文章目录
- 1. CEP概念
- 2. CEP的主要特点
- 3. Pattern API
- 1.3.1 输入事件流的创建
- 1.3.2 Pattern的定义
- 1.3.2.1 设置循环次数
- 1.3.2.2 定义条件
- 1.3.2.3 模式序列
- 1.3.3 Pattern检测
- 1.3.4 选取结果
- 4. CEP编程开发案例实战——银行APP 登录异常检测
- 4.1 使用State编程实现
- 4.2 使用CEP编程实现
- 5. Flink CEP综合案例实战——传感器温度检测
- 6. Flink CEP综合案例实战——监控订单状态
1. CEP概念
CEP 是 Complex Event Processing 三个单词的缩写,表示复杂事件处理,是一种基于流处理的技术,CEP 是 Flink 专门为我们提供的一个基于复杂事件监测处理的库,CEP通过一个或多个由简单事件构成的事件流通过一定的规则匹配,然后输出用户想得到的数据,满足规则的复杂事件。
CEP复杂事件处理主要应用于防范网络欺诈、设备故障检测、风险规避和智能营销等领域。Flink 基于 DataStrem API 提供了 FlinkCEP 组件栈,专门用于对复杂事件的处理,帮助用户从流式数据中发掘有价值的信息。
- 例如下图,我们就可以通过CEP实现我们对复杂事件的匹配处理
2. CEP的主要特点
- 目标:从有序的简单事件流中发现一些高阶特征
- 输入:一个或多个由简单事件构成的事件流
- 处理:识别简单事件之间的内在联系,多个符合一定规则的简单事件构成复杂事件
- 输出:满足规则的复杂事件
3. Pattern API
- FlinkCEP 中提供了 Pattern API 用于对输入流数据的复杂事件规则定义,并从事件流中抽取事件结果。
- 包含四个步骤
- 输入事件流的创建
- Pattern 的定义
- Pattern 应用在事件流上检测
- 选取结果
1.3.1 输入事件流的创建
//获取数据输入流
val input: DataStream[Event] = ...
1.3.2 Pattern的定义
- 定义 Pattern 可以是单次执行模式,也可以是循环执行模式。单次执行模式一次只接受 一个事件,循环执行模式可以接收一个或者多个事件。通常情况下,可以通过指定循环次数将单次执行模式变为循环执行模式。每种模式能够将多个条件组合应用到同一事件之上,条件组合可以通过 where 方法进行叠加。
- 每个 Pattern 都是通过 begin 方法定义的
val start = Pattern.begin[Event]("start_pattern")
- 下一步通过 Pattern.where()方法在 Pattern 上指定 Condition,只有当 Condition 满足之后,当前的 Pattern 才会接受事件
start.where(_.getID == "9527")
1.3.2.1 设置循环次数
对于已经创建好的 Pattern,可以指定循环次数,形成循环执行的 Pattern
- times:可以通过 times 指定固定的循环执行次数
//指定循环触发4次
start.times(4);
//可以执行触发次数范围,让循环执行次数在该范围之内
start.times(2, 4);
- optional:也可以通过 optional 关键字指定要么不触发,要么触发指定的次数
start.times(4).optional()
start.times(2, 4).optional()
- greedy:可以通过 greedy 将 Pattern 标记为贪婪模式,在 Pattern 匹配成功的前提下,会尽可能多次触发。
//触发2、3、4次,尽可能重复执行
start.times(2, 4).greedy()
//触发0、2、3、4次,尽可能重复执行
start.times(2, 4).optional().greedy()
- oneOrMore:可以通过 oneOrMore 方法指定触发一次或多次
// 触发一次或者多次
start.oneOrMore()
//触发一次或者多次,尽可能重复执行
start.oneOrMore().greedy()
// 触发0次或者多次
start.oneOrMore().optional()
// 触发0次或者多次,尽可能重复执行
start.oneOrMore().optional().greedy()
- timesOrMor:通过 timesOrMore 方法可以指定触发固定次数以上,例如执行两次以上
// 触发两次或者多次
start.timesOrMore(2);
// 触发两次或者多次,尽可能重复执行
start.timesOrMore(2).greedy()
// 不触发或者触发两次以上,尽可能重执行
start.timesOrMore(2).optional().greedy()
1.3.2.2 定义条件
每个模式都需要指定触发条件,作为事件进入到该模式是否接受的判断依据,当事件中的数值满足了条件时,便进行下一步操作。在 FlinkCFP 中通过 pattern.where()、 pattern.or()及pattern.until()方法来为 Pattern 指定条件,且 Pattern 条件有 Simple Conditions 及Combining Conditions 等类型
- Simple Conditions(简单条件)
其主要根据事件中的字段信息进行判断,决定是否接受该事件。
// 把ID为9527的事件挑选出来
start.where(_.getID == "9527")
- Combining Conditions(组合条件)
是将简单条件进行合并,通常情况下也可以使用 where 方法进行条件的组合,默认每个条件通过 AND 逻辑相连。如果需要使用 OR 逻辑,直接使用 or 方法连接条件即可
// 把ID为9527或者年龄大于30的事件挑选出来
val start = Pattern.begin[Event]("start_pattern")
.where(_.callType=="success").or(_.age >30)
- Stop condition (终止条件)
如果程序中使用了 oneOrMore 或者 oneOrMore().optional()方法,还可以指定停止条件,否则模式中的规则会一直循环下去,如下终止条件通过until()
方法指定
start.oneOrMore.until(_.getID == "123")
1.3.2.3 模式序列
将相互独立的模式进行组合然后形成模式序列。模式序列基本的编写方式和独立模式一 致,各个模式之间通过邻近条件进行连接即可,其中有严格邻近、宽松邻近、非确定宽松邻近三种邻近连接条件。
- 严格邻近
严格邻近条件中,需要所有的事件都按照顺序满足模式条件,不允许忽略任意不满足的模式next()
//示例
begin("first").where(_.name='a').next("second").where(.name='b')
//当且仅当数据为a,b时,模式才会被命中。如果数据为a,c,b,由于a的后面跟了c,所以a会被直接丢弃,模式不会命中。
- 宽松邻近
在宽松邻近条件下,会忽略没有成功匹配模式条件,并不会像严格邻近要求得那么高,可以简单理解为 OR 的逻辑关系followedBy()
//示例
begin("first").where(_.name='a').followedBy("second").where(.name='b')
//当且仅当数据为a,b或者为a,c,b,,模式均被命中,中间的c会被忽略掉。
- 非确定宽松邻近
和宽松邻近条件相比,非确定宽松邻近条件指在模式匹配过程中可以忽略已经匹配的条件followedByAny()
//示例
begin("first").where(_.name='a').followedByAny("second").where(.name='b')
//当且仅当数据为a,c,b,b时,对于followedBy模式而言命中的为{a,b},
//对于followedByAny而言会有两次命中{a,b},{a,b}
- 除以上模式序列外,还可以定义“不希望出现某种近邻关系”
- notNext()
- 不想让某个事件严格紧邻前一个事件发生
- notFollowedBy()
- 不想让某个事件在两个事件之间发生
- 注意
1、所有模式序列必须以 .begin() 开始
2、模式序列不能以 .notFollowedBy() 结束
3、“not” 类型的模式不能和optional关键字同时使用
4、此外,还可以为模式指定时间约束,用来要求在多长时间内匹配有效
//指定模式在10秒内有效
pattern.within(Time.seconds(10))
1.3.3 Pattern检测
- 调用CEP.pattern()方法,给定输入流和模式,就能得到一个PatternStream
//Pattern检测
val patternStream = CEP.pattern[Event](dataStream,pattern)
1.3.4 选取结果
- 得到 PatternStream 类型的数据集后,接下来数据获取都基于 PatternStream 进行。该数据集中包含了所有的匹配事件。目前在 FlinkCEP 中提供 select 和 flatSelect 两种方法从 PatternStream 提取事件结果。
- 1、通过 Select Funciton 抽取正常事件
可以通过在 PatternStream 的 Select 方法中传入自定义 Select Funciton 完成对匹配 事件的转换与输出。其中 Select Funciton 的输入参数为 Map[String, Iterable[IN]],Map 中的 key 为模式序列中的 Pattern 名称,Value 为对应 Pattern 所接受的事件集合,格式为输入事件的数据类型。
def selectFunction(pattern : Map[String, Iterable[IN]]): OUT = {
//获取pattern中的start
Event val startEvent = pattern.get("start_pattern").get.next
//获取Pattern中middle
Event val middleEvent = pattern.get("middle").get.next
//返回结果
OUT(startEvent, middleEvent)
}
- 2、通过 Flat Select Funciton 抽取正常事件
Flat Select Funciton 和 Select Function 相似,不过 Flat Select Funciton 在每次调用可以返回任意数量的结果。因为 Flat Select Funciton 使用 Collector 作为返回结果的容器,可以将需要输出的事件都放置在 Collector 中返回。
def flatSelectFunction(pattern : Map[String, Iterable[IN]]),collector:Collector[OUT] = {
//获取pattern中的start
Event val startEvent = pattern.get("start_pattern").get.next
//获取Pattern中middle
Event val middleEvent = pattern.get("middle").get.next
//并根据startEvent的Value数量进行返回
for (i <- 0 to startEvent.getValue) {
collector.collect(OUT(startEvent, middleEvent)) }
}
}
- 3、通过 Select Funciton 抽取超时事件
如果模式中有 within(time),那么就很有可能有超时的数据存在,通过 PatternStream,Select 方法分别获取超时事件和正常事件。首先需要创建 OutputTag 来标记超时事件,然后在 PatternStream.select 方法中使用 OutputTag,就可以将超时事件从 PatternStream中抽取出来。
// 通过CEP.pattern方法创建PatternStream
val patternStream: PatternStream[Event] = CEP.pattern(input, pattern)
//创建OutputTag,并命名为timeout-output
val timeoutTag = OutputTag[String]("timeout-output")
//调用PatternStream select()并指定timeoutTag
val result: SingleOutputStreamOperator[NormalEvent] = patternStream.select(timeoutTag){
//超时事件获取
(pattern: Map[String, Iterable[Event]], timestamp: Long) =>
TimeoutEvent() //返回异常事件
}
{
//正常事件获取
pattern: Map[String, Iterable[Event]] =>
NormalEvent()//返回正常事件
}
//调用getSideOutput方法,并指定timeoutTag将超时事件输出
val timeoutResult: DataStream[TimeoutEvent] = result.getSideOutput(timeoutTag)
4. CEP编程开发案例实战——银行APP 登录异常检测
- 描述
- 在我们操作某些银行APP的时候,经常会发现,如果上一个操作与下一个操作IP变换了(例如上一个操作使用的流量操作,下一个操作我连接上了wifi去操作,IP就会变换),那么APP就要求我们重新进行登录,避免由于IP变换产生的风险操作
- 需求
- 用户上一个操作与下一个操作IP变换报警
- 数据格式如下
- 从socket当中输入数据源
192.168.52.100,zhubajie,https://icbc.com.cn/login.html,2020-02-12 12:23:45
192.168.54.172,tangseng,https://icbc.com.cn/login.html,2020-02-12 12:23:46
192.168.145.77,sunwukong,https://icbc.com.cn/login.html,2020-02-12 12:23:47
192.168.52.100,zhubajie,https://icbc.com.cn/transfer.html,2020-02-12 12:23:47
192.168.54.172,tangseng,https://icbc.com.cn/transfer.html,2020-02-12 12:23:48
192.168.145.77,sunwukong,https://icbc.com.cn/transfer.html,2020-02-12 12:23:49
192.168.145.77,sunwukong,https://icbc.com.cn/save.html,2020-02-12 12:23:52
192.168.52.100,zhubajie,https://icbc.com.cn/save.html,2020-02-12 12:23:53
192.168.54.172,tangseng,https://icbc.com.cn/save.html,2020-02-12 12:23:54
192.168.54.172,tangseng,https://icbc.com.cn/buy.html,2020-02-12 12:23:57
192.168.145.77,sunwukong,https://icbc.com.cn/buy.html,2020-02-12 12:23:58
192.168.52.100,zhubajie,https://icbc.com.cn/buy.html,2020-02-12 12:23:59
192.168.44.110,zhubajie,https://icbc.com.cn/pay.html,2020-02-12 12:24:03
192.168.38.135,tangseng,https://icbc.com.cn/pay.html,2020-02-12 12:24:04
192.168.89.189,sunwukong,https://icbc.com.cn/pay.html,2020-02-12 12:24:05
192.168.44.110,zhubajie,https://icbc.com.cn/login.html,2020-02-12 12:24:04
192.168.38.135,tangseng,https://icbc.com.cn/login.html,2020-02-12 12:24:08
192.168.89.189,sunwukong,https://icbc.com.cn/login.html,2020-02-12 12:24:07
192.168.38.135,tangseng,https://icbc.com.cn/pay.html,2020-02-12 12:24:10
192.168.44.110,zhubajie,https://icbc.com.cn/pay.html,2020-02-12 12:24:06
192.168.89.189,sunwukong,https://icbc.com.cn/pay.html,2020-02-12 12:24:09
192.168.38.135,tangseng,https://icbc.com.cn/pay.html,2020-02-12 12:24:13
192.168.44.110,zhubajie,https://icbc.com.cn/pay.html,2020-02-12 12:24:12
192.168.89.189,sunwukong,https://icbc.com.cn/pay.html,2020-02-12 12:24:15
- 整理之后的格式如下:
192.168.145.77,sunwukong,https://icbc.com.cn/login.html,2020-02-12 12:23:47
192.168.145.77,sunwukong,https://icbc.com.cn/transfer.html,2020-02-12 12:23:49
192.168.145.77,sunwukong,https://icbc.com.cn/save.html,2020-02-12 12:23:52
192.168.145.77,sunwukong,https://icbc.com.cn/buy.html,2020-02-12 12:23:58
192.168.89.189,sunwukong,https://icbc.com.cn/pay.html,2020-02-12 12:24:05
192.168.89.189,sunwukong,https://icbc.com.cn/login.html,2020-02-12 12:24:07
192.168.89.189,sunwukong,https://icbc.com.cn/pay.html,2020-02-12 12:24:09
192.168.89.189,sunwukong,https://icbc.com.cn/pay.html,2020-02-12 12:24:15
192.168.52.100,zhubajie,https://icbc.com.cn/login.html,2020-02-12 12:23:45
192.168.52.100,zhubajie,https://icbc.com.cn/transfer.html,2020-02-12 12:23:47
192.168.52.100,zhubajie,https://icbc.com.cn/save.html,2020-02-12 12:23:53
192.168.52.100,zhubajie,https://icbc.com.cn/buy.html,2020-02-12 12:23:59
192.168.44.110,zhubajie,https://icbc.com.cn/pay.html,2020-02-12 12:24:03
192.168.44.110,zhubajie,https://icbc.com.cn/login.html,2020-02-12 12:24:04
192.168.44.110,zhubajie,https://icbc.com.cn/pay.html,2020-02-12 12:24:06
192.168.44.110,zhubajie,https://icbc.com.cn/pay.html,2020-02-12 12:24:12
192.168.54.172,tangseng,https://icbc.com.cn/login.html,2020-02-12 12:23:46
192.168.54.172,tangseng,https://icbc.com.cn/transfer.html,2020-02-12 12:23:48
192.168.54.172,tangseng,https://icbc.com.cn/save.html,2020-02-12 12:23:54
192.168.54.172,tangseng,https://icbc.com.cn/buy.html,2020-02-12 12:23:57
192.168.38.135,tangseng,https://icbc.com.cn/pay.html,2020-02-12 12:24:04
192.168.38.135,tangseng,https://icbc.com.cn/login.html,2020-02-12 12:24:08
192.168.38.135,tangseng,https://icbc.com.cn/pay.html,2020-02-12 12:24:10
192.168.38.135,tangseng,https://icbc.com.cn/pay.html,2020-02-12 12:24:13
4.1 使用State编程实现
- 代码开发
package com.flink.cep
import java.util
import java.util.Collections
import org.apache.flink.api.common.state.{ListState, ListStateDescriptor}
import org.apache.flink.configuration.Configuration
import org.apache.flink.streaming.api.functions.KeyedProcessFunction
import org.apache.flink.streaming.api.scala.{DataStream, StreamExecutionEnvironment}
import org.apache.flink.util.Collector
/**
* 使用state编程进行代码实现进行ip检测
*/
case class UserLogin(ip:String,username:String,operateUrl:String,time:String)
object CheckIPChangeWithState {
def main(args: Array[String]): Unit = {
val environment: StreamExecutionEnvironment = StreamExecutionEnvironment.getExecutionEnvironment
import org.apache.flink.api.scala._
//todo:1、接受socket数据源
val sourceStream: DataStream[String] = environment.socketTextStream("node01",9999)
//todo:2、数据处理
sourceStream.map(x =>{
val strings: Array[String] = x.split(",")
(strings(1),UserLogin(strings(0),strings(1),strings(2),strings(3)))
} ).keyBy(x => x._1)
.process(new LoginCheckProcessFunction)
.print()
environment.execute("checkIpChange")
}
}
//自定义KeyedProcessFunction类
class LoginCheckProcessFunction extends KeyedProcessFunction[String,(String,UserLogin),(String,UserLogin)]{
//定义ListState
var listState:ListState[UserLogin]=_
override def open(parameters: Configuration): Unit = {
listState = getRuntimeContext.getListState(new ListStateDescriptor[UserLogin]("changeIp",classOf[UserLogin]))
}
//解析用户访问信息
override def processElement(value: (String, UserLogin), ctx: KeyedProcessFunction[String, (String, UserLogin), (String, UserLogin)]#Context, out: Collector[(String, UserLogin)]): Unit = {
val logins = new util.ArrayList[UserLogin]()
//添加到list集合
listState.add(value._2)
import scala.collection.JavaConverters._
val toList: List[UserLogin] = listState.get().asScala.toList
//排序
val sortList: List[UserLogin] = toList.sortBy(_.time)
if(sortList.size ==2){
val first: UserLogin = sortList(0)
val second: UserLogin = sortList(1)
if(!first.ip.equals(second.ip)){
println("小伙子你的IP变了,赶紧回去重新登录一下")
}
//移除第一个ip,保留第二个ip
logins.removeAll(Collections.EMPTY_LIST)
logins.add(second)
listState.update(logins)
}
out.collect(value)
}
}
4.2 使用CEP编程实现
- 导入cep依赖
<dependency>
<groupId>org.apache.flink</groupId>
<artifactId>flink-cep-scala_2.12</artifactId>
<version>1.10.2</version>
</dependency>
- 代码开发
package com.flink.cep
import java.util
import org.apache.flink.cep.PatternSelectFunction
import org.apache.flink.cep.pattern.conditions.IterativeCondition
import org.apache.flink.cep.scala.{CEP, PatternStream}
import org.apache.flink.cep.scala.pattern.Pattern
import org.apache.flink.streaming.api.scala.{DataStream, KeyedStream, StreamExecutionEnvironment}
import org.apache.flink.streaming.api.windowing.time.Time
import scala.collection.mutable
/**
*使用 CEP 编程进行代码实现进行ip检测
*/
case class UserLoginInfo(ip:String,username:String,operateUrl:String,time:String)
object CheckIPChangeWithCEP {
def main(args: Array[String]): Unit = {
val environment: StreamExecutionEnvironment = StreamExecutionEnvironment.getExecutionEnvironment
import org.apache.flink.api.scala._
//todo:1、接受socket数据源
val sourceStream: DataStream[String] = environment.socketTextStream("hadoop102",9999)
//todo:2、数据处理
val keyedStream: KeyedStream[(String, UserLoginInfo), String] = sourceStream.map(x => {
val strings: Array[String] = x.split(",")
(strings(1), UserLoginInfo(strings(0), strings(1), strings(2), strings(3)))
}).keyBy(_._1)
//todo:3、定义Pattern,指定相关条件和模型序列
val pattern: Pattern[(String, UserLoginInfo), (String, UserLoginInfo)] = Pattern.begin[(String, UserLoginInfo)]("start")
.where(x => x._2.username != null)
.next("second")
.where(new IterativeCondition[(String, UserLoginInfo)] {
override def filter(value: (String, UserLoginInfo), context: IterativeCondition.Context[(String, UserLoginInfo)]): Boolean = {
var flag: Boolean = false
//获取满足前面条件的数据
val firstValues: util.Iterator[(String, UserLoginInfo)] = context.getEventsForPattern("start").iterator()
//遍历
while (firstValues.hasNext) {
val tuple: (String, UserLoginInfo) = firstValues.next()
//ip不相同
if (!tuple._2.ip.equals(value._2.ip)) {
flag = true
}
}
flag
}
})
//可以指定模式在一段时间内有效
.within(Time.seconds(120))
//todo:4、模式检测,将模式应用到流中
val patternStream: PatternStream[(String, UserLoginInfo)] = CEP.pattern(keyedStream,pattern)
//todo: 5、选取结果
patternStream.select(new MyPatternSelectFunction).print()
//todo: 6、开启计算
environment.execute()
}
}
//自定义PatternSelectFunction类
class MyPatternSelectFunction extends PatternSelectFunction[(String,UserLoginInfo),(String,UserLoginInfo)]{
override def select(map: util.Map[String, util.List[(String, UserLoginInfo)]]): (String, UserLoginInfo) = {
// 获取Pattern名称为start的事件
val startIterator= map.get("start").iterator()
if(startIterator.hasNext){
println("满足start模式中的数据:"+startIterator.next())
}
//获取Pattern名称为second的事件
val secondIterator = map.get("second").iterator()
var tuple:(String,UserLoginInfo)=null
if(secondIterator.hasNext){
tuple=secondIterator.next()
println("满足second模式中的数据:"+ tuple)
}
tuple
}
}
5. Flink CEP综合案例实战——传感器温度检测
- 场景介绍
- 现在工厂当中有大量的传感设备,用于检测机器当中的各种指标数据,例如温度,湿度,气压等,并实时上报数据到数据中心,现在需要检测,某一个传感器上报的温度数据是否发生异常。
- 异常的定义
- 三分钟时间内,出现三次及以上的温度高于40度就算作是异常温度,进行报警输出
- 收集数据如下:
传感器设备mac地址,检测机器mac地址,温度,湿度,气压,数据产生时间
00-34-5E-5F-89-A4,00-01-6C-06-A6-29,38,0.52,1.1,2020-03-02 12:20:32
00-34-5E-5F-89-A4,00-01-6C-06-A6-29,47,0.48,1.1,2020-03-02 12:20:35
00-34-5E-5F-89-A4,00-01-6C-06-A6-29,50,0.48,1.1,2020-03-02 12:20:38
00-34-5E-5F-89-A4,00-01-6C-06-A6-29,48,0.48,1.1,2020-03-02 12:20:39
00-34-5E-5F-89-A4,00-01-6C-06-A6-29,52,0.48,1.1,2020-03-02 12:20:41
00-34-5E-5F-89-A4,00-01-6C-06-A6-29,53,0.48,1.1,2020-03-02 12:20:43
00-34-5E-5F-89-A4,00-01-6C-06-A6-29,55,0.48,1.1,2020-03-02 12:20:45
- 代码开发实现:
package com.flink.cep
import java.util
import org.apache.commons.lang3.time.FastDateFormat
import org.apache.flink.cep.PatternSelectFunction
import org.apache.flink.cep.scala.pattern.Pattern
import org.apache.flink.cep.scala.{CEP, PatternStream}
import org.apache.flink.streaming.api.TimeCharacteristic
import org.apache.flink.streaming.api.scala.{DataStream, KeyedStream, StreamExecutionEnvironment}
import org.apache.flink.streaming.api.windowing.time.Time
//定义温度信息pojo
case class DeviceDetail(sensorMac:String,deviceMac:String,temperature:String,dampness:String,pressure:String,date:String)
//报警的设备信息样例类
//传感器设备mac地址,检测机器mac地址,温度
case class AlarmDevice(sensorMac:String,deviceMac:String,temperature:String)
/**
* 基于FlinkCEP的设备温度检测
*/
object FlinkTempeatureCEP {
private val format: FastDateFormat = FastDateFormat.getInstance("yyyy-MM-dd HH:mm:ss")
def main(args: Array[String]): Unit = {
val environment: StreamExecutionEnvironment = StreamExecutionEnvironment.getExecutionEnvironment
//指定时间类型
environment.setStreamTimeCharacteristic(TimeCharacteristic.EventTime)
environment.setParallelism(1)
import org.apache.flink.api.scala._
//接受数据
val sourceStream: DataStream[String] = environment.socketTextStream("hadoop102",9999)
val deviceStream: KeyedStream[DeviceDetail, String] = sourceStream.map(x => {
val strings: Array[String] = x.split(",")
DeviceDetail(strings(0), strings(1), strings(2), strings(3), strings(4), strings(5))
}).assignAscendingTimestamps(x =>{format.parse(x.date).getTime})
.keyBy(x => x.sensorMac)
//todo:定义Pattern,指定相关条件和模型序列
val pattern: Pattern[DeviceDetail, DeviceDetail] = Pattern.begin[DeviceDetail]("start")
.where(x =>x.temperature.toInt >= 40) .followedByAny("follow")
.where(x =>x.temperature.toInt >= 40) .followedByAny("follow")
.where(x =>x.temperature.toInt >= 40) .within(Time.minutes(3))
//todo:模式检测,将模式应用到流中
val patternResult: PatternStream[DeviceDetail] = CEP.pattern(deviceStream,pattern)
//todo:选取结果
patternResult.select(new MyPatternResultFunction).print()
//todo: 启动
environment.execute("startTempeature")
}
}
//自定义PatternSelectFunction
class MyPatternResultFunction extends PatternSelectFunction[DeviceDetail,AlarmDevice]{
override def select(pattern: util.Map[String, util.List[DeviceDetail]]): AlarmDevice = {
val startDetails: util.List[DeviceDetail] = pattern.get("start")
val followDetails: util.List[DeviceDetail] = pattern.get("follow")
val thirdDetails: util.List[DeviceDetail] = pattern.get("third")
val startResult: DeviceDetail = startDetails.iterator().next()
val followResult: DeviceDetail = followDetails.iterator().next()
val thirdResult: DeviceDetail = thirdDetails.iterator().next()
println("第一条数据: "+startResult)
println("第二条数据: "+followResult)
println("第三条数据: "+thirdResult)
AlarmDevice(thirdResult.sensorMac,thirdResult.deviceMac,thirdResult.temperature)
}
}
6. Flink CEP综合案例实战——监控订单状态
- 场景介绍
- 在我们的电商系统当中,经常会发现有些订单下单之后没有支付,就会有一个倒计时的时间值,提示你在15分钟之内完成支付,如果没有完成支付,那么该订单就会被取消,主要是因为拍下订单就会减库存,但是如果一直没有支付,那么就会造成库存没有了,别人购买的时候买不到,然后别人一直不支付,就会产生有些人买不到,有些人买到了不付款,最后导致商家一件产品都卖不出去
- 需求
- 创建订单之后15分钟之内一定要付款,否则就取消订单
- 订单数据格式如下类型字段说明
- 订单编号
- 订单状态
- 1.创建订单,等待支付
- 2.支付订单完成
- 3.取消订单,申请退款
- 4.已发货
- 5.确认收货,已经完成
- 订单创建时间
- 订单金额
20160728001511050311389390,1,2016-07-28 00:15:11,295
20160801000227050311955990,1,2016-07-28 00:16:12,165
20160728001511050311389390,2,2016-07-28 00:18:11,295
20160801000227050311955990,2,2016-07-28 00:18:12,165
20160728001511050311389390,3,2016-07-29 08:06:11,295
20160801000227050311955990,4,2016-07-29 12:21:12,165
20160804114043050311618457,1,2016-07-30 00:16:15,132
20160801000227050311955990,5,2016-07-30 18:13:24,165
- 规则,出现 1 创建订单标识之后,紧接着需要在15分钟之内出现 2 支付订单操作,中间允许有其他操作
- 代码开发实现
package com.flink.cep
import java.util
import org.apache.commons.lang3.time.FastDateFormat
import org.apache.flink.cep.{PatternSelectFunction, PatternTimeoutFunction}
import org.apache.flink.cep.scala.{CEP, PatternStream, pattern}
import org.apache.flink.cep.scala.pattern.Pattern
import org.apache.flink.streaming.api.TimeCharacteristic
import org.apache.flink.streaming.api.functions.timestamps.BoundedOutOfOrdernessTimestampExtractor
import org.apache.flink.streaming.api.scala.{DataStream, KeyedStream, OutputTag, StreamExecutionEnvironment}
import org.apache.flink.streaming.api.windowing.time.Time
/**
* 订单下单未支付检测
*/
case class OrderDetail(orderId:String,status:String,orderCreateTime:String,price :Double)
object OrderTimeOutCheckCEP {
private val format: FastDateFormat = FastDateFormat.getInstance("yyy-MM-dd HH:mm:ss")
def main(args: Array[String]): Unit = {
val environment: StreamExecutionEnvironment = StreamExecutionEnvironment.getExecutionEnvironment
environment.setStreamTimeCharacteristic(TimeCharacteristic.EventTime)
environment.setParallelism(1)
import org.apache.flink.api.scala._
val sourceStream: DataStream[String] = environment.socketTextStream("node01",9999)
val keyedStream: KeyedStream[OrderDetail, String] = sourceStream.map(x => {
val strings: Array[String] = x.split(",")
OrderDetail(strings(0), strings(1), strings(2), strings(3).toDouble)
}).assignTimestampsAndWatermarks(new BoundedOutOfOrdernessTimestampExtractor[OrderDetail](Time.seconds(5)){
override def extractTimestamp(element: OrderDetail): Long = {
format.parse(element.orderCreateTime).getTime
}
}).keyBy(x => x.orderId)
//定义Pattern模式,指定条件
val pattern: Pattern[OrderDetail, OrderDetail] = Pattern.begin[OrderDetail]("start")
.where(order => order.status.equals("1"))
.followedBy("second")
.where(x => x.status.equals("2"))
.within(Time.minutes(15))
// 4. 调用select方法,提取事件序列,超时的事件要做报警提示
val orderTimeoutOutputTag = new OutputTag[OrderDetail]("orderTimeout")
val patternStream: PatternStream[OrderDetail] = CEP.pattern(keyedStream,pattern)
val selectResultStream: DataStream[OrderDetail] = patternStream
.select(orderTimeoutOutputTag, new OrderTimeoutPatternFunction, new OrderPatternFunction)
selectResultStream.print()
//打印侧输出流数据 过了15分钟还没支付的数据
selectResultStream.getSideOutput(orderTimeoutOutputTag).print()
environment.execute()
}
}
//订单超时检测
class OrderTimeoutPatternFunction extends PatternTimeoutFunction[OrderDetail,OrderDetail]{
override def timeout(pattern: util.Map[String, util.List[OrderDetail]], l: Long): OrderDetail = {
val detail: OrderDetail = pattern.get("start").iterator().next()
println("超时订单号为" + detail)
detail
}
}
class OrderPatternFunction extends PatternSelectFunction[OrderDetail,OrderDetail] {
override def select(pattern: util.Map[String, util.List[OrderDetail]]): OrderDetail = {
val detail: OrderDetail = pattern.get("second").iterator().next()
println("支付成功的订单为" + detail)
detail
}
}