在上一篇Flink实战: 窗口TopN分析与实现中实现了在一个窗口内的分组topN，但是在实际中也会遇到没有窗口期的topN,例如在一些实时大屏监控展示中，展示历史到现在所有的TopN数据，将这个称之为全局topN,仍然以计算区域维度销售额topN的商品为例，看一下全局TopN的实现方法。
先将需求分解为以下几步：
- 按照区域areaId+商品gdsId分组，计算每个分组的累计销售额
- 将得到的区域areaId+商品gdsId维度的销售额按照区域areaId分组，然后求得TopN的销售额商品，并且定时更新输出
与窗口TopN不同，全局TopN没有时间窗口的概念，也就没有时间的概念，因此使用ProcessingTime语义即可，并且也不能再使用Window算子来操作，但是在这个过程中需要完成数据累加操作与定时输出功能，选择ProcessFunction函数来完成，使用State保存中间结果数据，保证数据一致性语义，使用定时器来完成定时输出功能。
销售额统计
对数据流按照区域areaId+商品gdsId分组，不断累加销售额保存起来，然后输出到下游。
1. `val env =StreamExecutionEnvironment.getExecutionEnvironment`
2. `env.setParallelism(1)`
3. `val kafkaConfig =newProperties();`
4. `kafkaConfig.put(ConsumerConfig.BOOTSTRAP_SERVERS_CONFIG,"localhost:9092");`
5. `kafkaConfig.put(ConsumerConfig.GROUP_ID_CONFIG,"test1");`
7. `val consumer =newFlinkKafkaConsumer011[String]("topic1",newSimpleStringSchema(), kafkaConfig)`
8. `val orderStream = env.addSource(consumer)`
9. `.map(x =>{`
10. `val a = x.split(",")`
11. `Order(a(0), a(1).toLong, a(2), a(3).toDouble, a(4))`
12. `})`
14. `val salesStream=orderStream.keyBy(x =>{`
15. `x.areaId +"_"+ x.gdsId`
16. `}).process(newKeyedProcessFunction[String,Order,GdsSales](){`
18. `var orderState:ValueState[Double]= _`
19. `var orderStateDesc:ValueStateDescriptor[Double]= _`
21. `override def open(parameters:Configuration):Unit={`
22. `orderStateDesc =newValueStateDescriptor[Double]("order-state",TypeInformation.of(classOf[Double]))`
23. `orderState = getRuntimeContext.getState(orderStateDesc)`
24. `}`
26. `override def processElement(value:Order, ctx:KeyedProcessFunction[String,Order,GdsSales]#Context,out:Collector[GdsSales]):Unit={`
28. `val currV = orderState.value()`
29. `if(currV ==null){`
30. `orderState.update(value.amount)`
31. `}else{`
32. `val newV = currV + value.amount`
33. `orderState.update(newV)`
34. `}`
35. `out.collect(GdsSales.of(value.areaId, value.gdsId, orderState.value(), value.orderTime))`
36. `}`
37. `})`
使用keyBy按照areaId+gdsId来分组，然后使用KeyedProcessFunction来完成累加操作。在KeyedProcessFunction里面定义了一个ValueState来保存每个分组的销售额，processElement完成销售额累加操作，并且不断更新ValueState与collect输出。
说明：这里使用ValueState来完成累加过程显得比较繁琐，可以使用ReducingState来替代，这里只是为了表现出累加这个过程。
区域TopN计算
上一步得到的salesStream是一个按照区域areaId+商品gdsId维度的销售额，并且是不断更新输出到下游的，接下来就需要完成TopN的计算，在Flink实战: 窗口TopN分析与实现中分析到TopN的计算不需要保存所有的结果数据，使用红黑树来模拟类似优先级队列功能即可，但是与其不同在于：窗口TopN每次计算TopN是一个全量的窗口结果，而全局TopN其销售额是会不断变动的，因此需要做以下逻辑判断：
- 如果TreeSet[GdsSales]包含该商品的销售额数据，则需要更新该商品销售额，这个过程包含判断商品gdsId是否存在与移除该GdsSales对象功能，但是TreeSet不具备直接判断gdsId是否存在功能，那么可以使用一种额外的数据结构Map, key为商品gdsId, value为商品销售额数据GdsSales，该value对应TreeSet[GdsSales]中数据
- 如果TreeSet[GdsSales]包含该商品的销售额数据，当TreeSet里面的数据到达N, 就获取第一个节点数据(最小值)与当前需要插入的数据进行比较，如果比其大，则直接舍弃，如果比其小，那么就将TreeSet中第一个节点数据删除，插入新的数据
实现代码如下：
1. `salesStream.keyBy(_.getAreaId)`
2. `.process(newKeyedProcessFunction[String,GdsSales,Void]{`
3. `var topState:ValueState[java.util.TreeSet[GdsSales]]= _`
4. `var topStateDesc:ValueStateDescriptor[java.util.TreeSet[GdsSales]]= _`
6. `var mappingState:MapState[String,GdsSales]= _`
7. `var mappingStateDesc:MapStateDescriptor[String,GdsSales]= _`
8. `val interval:Long=60000`
9. `val N:Int=3`
10. `override def open(parameters:Configuration):Unit={`
11. `topStateDesc =newValueStateDescriptor[java.util.TreeSet[GdsSales]]("top-state",TypeInformation.of(classOf[java.util.TreeSet[GdsSales]]))`
12. `topState = getRuntimeContext.getState(topStateDesc)`
14. `mappingStateDesc =newMapStateDescriptor[String,GdsSales]("mapping-state",TypeInformation.of(classOf[String]),TypeInformation.of(classOf[GdsSales]))`
15. `mappingState = getRuntimeContext.getMapState(mappingStateDesc)`
16. `}`
17. `override def processElement(value:GdsSales, ctx:KeyedProcessFunction[String,GdsSales,Void]#Context,out:Collector[Void]):Unit={`
19. `val top = topState.value()`
20. `if(top ==null){`
21. `val topMap: util.TreeSet[GdsSales]=new util.TreeSet[GdsSales](newComparator[GdsSales]{`
22. `override def compare(o1:GdsSales, o2:GdsSales):Int=(o1.getAmount - o2.getAmount).toInt`
23. `})`
24. `topMap.add(value)`
25. `topState.update(topMap)`
26. `mappingState.put(value.getGdsId, value)`
27. `}else{`
28. `mappingState.contains(value.getGdsId) match {`
29. `case true=>{//已经存在该商品的销售数据`
30. `val oldV = mappingState.get(value.getGdsId)`
31. `mappingState.put(value.getGdsId, value)`
32. `val values = topState.value()`
33. `values.remove(oldV)`
34. `values.add(value)//更新旧的商品销售数据`
35. `topState.update(values)`
36. `}`
37. `case false=>{//不存在该商品销售数据`
38. `if(top.size()>= N){//已经达到N 则判断更新`
39. `val min = top.first()`
40. `if(value.getAmount > min.getAmount){`
41. `top.pollFirst()`
42. `top.add(value)`
43. `mappingState.put(value.getGdsId, value)`
44. `topState.update(top)`
45. `}`
46. `}else{//还未到达N则直接插入`
47. `top.add(value)`
48. `mappingState.put(value.getGdsId, value)`
49. `topState.update(top)`
50. `}`
51. `}}}}`
52. `})`
在open中定义个两个state:ValueState与MapState, ValueState保存该区域下的TopN商品销售数据GdsSales,MapState保存了商品gdsId与商品销售数据GdsSale的对应关系。
在processElement中，首先会判断ValueState是否为空，如果为空则定义按照销售额比较升序排序的Comparator 的TreeSet，则走更新逻辑判断。
定时输出
到这里我们已经计算出了每个时刻的TopN数据，存储在ValueState[java.util.TreeSet[GdsSales]] 中，现在希望每隔1min将TopN的数据输出，可以使用在时间系统系列里面提供较为底层的直接获取到InternalTimeService来完成，由于ProcessFunction本身提供了定时调用功能，我们就按照在窗口实用触发器:ContinuousEventTimeTrigger中讲到的持续触发器的原理来实现，
1. `var fireState:ValueState[Long]= _`
2. `var fireStateDesc:ValueStateDescriptor[Long]= _`
3. `//放在open方法中`
4. `fireStateDesc =newValueStateDescriptor[Long]("fire-time",TypeInformation.of(classOf[Long]))`
5. `fireState = getRuntimeContext.getState(fireStateDesc)`
定义了一个ValueState，保存每一次触发的时间，不使用ReducingState是因为没有Window里面在使用SessionWindow的合并机制。
1. `//放在processElement里面`
2. `val currTime = ctx.timerService().currentProcessingTime()`
3. `//1min输出一次`
4. `if(fireState.value()==null){`
5. `val start = currTime -(currTime % interval)`
6. `val nextFireTimestamp = start + interval`
7. `ctx.timerService().registerProcessingTimeTimer(nextFireTimestamp)`
8. `fireState.update(nextFireTimestamp)`
9. `}`
对于每一个区域areaId(key)在processElement只需要注册一次即可。
1. `override def onTimer(timestamp:Long, ctx:KeyedProcessFunction[String,GdsSales,Void]#OnTimerContext,out:Collector[Void]):Unit={`
2. `println(timestamp +"===")`
3. `topState.value().foreach(x =>{`
4. `println(x)`
5. `})`
6. `val fireTimestamp = fireState.value()`
7. `if(fireTimestamp !=null&&(fireTimestamp == timestamp)){`
8. `fireState.clear()`
9. `fireState.update(timestamp + interval)`
10. `ctx.timerService().registerProcessingTimeTimer(timestamp + interval)`
11. `}`
12. `}`
onTimer定时输出，并且注册下一个触发的时间点。
测试
准备数据
1. `//2019-11-16 21:25:10`
2. `orderId01,1573874530000,gdsId03,300,beijing`
3. `orderId02,1573874540000,gdsId01,100,beijing`
4. `orderId02,1573874540000,gdsId04,200,beijing`
5. `orderId02,1573874540000,gdsId02,500,beijing`
6. `orderId01,1573874530000,gdsId01,300,beijing`
等到2019-11-16 21:26:00得到结果
1. `1573910760000===`
2. `GdsSales{areaId='beijing', gdsId='gdsId03', amount=300.0}`
3. `GdsSales{areaId='beijing', gdsId='gdsId01', amount=400.0}`
4. `GdsSales{areaId='beijing', gdsId='gdsId02', amount=500.0}`
接着在生产一条数据
1. `orderId02,1573874540000,gdsId04,500,beijing`
等到2019-11-16 21:27:00得到结果
1. `1573910820000===`
2. `GdsSales{areaId='beijing', gdsId='gdsId01', amount=400.0}`
3. `GdsSales{areaId='beijing', gdsId='gdsId02', amount=500.0}`
4. `GdsSales{areaId='beijing', gdsId='gdsId04', amount=700.0}`
至此完成全局topN的全部实现。
总结
全局TopN要求状态保存所有的聚合数据，对于key比较多的情况，不管是销售额数据还是定时器数据都会占用比较多的内存，可以选择RocksDb作为StateBackend。
-----------------------------------
精彩推文：
1. Flink中延时调用设计与实现[](http://mp.weixin.qq.com/s?__biz=MzU5MTc1NDUyOA==&mid=2247483943&idx=1&sn=d3e1002255cbd6cfe16855639f82b80f&chksm=fe2b6668c95cef7e3639c575ac8cb899e7317f82c2b446a23335c8f33dc97a968ea7f345b914&scene=21#wechat_redirect)
2. Flink维表关联系列之Hbase维表关联：LRU策略
4. Flink exactly-once系列之事务性输出实现
关注回复Flink获取系列文章~
