SlidingWindows Python复制数据

Question

问题

每次系统收到带有滑动Windows的pubsub消息时，都会被复制

代码

 | 'Parse dictionary' >> beam.Map(lambda elem: (elem['Serial'], int(elem['Value'])))    
 | 'window' >> beam.WindowInto(window.SlidingWindows(30, 15),accumulation_mode=AccumulationMode.DISCARDING)
 | 'Count' >> beam.CombinePerKey(beam.combiners.MeanCombineFn())

输出

如果我只从pub/sub发送一条消息，并试图在滑动窗口用代码结束后打印我拥有的内容：

class print_row2(beam.DoFn):
    def process(self, row=beam.DoFn.ElementParam, window=beam.DoFn.WindowParam,timestamp=beam.DoFn.TimestampParam):
        print row, timestamp2str(float(window.start)), timestamp2str(float(window.end)),timestamp2str(float(timestamp))

结果

('77777', 120.0) 2018-11-16 08:21:15.000 2018-11-16 08:21:45.000 2018-11-16 08:21:45.000
('77777', 120.0) 2018-11-16 08:21:30.000 2018-11-16 08:22:00.000 2018-11-16 08:22:00.000

如果我在'window' >> beam.WindowInto(window.SlidingWindows(30, 15))之前打印消息，我只收到一次

以“图形模式”进程：

  time: ----t+00---t+15---t+30----t+45----t+60------>
             :      :      :       :       :
  w1:        |=X===========|       :       :
  w2:               |==============|       :
  ...

消息X在滑动窗口开始时只发送了一次，应该只接收一次，但正在接收两次。

我尝试了两个AccumulationMode值，也使用了一个trigger=AftyerWatermark，但是我无法解决这个问题。

，怎么回事？

额外

使用FixedWindows，这是我的豪宅的正确代码：

| 'Window' >> beam.WindowInto(window.FixedWindows(1 * 30))
| 'Speed Average' >> beam.GroupByKey()
| "Calculating average" >> beam.CombineValues(beam.combiners.MeanCombineFn())

或

| 'Window' >> beam.WindowInto(window.FixedWindows(1 * 30))
| "Calculating average" >> beam.CombinePerKey(beam.combiners.MeanCombineFn())

Answer 1

将发出属于该窗口的所有元素。如果一个元素属于多个窗口，那么它将在每个窗口中发出。

只有在计划处理延迟数据/多个触发触发时，积累模式才会起作用。在这种情况下，当触发器再次触发时，丢弃模式只提供窗口中的新元素，即只发出上次触发器触发后到达同一窗口的元素，已经发出的元素不会再次发出并被丢弃。在累积模式下，每次触发时都会发出整个窗口，包括上次已经发出的旧元素和此后到达的新元素。

如果我理解你的例子，你有滑动窗口，它们有30秒的长度，它们每15秒启动一次。所以它们重叠了15秒：

  time: ----t+00---t+15---t+30----t+45----t+60------>
             :      :      :       :       :
  w1:        |=============|       :       :
  w2:               |==============|       :
  w3:                      |===============|
  ...

因此，在您的示例中，任何元素都至少属于两个窗口(除了第一个窗口和最后一个窗口)。

在你的例子中，如果你的消息是在17:07:15和17:07:30之间发送的，它将出现在两个窗口中。

固定窗口不重叠，因此元素只能属于一个窗口：

  time: ----t+00---t+15---t+30----t+45----t+60------>
             :             :               :
  w1:        |=============|               :
  w2:                      |===============|
  w3:                                      |====...
  ...

更多关于windows的信息：https://beam.apache.org/documentation/programming-guide/#windowing

Answer 2

不过，在java中，我也有同样的问题。我有一个10秒的窗口和3秒的步骤。当从我订阅的mqtt主题发出一个事件时，它看起来就像我已经运行的ParDo函数，并向所有三个“构造”窗口发出第一个和唯一的事件。

X是我随机发送的事件: 2020-09-15T21:17:57.292Z

  time: ----t+00---t+15---t+30----t+45----t+60------>
             :      :      :       :       :
  w1:        |X============|       :       :
  w2:               |X=============|       :
  w3:                      |X==============|
  ...

甚至同样的时间戳也被分配给他们！！我一定是做错了什么事。

我使用Scala 2.12和BEAM 2.23与一个直接运行程序。

提示我在processElement函数中使用状态！按键+窗口保持状态的位置。也许那里有个窃听器？我会试着在没有状态的情况下测试它。

更新：删除了状态字段，并将单个事件分配给一个窗口。