如何对来自无限流的传入事件进行分组？

Question

我有无限的事件流：

(timestamp, session_uid, traffic)

即

...
(1448089943, session-1, 10)
(1448089944, session-1, 20)
(1448089945, session-2, 50)
(1448089946, session-1, 30)
(1448089947, session-2, 10)
(1448089948, session-3, 10)
...

这些事件我想按session_uid分组，并计算每个会话的流量之和。

我编写了一个akka-streams流，它可以很好地处理有限的流，使用groupBy (我的代码基于食谱中的这示例)。但是对于无限流，它将无法工作，因为groupBy函数应该处理所有传入流，然后才准备返回结果。

我认为我应该实现带超时的分组，也就是说，如果在最后5分钟内没有接收到指定stream_uid的事件，我应该返回这个session_uid的分组事件。但是，如何使用akka-streams来实现它呢？

Answer 1

我想出了一个有点吝啬的解决方案，但我认为它可以完成任务。

其基本思想是使用源的keepAlive方法作为触发完成的定时器。

但要做到这一点，我们首先必须对数据进行一些抽象。因此，计时器需要从原始源发送触发器或另一个元组值：

sealed trait Data

object TimerTrigger extends Data
case class Value(tstamp : Long, session_uid : String, traffic : Int) extends Data

然后将我们的元组源转换为值的来源。我们仍将使用groupBy进行类似于有限流情况的分组：

val originalSource : Source[(Long, String, Int), Unit] = ???

type IDGroup = (String, Source[Value, Unit]) //uid -> Source of Values for uid

val groupedDataSource : Source[IDGroup, Unit] = 
  originalSource.map(t => Value(t._1, t._2, t._3))
                .groupBy(_.session_uid)

棘手的部分是处理只是元组的分组：(String, Source[Value,Unit])。如果时间已经过去，我们需要计时器通知我们，所以我们需要另一个抽象来知道我们是否还在计算，或者由于超时而完成了计算：

sealed trait Sum {
  val sum : Int
}
case class StillComputing(val sum : Int) extends Sum
case class ComputedSum(val sum : Int) extends Sum

val zeroSum : Sum = StillComputing(0)

现在我们可以把每一组的源头都抽干了。如果值源在keepAlive之后没有生成某些内容，那么TimerTrigger将发送一个timeOut。然后，来自Data的keepAlive模式与原始源的TimerTrigger或新值相匹配：

val evaluateSum : ((Sum , Data)) => Sum = {
  case (runningSum, data) => { 
    data match {
      case TimerTrigger => ComputedSum(runningSum.sum)
      case v : Value    => StillComputing(runningSum.sum + v.traffic)
    }
  }
}//end val evaluateSum

type SumResult = (String, Future[Int]) // uid -> Future of traffic sum for uid

def handleGroup(timeOut : FiniteDuration)(idGroup : IDGroup) : SumResult = 
  idGroup._1 -> idGroup._2.keepAlive(timeOut, () => TimerTrigger)
                          .scan(zeroSum)(evaluateSum)
                          .collect {case c : ComputedSum => c.sum}
                          .runWith(Sink.head)

集合应用于只匹配已完成和的部分函数，因此只有在计时器触发后才能到达Sink。

然后，我们将这个处理程序应用于每一个出现的分组：

val timeOut = FiniteDuration(5, MINUTES)

val sumSource : Source[SumResult, Unit] = 
  groupedDataSource map handleGroup(timeOut)

我们现在有一个(String,Future[Int])的来源，它是session_uid和该id的流量之和的未来。

就像我说的，复杂但符合要求。另外，我不完全确定如果已经分组并超时的uid会发生什么，但是随后会出现一个具有相同uid的新值。

Answer 2

这似乎是Source.groupedWithin的用例

def groupedWithin(n: Int, d: FiniteDuration): Source[List[Out], Mat]

“将该流分成一组在时间窗口内接收的元素，或受给定数量的元素的限制，无论首先发生什么。”

这是指向文档的链接

Answer 3

也许您可以简单地通过参与者来实现它。

case class SessionCount(name: String)

class Hello private() extends Actor {
  var sessionMap = Map[String, Int]()

  override def receive: Receive = {
    case (_, session: String, _) =>
      sessionMap = sessionMap + (session -> (sessionMap.getOrElse(session, 0) + 1))

    case SessionCount(name: String) => sender() ! sessionMap.get(name).getOrElse(0)
  }
}


object Hello {
  private val actor = ActorSystem.apply().actorOf(Props(new Hello))
  private implicit val timeOver = Timeout(10, TimeUnit.SECONDS)
  type Value = (String, String, String)

  def add(value: Value) = actor ! value

  def count(name:String) = (actor ? SessionCount(name )).mapTo[Int]
}