試叢集,maven依賴:

<dependency>
    <groupId>org.apache.kafka</groupId>
    <artifactId>kafka-clients</artifactId>
    <version>2.4.1</version>
</dependency>

傳送程式碼:

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:\\我的檔案\\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) {
            // 這裡的KafkaUtil是個生產者、消費者工具類,可以自行實現
            KafkaUtil.sendDataToKafka(topic, String.valueOf(cnt), line);
            cnt = cnt + 1;
            ThreadUtil.sleep(100);
        }
    }
}

3. 主要程式

先定義個pojo

@NoArgsConstructor
@AllArgsConstructor
@Data
@ToString
public class UserClickModel {
    private String date;
    private String product;
    private int uid;
    private int pv;
    private int uv;
}

接著就是使用Flink消費kafka,指定Watermark,通過KeyBy分流,進入滾動視窗函式通過狀態儲存pvuv

public class UserClickMain {

    private static final Map<String, String> config = Configuration.initConfig("commons.xml");

    public static void main(String[] args) throws Exception {

        // 初始化環境,配置相關屬性
        StreamExecutionEnvironment senv = StreamExecutionEnvironment.getExecutionEnvironment();
        senv.setStreamTimeCharacteristic(TimeCharacteristic.EventTime);
        senv.enableCheckpointing(5000, CheckpointingMode.EXACTLY_ONCE);
        senv.setStateBackend(new FsStateBackend("hdfs://bigdata/flink/checkpoints/userClick"));

        // 讀取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 允許資料延遲時間
        long maxOutOfOrderness = 5 * 1000L;
        SingleOutputStreamOperator<UserClickModel> dataStream = senv.addSource(
                new FlinkKafkaConsumer<>(
                        config.get("kafka-topic"),
                        new SimpleStringSchema(),
                        kafkaProps
                ))
                //設定watermark
                .assignTimestampsAndWatermarks(WatermarkStrategy.<String>forBoundedOutOfOrderness(Duration.ofMillis(maxOutOfOrderness))
                        .withTimestampAssigner((element, recordTimestamp) -> {
                            // 時間戳須為毫秒
                            return Long.valueOf(JSON.parseObject(element).getString("timestamp")) * 1000;
                        })).map(new FCClickMapFunction()).returns(TypeInformation.of(new TypeHint<UserClickModel>() {
                }));

        // 按照 (date, product) 分組
        dataStream.keyBy(new KeySelector<UserClickModel, Tuple2<String, String>>() {
            @Override
            public Tuple2<String, String> getKey(UserClickModel value) throws Exception {
                return Tuple2.of(value.getDate(), value.getProduct());
            }
        })
                // 一天為視窗,指定時間起點比時間戳時間早8個小時
                .window(TumblingEventTimeWindows.of(Time.days(1), Time.hours(-8)))
                // 10s觸發一次計算,更新統計結果
                .trigger(ContinuousEventTimeTrigger.of(Time.seconds(10)))
                // 計算pv uv
                .process(new MyProcessWindowFunctionBitMap())
                // 儲存結果到mysql
                .addSink(new FCClickSinkFunction());

        senv.execute(UserClickMain.class.getSimpleName());
    }
}

程式碼都是一些常規程式碼,但是還是有幾點需要注意的。

注意

  1. 設定watermark,flink1.11中使用WatermarkStrategy,老的已經廢棄了;
  2. 我的資料裡面時間戳是秒,需要乘以1000,flink提取時間欄位,必須為毫秒
  3. .window只傳入一個引數,表明是滾動視窗,TumblingEventTimeWindows.of(Time.days(1), Time.hours(-8))這裡指定了視窗的大小為一天,由於中國北京時間是東8區,比國際時間早8個小時,需要引入offset,可以自行進入該方法原始碼檢視英文註釋。
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.
  1. 一天大小的視窗,根據watermark機制一天觸發計算一次,顯然是不合理的,需要用trigger函式指定觸發間隔為10s一次,這樣我們的pvuv就是10s更新一次結果。

4. 關鍵程式碼,計算uv

由於這裡使用者id剛好是數字,可以使用bitmap去重,簡單原理是:把 user_id 作為 bit 的偏移量 offset,設定為 1 表示有訪問,使用 1 MB的空間就可以存放 800 多萬使用者的一天訪問計數情況

redis是自帶bit資料結構的,不過為了儘量少依賴外部儲存媒介,這裡自己實現bit,引入相應maven依賴即可:

<dependency>
    <groupId>org.roaringbitmap</groupId>
    <artifactId>RoaringBitmap</artifactId>
    <version>0.8.0</version>
</dependency>

計算pv、uv的程式碼其實都是通用的,可以根據自己的實際業務情況快速修改的:

public class MyProcessWindowFunctionBitMap extends ProcessWindowFunction<UserClickModel, UserClickModel, Tuple<String, String>, TimeWindow> {

    private transient ValueState<Integer> pvState;
    private transient ValueState<Roaring64NavigableMap> bitMapState;

    @Override
    public void open(Configuration parameters) throws Exception {
        super.open(parameters);
        ValueStateDescriptor<Integer> pvStateDescriptor = new ValueStateDescriptor<>("pv", Integer.class);
        ValueStateDescriptor<Roaring64NavigableMap> bitMapStateDescriptor = new ValueStateDescriptor("bitMap"
                , TypeInformation.of(new TypeHint<Roaring64NavigableMap>() {}));

        // 過期狀態清除
        StateTtlConfig stateTtlConfig = StateTtlConfig
                .newBuilder(Time.days(1))
                .setUpdateType(StateTtlConfig.UpdateType.OnCreateAndWrite)
                .setStateVisibility(StateTtlConfig.StateVisibility.NeverReturnExpired)
                .build();
        // 開啟ttl
        pvStateDescriptor.enableTimeToLive(stateTtlConfig);
        bitMapStateDescriptor.enableTimeToLive(stateTtlConfig);

        pvState = this.getRuntimeContext().getState(pvStateDescriptor);
        bitMapState = this.getRuntimeContext().getState(bitMapStateDescriptor);
    }

    @Override
    public void process(Tuple2<String, String> key, Context context, Iterable<UserClickModel> elements, Collector<UserClickModel> out) throws Exception {

        // 當前狀態的pv uv
        Integer pv = pvState.value();
        Roaring64NavigableMap bitMap = bitMapState.value();
        if(bitMap == null){
            bitMap = new Roaring64NavigableMap();
            pv = 0;
        }

        Iterator<UserClickModel> iterator = elements.iterator();
        while (iterator.hasNext()){
            pv = pv + 1;
            int uid = iterator.next().getUid();
            //如果userId可以轉成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

  1. 由於計算uv第二天的時候,就不需要第一天資料了,要及時清理記憶體中前一天的狀態,通過ttl機制過期;
  2. 最終結果儲存到mysql裡面,如果資料結果分類聚合太多,要注意mysql壓力,這塊可以自行優化;

五、其它方法

除了使用bitmap去重外,還可以使用Flink SQL,編碼更簡潔,還可以藉助外面的媒介Redis去重:

  1. 基於 set
  2. 基於 bit
  3. 基於 HyperLogLog
  4. 基於bloomfilter

具體思路是,計算pvuv都塞入redis裡面,然後再獲取值儲存統計結果,也是比較常用的。

猜你喜歡

HDFS的快照講解

Hadoop 資料遷移用法詳解

Hbase修復工具Hbck

數倉建模分層理論

一文搞懂Hive的資料儲存與壓縮

大資料元件重點學習這幾個

相關文章