3. Watermark生成策略：周期性生成器 vs 标点式生成器

Watermark 怎么生成？说白了就两种路子：一种是每隔几秒看一眼，另一种是每来一条数据就判断一下。我刚开始接触 Flink 时，总觉得这两种方式差不多，直到在生产环境踩了坑，才发现选错了策略，后果可能很严重。

这一节，我们就来拆解这两种生成策略，以及 Flink 内置的那个最常用的 BoundedOutOfOrderness 策略。

3.1 周期性生成器（Periodic）

这是最常用的方式。它的核心逻辑是：系统会周期性地发射一个 Watermark。这个周期由 ExecutionConfig.setAutoWatermarkInterval() 控制，默认是 200 毫秒。

你想想看，如果数据流很平稳，乱序程度也固定，周期性生成器是最省心的。它不关心每一条数据，只在每个周期结束时，根据当前已收到的最大事件时间，减去一个固定的延迟量，然后发射 Watermark。

举个例子。假设你设置最大乱序时间为 5 秒，周期为 1 秒。那么每过 1 秒，Flink 就会检查一下当前所有分区中最大的事件时间戳，减去 5 秒，然后广播出去。

我个人习惯用这种方式处理大部分业务场景。它开销小，实现简单，而且足够稳定。

3.1.1 实现方式

你需要实现 WatermarkGenerator 接口中的 onPeriodicEmit() 方法。Flink 会周期性地调用这个方法。

// 伪代码示例：周期性生成器
public class MyPeriodicGenerator implements WatermarkGenerator<MyEvent> {
    private long maxTimestamp;
    private long maxOutOfOrderness = 5000; // 5秒

    @Override
    public void onEvent(MyEvent event, long eventTimestamp, WatermarkOutput output) {
        // 每次来事件，更新最大时间戳
        maxTimestamp = Math.max(maxTimestamp, eventTimestamp);
    }

    @Override
    public void onPeriodicEmit(WatermarkOutput output) {
        // 周期性地发射 Watermark
        output.emitWatermark(new Watermark(maxTimestamp - maxOutOfOrderness));
    }
}

3.2 标点式生成器（Punctuated）

标点式生成器就不一样了。它每处理一条数据，都会判断是否要发射 Watermark。也就是说，Watermark 的生成是事件驱动的，而不是时间驱动的。

什么时候用这个？我记得有一次做金融交易风控，数据里本身就携带了水位标记字段。比如某条数据里有个 isWatermark = true 的标记，或者事件类型是 END_OF_BATCH。这时候，标点式生成器就派上用场了。

3.2.1 实现方式

你需要实现 onEvent() 方法，并在里面直接决定是否发射 Watermark。

// 伪代码示例：标点式生成器
public class MyPunctuatedGenerator implements WatermarkGenerator<MyEvent> {
    @Override
    public void onEvent(MyEvent event, long eventTimestamp, WatermarkOutput output) {
        // 如果事件本身携带了水位标记
        if (event.isWatermark()) {
            output.emitWatermark(new Watermark(eventTimestamp));
        }
    }

    @Override
    public void onPeriodicEmit(WatermarkOutput output) {
        // 标点式生成器，这个方法通常什么都不做
    }
}

3.3 两种策略对比

为了让你看得更清楚，我整理了一张对比表：

对比维度	周期性生成器	标点式生成器
触发方式	基于时间周期（如每200ms）	基于事件特征（如特定字段）
生成频率	固定频率，可控	不固定，取决于数据流
适用场景	通用场景，乱序程度稳定	数据自带水位标记，或需要精确控制
实现复杂度	低	中
系统开销	低	高（可能产生大量Watermark）

3.4 内置的 BoundedOutOfOrderness 策略

Flink 给我们提供了一个现成的周期性生成器实现：BoundedOutOfOrdernessTimestampExtractor（在 Flink 1.12 之后，推荐使用 WatermarkStrategy.forBoundedOutOfOrderness()）。

这个策略说白了就是：假设数据最多乱序 N 秒。你只需要告诉 Flink 这个 N 是多少，剩下的它帮你搞定。

3.4.1 怎么用？

// Flink 1.12+ 推荐用法
DataStream<MyEvent> stream = env
    .addSource(new MySource())
    .assignTimestampsAndWatermarks(
        WatermarkStrategy
            .<MyEvent>forBoundedOutOfOrderness(Duration.ofSeconds(5))
            .withTimestampAssigner((event, timestamp) -> event.getEventTime())
    );

就这么简单。你传一个 Duration.ofSeconds(5)，Flink 就知道：允许数据最多乱序 5 秒。它内部实现的就是我们刚才讲的周期性生成器逻辑。

3.4.2 内部原理

它的实现其实不复杂。我拆解给你看：

1. 维护一个 currentMaxTimestamp：每来一条数据，就更新这个值。
2. 周期性发射：每 200ms（默认），发射一个 currentMaxTimestamp - maxOutOfOrderness 的 Watermark。
3. 多分区处理：如果有多个输入分区，Flink 会取所有分区中 最小的 Watermark 作为全局 Watermark。

3.5 核心逻辑流程图

下面这张图，展示了周期性生成器和标点式生成器的核心区别：

3.6 如何选择？

我个人的经验是：

• 90% 的场景用 forBoundedOutOfOrderness：它简单、可靠、性能好。你只需要根据业务容忍度，设置一个合理的乱序时间就行。
• 数据自带水位标记时用标点式：比如日志系统里，每条日志都带一个 batchId，当 batchId 变化时，就代表上一个批次结束了。这时候标点式生成器最合适。
• 对延迟极度敏感时考虑标点式：如果你希望 Watermark 能立即反映最新数据的时间戳，而不是等几百毫秒的周期，标点式可以做到。