Flink Time

一、概述

对于流式数据处理，最大的特点是数据上具有时间的属性特征，Flink 根据时间产生的

位置不同，将时间区分为三种语义，分别为事件生产时间（Event Time）、事件接入时间

（Ingestion Time）和事件处理时间（Processing Time）

※ Event Time：事件产生的时间，它通常由事件中的时间戳描述

※ Ingestion Time：事件进入 Flink 的时间

※ Processing Time：事件被出来时当前系统的事件

1.时间语义 Time

　　第一：数据从终端产生，或者从系统中产生的过程中生成的时间为事件生成时间

　　第二：当数据经过消息中间件传入到 Flink 系统中，在 DataSource 中接入的时候会生成事件接入时间

　　第三：当数据在 Flink 系统中通过各个算子实例执行转换操作的过程中，算子实例所在系统的时间为数据处理时间

1）设置时间语义

　　在 Flink 中默认情况下使用 Process Time 时间语义，如果用户选择使用 Event Time 或者 Ingestion Time 语义，

则需要在创建的 StreamExecutionEnvironment 中调用 setStreamTimeCharacteristic() 方法设定系统的时间概念，如下

代码使用 TimeCharacteristic.EventTime 作为系统的时间语义：

// 设 置 使 用 EventTime 
streamEnv.setStreamTimeCharacteristic(TimeCharacteristic.EventTime)
// 设 置 使 用 IngestionTime 
streamEnv.setStreamTimeCharacteristic(TimeCharacteristic.IngestionTime)

注意：上面的代码还没有指定具体的时间到底是是上面值，所以后续需要进行设置

2）三个时间的比较

EventTime

1.事件生成时的时间，在进入Flink之前就已经存在，可以从event的字段中抽取。

2.必须指定watermarks（水位线）的生成方式。

3.优势：确定性，乱序、延时、或者数据重放等情况，都能给出正确的结果

4.弱点：处理无序事件时性能和延迟受到影响

IngestTime

1.事件进入flink的时间，即在source里获取的当前系统的时间，后续操作统一使用该时间。

2.不需要指定watermarks的生成方式(自动生成)

3.弱点：不能处理无序事件和延迟数据

ProcessingTime

1.执行操作的机器的当前系统时间(每个算子都不一样)

2.不需要流和机器之间的协调

3.优势：最佳的性能和最低的延迟

4.弱点：不确定性 ，容易受到各种因素影像(event产生的速度、到达flink的速度、在算子之间传输速度等)，压根就不管顺序和延迟

比较

性能： ProcessingTime> IngestTime> EventTime

延迟： ProcessingTime< IngestTime< EventTime

确定性： EventTime> IngestTime> ProcessingTime

原文地址：https://www.cnblogs.com/alen-apple/p/13083775.html