Flink Window分析及Watermark解決亂序數據機制深刻剖析-Flink牛刀小試
專一於大數據及容器雲核心技術解密，可提供全棧的大數據+雲原平生臺諮詢方案，請持續關注本套博客。若有任何學術交流，可隨時聯繫。更多內容請關注《數據雲技術社區》公衆號。 java
本文決心講清楚這個糾結的水印Watermark問題，Come on ！
1 The Time
針對stream數據中的時間，能夠分爲如下三種：git
- Event Time：事件產生的時間，它一般由事件中的時間戳描述。
- Ingestion time：事件進入Flink的時間
- Processing Time：事件被處理時當前系統的時間
- Flink中，默認Time相似是ProcessingTime ，能夠在代碼中設置：
1.1 tips（請認真思考下面的話，絕對震聾發潰！）
-
在水印的處理中，咱們通常取事件時間序列的最大值做爲水印的生成時間參考。github
-
按照信號發生的順序，時間是不斷增長的，因此在時間序列上若出現事件時間小於時間序列最大值，通常都是延時的事件，時間序列最大值不會改變。apache
-
每處理一條事件數據，watermark時間就生成一次，後面窗的觸發就是依據水印時間。若設置亂序延時爲10s，則生成規則就是：windows
final Long maxOutOfOrderness = 10000L;// 最大容許的亂序時間是10s new Watermark(currentMaxTimestamp - maxOutOfOrderness) 複製代碼 -
數據會按照時間進行依次Append,api
-
水印依賴的條件是窗，水印只是決定了窗的觸發時間，若設置最大容許的亂序時間是maxOutOfOrderness=10s，則窗的觸發時機就是：網絡
watermark 時間 >= window_end_time 複製代碼 -
窗觸發時，數據除了正常的時間序列，同時也包含延時到達的序列。在窗觸發前（也就水印時間），計算除了把以前的正常窗數據給觸發了，同時還包含了原本也屬於該窗的延時數據。app
2 窗與水印的世紀謎題
-
事件時間的最大值，也就是當前的實際事件時間，所以須要以此爲參考點。socket
-
實際窗：意思就是數據就在那裏Append,窗數據已經準備好，等待觸發時機。ide
-
水印時間不受影響：就是每次來的數據的事件時間最大值，不受延遲數據時間影響。
-
下面例子中，等水印時間爲10:11:33時，知足時間窗 10:11:30 <-> 10:11:33的觸發時機，此時須要處理的數據不只包含正常數據10:11:32 ,同時還包含亂序數據10:11:31。
-
再次強調：窗時機到來時，會遍歷亂序數據和原窗數據。
-
實際窗在流動，只是暫不觸發。
-
水印也在標記流動
-
窗時機觸發也在流動。
-
watermark 時間 >= window_end_time時，觸發歷史窗執行。
-
繼續
3 EventTime和Watermarks 水位線理論碰撞
-
流處理從事件產生，到流經source，再到operator，中間是有一個過程和時間的。雖然大部分狀況下，流到operator的數據都是按照事件產生的時間順序來的，可是也不排除因爲網絡延遲等緣由，致使亂序的產生，特別是使用kafka的話，多個分區的數據沒法保證有序。因此在進行window計算的時候，咱們又不能無限期的等下去，必需要有個機制來保證一個特定的時間後，必須觸發window去進行計算了。這個特別的機制，就是watermark，watermark是用於處理亂序事件的。
-
一般，在接收到source的數據後，應該馬上生成watermark；可是，也能夠在source後，應用簡單的map或者filter操做後，再生成watermark。注意：若是指定屢次watermark，後面指定的會覆蓋前面的值。 生成方式
-
With Periodic Watermarks
週期性的觸發watermark的生成和發送，默認是100ms，每隔N秒自動向流裏 注入一個WATERMARK 時間間隔由ExecutionConfig.setAutoWatermarkInterval 決定. 每次調用getCurrentWatermark 方法, 若是獲得的WATERMARK 不爲空而且比以前的大就注入流中 能夠定義一個最大容許亂序的時間，這種比較經常使用 實現AssignerWithPeriodicWatermarks接口 複製代碼 -
With Punctuated Watermarks
基於某些事件觸發watermark的生成和發送基於事件向流裏注入一個WATERMARK， 每個元素都有機會判斷是否生成一個WATERMARK. 若是獲得的WATERMARK 不爲空而且比以前的大就注入流中實現AssignerWithPunctuatedWatermarks接口 複製代碼 -
多並行度流的watermarks
注意：多並行度的狀況下，watermark對齊會取全部channel最小的watermark。
4 With Periodic Watermarks案例實戰
4.1 最樸實的水印方案（基於事件序列最大值）
public class StreamingWindowWatermark {
public static void main(String[] args) throws Exception {
//定義socket的端口號
int port = 9010;
//獲取運行環境
StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
//設置使用eventtime，默認是使用processtime
env.setStreamTimeCharacteristic(TimeCharacteristic.EventTime);
//設置並行度爲1,默認並行度是當前機器的cpu數量
env.setParallelism(1);
//鏈接socket獲取輸入的數據
DataStream<String> text = env.socketTextStream("SparkMaster", port, "\n");
//解析輸入的數據
DataStream<Tuple2<String, Long>> inputMap = text.map(new MapFunction<String, Tuple2<String, Long>>() {
@Override
public Tuple2<String, Long> map(String value) throws Exception {
String[] arr = value.split(",");
return new Tuple2<>(arr[0], Long.parseLong(arr[1]));
}
});
//抽取timestamp和生成watermark
DataStream<Tuple2<String, Long>> waterMarkStream = inputMap.assignTimestampsAndWatermarks(new AssignerWithPeriodicWatermarks<Tuple2<String, Long>>() {
Long currentMaxTimestamp = 0L;
final Long maxOutOfOrderness = 10000L;// 最大容許的亂序時間是10s
SimpleDateFormat sdf = new SimpleDateFormat("yyyy-MM-dd HH:mm:ss.SSS");
@Nullable
@Override
public Watermark getCurrentWatermark() {
return new Watermark(currentMaxTimestamp - maxOutOfOrderness);
}
//定義如何提取timestamp
@Override
public long extractTimestamp(Tuple2<String, Long> element, long previousElementTimestamp) {
long timestamp = element.f1;
currentMaxTimestamp = Math.max(timestamp, currentMaxTimestamp);
long id = Thread.currentThread().getId();
System.out.println("做者：秦凱新 鍵值 :"+element.f0+",事件事件:[ "+sdf.format(element.f1)+" ],currentMaxTimestamp:[ "+
sdf.format(currentMaxTimestamp)+" ],水印時間:[ "+sdf.format(getCurrentWatermark().getTimestamp())+" ]");
return timestamp;
}
});
DataStream<String> window = waterMarkStream.keyBy(0)
.window(TumblingEventTimeWindows.of(Time.seconds(3)))//按照消息的EventTime分配窗口，和調用TimeWindow效果同樣
.apply(new WindowFunction<Tuple2<String, Long>, String, Tuple, TimeWindow>() {
/**
* 對window內的數據進行排序，保證數據的順序
* @param tuple
* @param window
* @param input
* @param out
* @throws Exception
*/
@Override
public void apply(Tuple tuple, TimeWindow window, Iterable<Tuple2<String, Long>> input, Collector<String> out) throws Exception {
String key = tuple.toString();
List<Long> arrarList = new ArrayList<Long>();
Iterator<Tuple2<String, Long>> it = input.iterator();
while (it.hasNext()) {
Tuple2<String, Long> next = it.next();
arrarList.add(next.f1);
}
Collections.sort(arrarList);
SimpleDateFormat sdf = new SimpleDateFormat("yyyy-MM-dd HH:mm:ss.SSS");
String result = "\n 做者：秦凱新 鍵值 : "+ key + "\n 觸發窗內數據個數 : " + arrarList.size() + "\n 觸發窗起始數據： " + sdf.format(arrarList.get(0)) + "\n 觸發窗最後（多是延時）數據：" + sdf.format(arrarList.get(arrarList.size() - 1))
+ "\n 實際窗起始和結束時間： " + sdf.format(window.getStart()) + "《----》" + sdf.format(window.getEnd()) + " \n \n ";
out.collect(result);
}
});
//測試-把結果打印到控制檯便可
window.print();
//注意：由於flink是懶加載的，因此必須調用execute方法，上面的代碼纔會執行
env.execute("eventtime-watermark");
}
}
複製代碼
-
執行測試數據
0001,1538359882000 2018-10-01 10:11:22 0002,1538359886000 2018-10-01 10:11:26 0003,1538359892000 2018-10-01 10:11:32 0004,1538359893000 2018-10-01 10:11:33 0005,1538359894000 2018-10-01 10:11:34 0006,1538359896000 2018-10-01 10:11:36 0007,1538359897000 2018-10-01 10:11:37 0008,1538359899000 2018-10-01 10:11:39 0009,1538359891000 2018-10-01 10:11:31 0010,1538359903000 2018-10-01 10:11:43 0011,1538359892000 2018-10-01 10:11:32 0012,1538359891000 2018-10-01 10:11:31 0010,1538359906000 2018-10-01 10:11:46 複製代碼
第一個窗觸發：2018-10-01 10:11:21.000《----》2018-10-01 10:11:24.000
第二個窗觸發：2018-10-01 10:11:24.000《----》2018-10-01 10:11:27.000
第三個窗觸發：2018-10-01 10:11:30.000《----》2018-10-01 10:11:33.000
第四個窗觸發：10:11:33.000《----》2018-10-01 10:11:36.000
4.2 最霸道的水印設計（allowedLateness與OutputLateData）
-
在某些狀況下， 咱們但願對遲到的數據再提供一個寬容的時間。 Flink 提供了 allowedLateness 方法能夠實現對遲到的數據設置一個延遲時間， 在指定延遲時間內到達的數據仍是能夠觸發 window 執行的。
-
第二次（或屢次）觸發的條件是 watermark < window_end_time + allowedLateness 時間內， 這個窗口有 late 數據到達時。
-
舉例：當 watermark 等於 10:11:34 的時候， 咱們輸入 eventtime 爲 10:11:30、 10:11:3一、10:11:32 的數據的時候， 是能夠觸發的， 由於這些數據的 window_end_time 都是 10:11:33， 也就是10:11:34<10:11:33+2 爲 true。
-
舉例：可是當 watermark 等於 10:11:35 的時候，咱們再輸入 eventtime 爲 10:11:30、10:11:3一、10:11:32的數據的時候， 這些數據的 window_end_time 都是 10:11:33， 此時， 10:11:35< 10:11:33+2 爲false 了。 因此最終這些數據遲到的時間過久了， 就不會再觸發 window 執行了，預示着丟棄。
-
同時注意，對於延遲的數據，咱們徹底能夠把它揪出來做分析。經過設置sideOutputLateData。
public class StreamingWindowWatermark2 { public static void main(String[] args) throws Exception { //定義socket的端口號 int port = 9000; //獲取運行環境 StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment(); //設置使用eventtime，默認是使用processtime env.setStreamTimeCharacteristic(TimeCharacteristic.EventTime); //設置並行度爲1,默認並行度是當前機器的cpu數量 env.setParallelism(1); //鏈接socket獲取輸入的數據 DataStream<String> text = env.socketTextStream("hadoop100", port, "\n"); //解析輸入的數據 DataStream<Tuple2<String, Long>> inputMap = text.map(new MapFunction<String, Tuple2<String, Long>>() { @Override public Tuple2<String, Long> map(String value) throws Exception { String[] arr = value.split(","); return new Tuple2<>(arr[0], Long.parseLong(arr[1])); } }); //抽取timestamp和生成watermark DataStream<Tuple2<String, Long>> waterMarkStream = inputMap.assignTimestampsAndWatermarks(new AssignerWithPeriodicWatermarks<Tuple2<String, Long>>() { Long currentMaxTimestamp = 0L; final Long maxOutOfOrderness = 10000L;// 最大容許的亂序時間是10s SimpleDateFormat sdf = new SimpleDateFormat("yyyy-MM-dd HH:mm:ss.SSS"); /** * 定義生成watermark的邏輯 * 默認100ms被調用一次 */ @Nullable @Override public Watermark getCurrentWatermark() { return new Watermark(currentMaxTimestamp - maxOutOfOrderness); } //定義如何提取timestamp @Override public long extractTimestamp(Tuple2<String, Long> element, long previousElementTimestamp) { long timestamp = element.f1; currentMaxTimestamp = Math.max(timestamp, currentMaxTimestamp); System.out.println("key:"+element.f0+",eventtime:["+element.f1+"|"+sdf.format(element.f1)+"],currentMaxTimestamp:["+currentMaxTimestamp+"|"+ sdf.format(currentMaxTimestamp)+"],watermark:["+getCurrentWatermark().getTimestamp()+"|"+sdf.format(getCurrentWatermark().getTimestamp())+"]"); return timestamp; } }); //保存被丟棄的數據 OutputTag<Tuple2<String, Long>> outputTag = new OutputTag<Tuple2<String, Long>>("late-data"){}; //注意，因爲getSideOutput方法是SingleOutputStreamOperator子類中的特有方法，因此這裏的類型，不能使用它的父類dataStream。 SingleOutputStreamOperator<String> window = waterMarkStream.keyBy(0) .window(TumblingEventTimeWindows.of(Time.seconds(3)))//按照消息的EventTime分配窗口，和調用TimeWindow效果同樣 //.allowedLateness(Time.seconds(2))//容許數據遲到2秒 .sideOutputLateData(outputTag) .apply(new WindowFunction<Tuple2<String, Long>, String, Tuple, TimeWindow>() { /** * 對window內的數據進行排序，保證數據的順序 * @param tuple * @param window * @param input * @param out * @throws Exception */ @Override public void apply(Tuple tuple, TimeWindow window, Iterable<Tuple2<String, Long>> input, Collector<String> out) throws Exception { String key = tuple.toString(); List<Long> arrarList = new ArrayList<Long>(); Iterator<Tuple2<String, Long>> it = input.iterator(); while (it.hasNext()) { Tuple2<String, Long> next = it.next(); arrarList.add(next.f1); } Collections.sort(arrarList); SimpleDateFormat sdf = new SimpleDateFormat("yyyy-MM-dd HH:mm:ss.SSS"); String result = key + "," + arrarList.size() + "," + sdf.format(arrarList.get(0)) + "," + sdf.format(arrarList.get(arrarList.size() - 1)) + "," + sdf.format(window.getStart()) + "," + sdf.format(window.getEnd()); out.collect(result); } }); //把遲到的數據暫時打印到控制檯，實際中能夠保存到其餘存儲介質中 DataStream<Tuple2<String, Long>> sideOutput = window.getSideOutput(outputTag); sideOutput.print(); //測試-把結果打印到控制檯便可 window.print(); //注意：由於flink是懶加載的，因此必須調用execute方法，上面的代碼纔會執行 env.execute("eventtime-watermark"); } } 複製代碼
4.3 多並行度下的 watermark觸發機制
4.3.1 先領會代碼（感謝 github xuwei）
import org.apache.flink.api.common.functions.MapFunction;
import org.apache.flink.api.java.tuple.Tuple;
import org.apache.flink.api.java.tuple.Tuple2;
import org.apache.flink.streaming.api.TimeCharacteristic;
import org.apache.flink.streaming.api.datastream.DataStream;
import org.apache.flink.streaming.api.datastream.SingleOutputStreamOperator;
import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;
import org.apache.flink.streaming.api.functions.AssignerWithPeriodicWatermarks;
import org.apache.flink.streaming.api.functions.windowing.WindowFunction;
import org.apache.flink.streaming.api.watermark.Watermark;
import org.apache.flink.streaming.api.windowing.assigners.TumblingEventTimeWindows;
import org.apache.flink.streaming.api.windowing.time.Time;
import org.apache.flink.streaming.api.windowing.windows.TimeWindow;
import org.apache.flink.util.Collector;
import org.apache.flink.util.OutputTag;
import javax.annotation.Nullable;
import java.text.SimpleDateFormat;
import java.util.ArrayList;
import java.util.Collections;
import java.util.Iterator;
import java.util.List;
public class StreamingWindowWatermark2 {
public static void main(String[] args) throws Exception {
//定義socket的端口號
int port = 9010;
//獲取運行環境
StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
//設置使用eventtime，默認是使用processtime
env.setStreamTimeCharacteristic(TimeCharacteristic.EventTime);
//設置並行度爲1,默認並行度是當前機器的cpu數量
env.setParallelism(8);
//鏈接socket獲取輸入的數據
DataStream<String> text = env.socketTextStream("SparkMaster", port, "\n");
//解析輸入的數據
DataStream<Tuple2<String, Long>> inputMap = text.map(new MapFunction<String, Tuple2<String, Long>>() {
@Override
public Tuple2<String, Long> map(String value) throws Exception {
String[] arr = value.split(",");
return new Tuple2<>(arr[0], Long.parseLong(arr[1]));
}
});
//抽取timestamp和生成watermark
DataStream<Tuple2<String, Long>> waterMarkStream = inputMap.assignTimestampsAndWatermarks(new AssignerWithPeriodicWatermarks<Tuple2<String, Long>>() {
Long currentMaxTimestamp = 0L;
final Long maxOutOfOrderness = 10000L;// 最大容許的亂序時間是10s
SimpleDateFormat sdf = new SimpleDateFormat("yyyy-MM-dd HH:mm:ss.SSS");
/**
* 定義生成watermark的邏輯
* 默認100ms被調用一次
*/
@Nullable
@Override
public Watermark getCurrentWatermark() {
return new Watermark(currentMaxTimestamp - maxOutOfOrderness);
}
//定義如何提取timestamp
@Override
public long extractTimestamp(Tuple2<String, Long> element, long previousElementTimestamp) {
long timestamp = element.f1;
currentMaxTimestamp = Math.max(timestamp, currentMaxTimestamp);
long id = Thread.currentThread().getId();
System.out.println("做者：秦凱新 鍵值 :"+element.f0+"線程驗證 ："+ id +" , 事件事件:[ "+sdf.format(element.f1)+" ],currentMaxTimestamp:[ "+
sdf.format(currentMaxTimestamp)+" ],水印時間:[ "+sdf.format(getCurrentWatermark().getTimestamp())+" ]"); return timestamp;
}
});
//保存被丟棄的數據
OutputTag<Tuple2<String, Long>> outputTag = new OutputTag<Tuple2<String, Long>>("late-data"){};
//注意，因爲getSideOutput方法是SingleOutputStreamOperator子類中的特有方法，因此這裏的類型，不能使用它的父類dataStream。
SingleOutputStreamOperator<String> window = waterMarkStream.keyBy(0)
.window(TumblingEventTimeWindows.of(Time.seconds(3)))//按照消息的EventTime分配窗口，和調用TimeWindow效果同樣
//.allowedLateness(Time.seconds(2))//容許數據遲到2秒
.sideOutputLateData(outputTag)
.apply(new WindowFunction<Tuple2<String, Long>, String, Tuple, TimeWindow>() {
/**
* 對window內的數據進行排序，保證數據的順序
* @param tuple
* @param window
* @param input
* @param out
* @throws Exception
*/
@Override
public void apply(Tuple tuple, TimeWindow window, Iterable<Tuple2<String, Long>> input, Collector<String> out) throws Exception {
String key = tuple.toString();
List<Long> arrarList = new ArrayList<Long>();
Iterator<Tuple2<String, Long>> it = input.iterator();
while (it.hasNext()) {
Tuple2<String, Long> next = it.next();
arrarList.add(next.f1);
}
Collections.sort(arrarList);
SimpleDateFormat sdf = new SimpleDateFormat("yyyy-MM-dd HH:mm:ss.SSS");
String result = "\n 做者：秦凱新 鍵值 : "+ key + "\n 觸發窗內數據個數 : " + arrarList.size() + "\n 觸發窗起始數據： " + sdf.format(arrarList.get(0)) + "\n 觸發窗最後（多是延時）數據：" + sdf.format(arrarList.get(arrarList.size() - 1))
+ "\n 實際窗起始和結束時間： " + sdf.format(window.getStart()) + "《----》" + sdf.format(window.getEnd()) + " \n \n ";
out.collect(result);
}
});
//把遲到的數據暫時打印到控制檯，實際中能夠保存到其餘存儲介質中
DataStream<Tuple2<String, Long>> sideOutput = window.getSideOutput(outputTag);
sideOutput.print();
//測試-把結果打印到控制檯便可
window.print();
//注意：由於flink是懶加載的，因此必須調用execute方法，上面的代碼纔會執行
env.execute("eventtime-watermark");
}
}
複製代碼
4.3.2 前面代碼中設置了並行度爲 1：
env.setParallelism(1);
複製代碼
若是這裏不設置的話， 代碼在運行的時候會默認讀取本機 CPU 數量設置並行度。
下面咱們來驗證一下， 把代碼中的並行度調整爲 2：
env.setParallelism(2);
複製代碼
-
發現玄機以下：在第二條事件時，其實已經達到窗的觸發時機，可是由於並行度爲2，只有等到最小
-
watermark 到的時候纔會觸發窗計算。發現線程44處理的是001和003 ，線程42處理的是0002，因此只有等到線程42到達後，水印纔會起做用執行2018-10-01 10:11:33.000所在的窗。
0001,1538359890000 2018-10-01 10:11:30 0002,1538359903000 2018-10-01 10:11:43 0003,1538359908000 2018-10-01 10:11:48 複製代碼
4.3.3 如今代碼中設置了並行度爲 8：
-
發現 這 7 條數據都是被不一樣的線程處理的。 每一個線程都有一個 watermark。且每個線程都是基於本身接收數據的事件時間最大值。
-
所以，致使到最後如今還沒獲取到最小的 watermark， 因此 window 沒法被觸發執行。
-
只有全部的線程的最小watermark都知足watermark 時間 >= window_end_time時，觸發歷史窗纔會執行。
0001,1538359882000 2018-10-01 10:11:22 0002,1538359886000 2018-10-01 10:11:26 0003,1538359892000 2018-10-01 10:11:32 0004,1538359893000 2018-10-01 10:11:33 0005,1538359894000 2018-10-01 10:11:34 0006,1538359896000 2018-10-01 10:11:36 0007,1538359897000 2018-10-01 10:11:37 複製代碼
-
當持續發生事件數據時。一旦全部線程都達到最低的窗觸發時機時，就會進行窗觸發執行了。輸入數據以下：
0007,1538359897000 2018-10-01 10:11:37 0008,1538359897000 2018-10-01 10:11:37 0009,1538359897000 2018-10-01 10:11:37 0010,1538359897000 2018-10-01 10:11:37 0011,1538359897000 2018-10-01 10:11:37 0012,1538359897000 2018-10-01 10:11:37 0013,1538359897000 2018-10-01 10:11:37 0014,1538359897000 2018-10-01 10:11:37 0015,1538359897000 2018-10-01 10:11:37 複製代碼
5 再下一城
專一於大數據及容器雲核心技術解密，可提供全棧的大數據+雲原平生臺諮詢方案，請持續關注本套博客。若有任何學術交流，可隨時聯繫。更多內容請關注《數據雲技術社區》公衆號。
秦凱新 於深圳
相關文章
- 1. Flink Window分析及Watermark解決亂序數據機制深刻剖析-Flink牛刀小試
- 2. Flink 狀態管理與checkPoint數據容錯機制深刻剖析-Flink牛刀小試
- 3. Flink CheckPoint狀態點恢復與savePoint機制對比剖析-Flink牛刀小試
- 4. Flink 狀態管理與checkPoint數據容錯機制深入剖析-Flink牛刀小試
- 5. Flink 集羣運行原理兼部署及Yarn運行模式深刻剖析-Flink牛刀小試
- 6. Flink WaterMark機制白話分析
- 7. Flink---WaterMark機制
- 8. Flink WaterMark機制
- 9. Flink 源碼解析 —— 深度解析 Flink 序列化機制
- 10. Flink如何巧用WaterMark機制解決亂序問題
- 更多相關文章...
- • TCP滑動窗口機制深度剖析 - TCP/IP教程
- • XML DOM 解析器 - XML DOM 教程
- • Flink 數據傳輸及反壓詳解
- • Scala 中文亂碼解決
相關標籤/搜索
每日一句
-
每一个你不满意的现在，都有一个你没有努力的曾经。
最新文章
- 1. Window下Ribbit MQ安裝
- 2. Linux下Redis安裝及集羣搭建
- 3. shiny搭建網站填坑戰略
- 4. Mysql8.0.22安裝與配置詳細教程
- 5. Hadoop安裝及配置
- 6. Python爬蟲初學筆記
- 7. 部署LVS-Keepalived高可用集羣
- 8. keepalived+mysql高可用集羣
- 9. jenkins 公鑰配置
- 10. HA實用詳解
歡迎關注本站公眾號,獲取更多信息
相關文章
- 1. Flink Window分析及Watermark解決亂序數據機制深刻剖析-Flink牛刀小試
- 2. Flink 狀態管理與checkPoint數據容錯機制深刻剖析-Flink牛刀小試
- 3. Flink CheckPoint狀態點恢復與savePoint機制對比剖析-Flink牛刀小試
- 4. Flink 狀態管理與checkPoint數據容錯機制深入剖析-Flink牛刀小試
- 5. Flink 集羣運行原理兼部署及Yarn運行模式深刻剖析-Flink牛刀小試
- 6. Flink WaterMark機制白話分析
- 7. Flink---WaterMark機制
- 8. Flink WaterMark機制
- 9. Flink 源碼解析 —— 深度解析 Flink 序列化機制
- 10. Flink如何巧用WaterMark機制解決亂序問題