Flink 计算 Pv 和 Uv 的通用方法

PV(访问量)：即Page View, 即页面浏览量或点击量，用户每次刷新即被计算一次。

UV(独立访客)：即Unique Visitor,访问您网站的一台电脑客户端为一个访客。00:00-24:00内相同的客户端只被计算一次。

计算网站App的实时pv和uv，是很常见的统计需求，这里提供通用的计算方法，不同的业务需求只需要小改即可拿来即用。

需求

利用Flink实时统计，从0点到当前的pv、uv。

一、需求分析

从Kafka发送过来的数据含有：时间戳、时间、维度、用户id，需要从不同维度统计从0点到当前时间的pv和uv，第二天0点重新开始计数第二天的。

二、技术方案

Kafka数据可能会有延迟乱序，这里引入watermark;

通过keyBy分流进不同的滚动window，每个窗口内计算pv、uv;

由于需要保存一天的状态，process里面使用ValueState保存pv、uv;

使用BitMap类型ValueState，占内存很小，引入支持bitmap的依赖;

保存状态需要设置ttl过期时间，第二天把第一天的过期，避免内存占用过大。

三、数据准备

这里假设是用户订单数据，数据格式如下：

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

四、代码实现

整个工程代码截图如下(抹去了一些不方便公开的信息)：

pvuv-project

1. 环境

kafka：1.0.0;

Flink：1.11.0;

2. 发送测试数据

首先发送数据到kafka测试集群，maven依赖：

 
    org.apache.kafka 
    kafka-clients 
    2.4.1 
 

2.4.1

 

发送代码：

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:\\我的文件\\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) { 
            // 这里的KafkaUtil是个生产者、消费者工具类，可以自行实现 
            KafkaUtil.sendDataToKafka(topic, String.valueOf(cnt), line); 
            cnt = cnt + 1; 
            ThreadUtil.sleep(100); 
        } 
    } 
} 

3. 主要程序

先定义个pojo：

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

接着就是使用Flink消费kafka，指定Watermark，通过KeyBy分流，进入滚动窗口函数通过状态保存pv和uv。

public class UserClickMain { 
 
    private static final Map config = Configuration.initConfig("commons.xml"); 
 
    public static void main(String[] args) throws Exception { 
 
        // 初始化环境，配置相关属性 
        StreamExecutionEnvironment senv = StreamExecutionEnvironment.getExecutionEnvironment(); 
        senv.setStreamTimeCharacteristic(TimeCharacteristic.EventTime); 
        senv.enableCheckpointing(5000, CheckpointingMode.EXACTLY_ONCE); 
        senv.setStateBackend(new FsStateBackend("hdfs://bigdata/flink/checkpoints/userClick")); 
 
        // 读取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 允许数据延迟时间 
        long maxOutOfOrderness = 5 * 1000L; 
        SingleOutputStreamOperator dataStream = senv.addSource( 
                new FlinkKafkaConsumer<>( 
                        config.get("kafka-topic"), 
                        new SimpleStringSchema(), 
                        kafkaProps 
                )) 
                //设置watermark 
                .assignTimestampsAndWatermarks(WatermarkStrategy.forBoundedOutOfOrderness(Duration.ofMillis(maxOutOfOrderness)) 
                        .withTimestampAssigner((element, recordTimestamp) -> { 
                            // 时间戳须为毫秒 
                            return Long.valueOf(JSON.parseObject(element).getString("timestamp")) * 1000; 
                        })).map(new FCClickMapFunction()).returns(TypeInformation.of(new TypeHint() { 
                })); 
 
        // 按照 (date, product) 分组 
        dataStream.keyBy(new KeySelector>() { 
            @Override 
            public Tuple2 getKey(UserClickModel value) throws Exception { 
                return Tuple2.of(value.getDate(), value.getProduct()); 
            } 
        }) 
                // 一天为窗口，指定时间起点比时间戳时间早8个小时 
                .window(TumblingEventTimeWindows.of(Time.days(1), Time.hours(-8))) 
                // 10s触发一次计算，更新统计结果 
                .trigger(ContinuousEventTimeTrigger.of(Time.seconds(10))) 
                // 计算pv uv 
                .process(new MyProcessWindowFunctionBitMap()) 
                // 保存结果到mysql 
                .addSink(new FCClickSinkFunction()); 
 
        senv.execute(UserClickMain.class.getSimpleName()); 
    } 
} 

代码都是一些常规代码，但是还是有几点需要注意的。

注意

设置watermark，flink1.11中使用WatermarkStrategy，老的已经废弃了;

我的数据里面时间戳是秒，需要乘以1000，flink提取时间字段，必须为毫秒;

.window只传入一个参数，表明是滚动窗口，TumblingEventTimeWindows.of(Time.days(1), Time.hours(-8))这里指定了窗口的大小为一天，由于中国北京时间是东8区，比国际时间早8个小时，需要引入offset，可以自行进入该方法源码查看英文注释。

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.

一天大小的窗口，根据watermark机制一天触发计算一次，显然是不合理的，需要用trigger函数指定触发间隔为10s一次，这样我们的pv和uv就是10s更新一次结果。

4. 关键代码，计算uv

由于这里用户id刚好是数字，可以使用bitmap去重，简单原理是：把 user_id 作为 bit 的偏移量 offset，设置为 1 表示有访问，使用 1 MB的空间就可以存放 800 多万用户的一天访问计数情况。

redis是自带bit数据结构的，不过为了尽量少依赖外部存储媒介，这里自己实现bit，引入相应maven依赖即可：

 
    org.roaringbitmap 
    RoaringBitmap 
    0.8.0 
 

 

计算pv、uv的代码其实都是通用的，可以根据自己的实际业务情况快速修改的：

public class MyProcessWindowFunctionBitMap extends ProcessWindowFunction, TimeWindow> { 
 
    private transient ValueState<Integer> pvState; 
    private transient ValueState bitMapState; 
 
    @Override 
    public void open(Configuration parameters) throws Exception { 
        super.open(parameters); 
        ValueStateDescriptor<Integer> pvStateDescriptor = new ValueStateDescriptor<>("pv", Integer.class); 
        ValueStateDescriptor bitMapStateDescriptor = new ValueStateDescriptor("bitMap" 
                , TypeInformation.of(new TypeHint() {})); 
 
        // 过期状态清除 
        StateTtlConfig stateTtlConfig = StateTtlConfig 
                .newBuilder(Time.days(1)) 
                .setUpdateType(StateTtlConfig.UpdateType.OnCreateAndWrite) 
                .setStateVisibility(StateTtlConfig.StateVisibility.NeverReturnExpired) 
                .build(); 
        // 开启ttl 
        pvStateDescriptor.enableTimeToLive(stateTtlConfig); 
        bitMapStateDescriptor.enableTimeToLive(stateTtlConfig); 
 
        pvState = this.getRuntimeContext().getState(pvStateDescriptor); 
        bitMapState = this.getRuntimeContext().getState(bitMapStateDescriptor); 
    } 
 
    @Override 
    public void process(Tuple2 key, Context context, Iterable elements, Collector out) throws Exception { 
 
        // 当前状态的pv uv 
        Integer pv = pvState.value(); 
        Roaring64NavigableMap bitMap = bitMapState.value(); 
        if(bitMap == null){ 
            bitMap = new Roaring64NavigableMap(); 
            pv = 0; 
        } 
 
        Iterator iterator = elements.iterator(); 
        while (iterator.hasNext()){ 
            pv = pv + 1; 
            int uid = iterator.next().getUid(); 
            //如果userId可以转成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

由于计算uv第二天的时候，就不需要第一天数据了，要及时清理内存中前一天的状态，通过ttl机制过期;

最终结果保存到mysql里面，如果数据结果分类聚合太多，要注意mysql压力，这块可以自行优化;

五、其它方法

除了使用bitmap去重外，还可以使用Flink SQL,编码更简洁，还可以借助外面的媒介Redis去重：

• 基于 set
• 基于 bit
• 基于 HyperLogLog
• 基于bloomfilter

 

具体思路是，计算pv、uv都塞入redis里面，然后再获取值保存统计结果，也是比较常用的。