Flink DataStream「全分区窗口处理」mapPartition / sortPartition / aggregate / reduce

1. 这项能力究竟解决什么问题？

• 按并行子任务做“批式”处理：每个 subtask 自己的“全量数据”统一交由一次函数处理，适合末端汇总、一次性排序、一次性聚合等。
• 无需额外 keyBy：既支持 keyed DataStream，也支持 non-keyed DataStream 直接转成 PartitionWindowedStream。
• API 简洁：4 个 API 覆盖常见形态：自定义批处理（mapPartition）、局部排序（sortPartition）、增量聚合（aggregate）、归并规约（reduce）。

注意：PartitionWindowedStream 的“完整窗口”在输入结束时触发（bounded/batch 最直观；unbounded 流通常意味着直到作业停止才会触发）。因此**更适合有界流（批处理）**或“明确的结束信号/分区闭合”场景。

2. 快速上手：把 DataStream 变成 PartitionWindowedStream

DataStream<T> ds = ...;// 关键一步：转成“按 subtask 收集全量数据”的窗口流
PartitionWindowedStream<T> pws = ds.fullWindowPartition();

拿到 PartitionWindowedStream<T> 后，就可以调用下述四类 API。

3. MapPartition：每个 subtask 的“全量批处理”

场景：在某个 subtask 内，把它收到的全部记录一次性交给 MapPartitionFunction，例如本地求和、本地写文件、本地训练一个小模型等。

import org.apache.flink.api.common.functions.MapPartitionFunction;
import org.apache.flink.util.Collector;DataStream<Integer> input = ...;
PartitionWindowedStream<Integer> pws = input.fullWindowPartition();DataStream<Integer> sumPerSubtask = pws.mapPartition(new MapPartitionFunction<Integer, Integer>() {@Overridepublic void mapPartition(Iterable<Integer> values, Collector<Integer> out) {// values：该 subtask 收到的“所有记录”int sum = 0;for (Integer v : values) {sum += v;}// 输出本 subtask 的汇总结果out.collect(sum);}}
);

要点

• MapPartitionFunction 只调用一次（在输入结束时），因此更像“每分区末尾的批处理钩子”。
• 注意内存占用：如果分区数据量巨大，遍历时要小心 OOM（可边遍历边输出中间结果，或结合外部存储）。

4. SortPartition：每个 subtask 内局部排序

场景：在每个 subtask 内，对“该分区的所有记录”按某字段/比较器整体排序。这常作为两阶段排序的第一步（先局部排，再全局归并）。

import org.apache.flink.api.common.operators.Order;
import org.apache.flink.api.java.tuple.Tuple2;DataStream<Tuple2<Integer, Integer>> input = ...;
PartitionWindowedStream<Tuple2<Integer, Integer>> pws = input.fullWindowPartition();// 以二元组的 f0（第一个字段）升序排序，得到局部有序的分区结果
DataStream<Tuple2<Integer, Integer>> sortedPerSubtask =pws.sortPartition(0, Order.ASCENDING);

要点

• sortPartition 发生在分区内的全量数据上，不会跨分区打乱。
• 常见用法：分区内排序 → 下游再做归并（自定义 CoGroup/合并器或使用 Batch 算子）。
• 大数据量排序需关注溢写/外部排序与内存参数（如网络缓冲、排序内存）。

5. Aggregate：分区内增量聚合（支持累加器）

aggregate 通过 AggregateFunction<IN, ACC, OUT> 做增量聚合：

• ACC 是累加器；
• add 对每条记录累加；
• getResult 给出最终结果；
• merge 负责累加器合并（分布式汇总场景需要）。

import org.apache.flink.api.common.functions.AggregateFunction;
import org.apache.flink.api.java.tuple.Tuple2;DataStream<Tuple2<String, Integer>> input = ...; // (category, value)
PartitionWindowedStream<Tuple2<String, Integer>> pws = input.fullWindowPartition();DataStream<Integer> aggPerSubtask = pws.aggregate(new AggregateFunction<Tuple2<String, Integer>, Integer, Integer>() {// 初始化累加器（例如 sum=0）@Overridepublic Integer createAccumulator() {return 0;}// 每条记录如何累加@Overridepublic Integer add(Tuple2<String, Integer> value, Integer acc) {return acc + value.f1;}// 输出最终结果@Overridepublic Integer getResult(Integer acc) {return acc;}// 两个累加器如何合并（一般用于并行归并）@Overridepublic Integer merge(Integer a, Integer b) {return a + b;}}
);

要点

• 与 mapPartition 相比，aggregate 更偏“在线累加”，遍历时就滚动聚合，峰值内存可更低。
• 如果你只需要“加总/最大/最小”，优先 aggregate；复杂批处理用 mapPartition。

6. Reduce：分区内归并规约

reduce 适合可结合的二元规约（如 sum/max/min/拼接等），语义直观：

import org.apache.flink.api.common.functions.ReduceFunction;
import org.apache.flink.api.java.tuple.Tuple2;DataStream<Tuple2<String, Integer>> input = ...; // (k, v)
PartitionWindowedStream<Tuple2<String, Integer>> pws = input.fullWindowPartition();DataStream<Tuple2<String, Integer>> reducedPerSubtask = pws.reduce(new ReduceFunction<Tuple2<String, Integer>>() {@Overridepublic Tuple2<String, Integer> reduce(Tuple2<String, Integer> a,Tuple2<String, Integer> b) {// 示例：v 字段相加；k 取其一（真实业务请确保语义合理）return Tuple2.of(a.f0, a.f1 + b.f1);}}
);

要点

• reduce 比 aggregate 更简洁，但没有累加器模型；
• 适用于“二元可结合”运算；复杂场景、需要保留额外中间信息时用 aggregate。

7. 典型用法模式

7.1 两阶段排序（本地排序 + 全局归并）

1. fullWindowPartition().sortPartition(...) 做每分区局部排序；
2. 下游使用自定义合并器/批算子做跨分区归并，得到全局有序输出。

适合批处理或有界流。

7.2 分区内统计/聚合

• aggregate/reduce 做本地聚合，产出每分区的聚合摘要；
• 下游再做二次聚合（多级汇总），减少数据量与网络开销。

7.3 分区末尾清理/压缩

• mapPartition 在输入结束时触发：可以做“分区最终落盘、索引构建、一次性清理”等。

8. 实战注意事项与最佳实践

1. 数据有界性：

   • PartitionWindowedStream 的“完整窗口”在输入结束时触发；无界流意味着很晚甚至永不触发。
   • 推荐用于 Batch/Bounded 或者能感知“结束信号”的流（例如自定义分区关闭）。

2. 内存与状态：

   • mapPartition/sortPartition 需要“遍历分区全量数据”，数据量大时需防 OOM；考虑边处理边输出，或借助外部存储/溢写策略。
   • aggregate/reduce 更省内存（在线累加），优先考虑。

3. 并行与倾斜：

   • 全分区处理是“每个 subtask 自己的全量”，并行度越高，单分区负载越小。
   • 但数据倾斜可能导致个别分区非常大，需通过上游重分区/rebalance 缓解。

4. 端到端语义：

   • 这些 API 不会跨分区做全局操作（除非你在下游显式归并）；
   • 若需要全局排序/全局 TopN，请在局部阶段后增加全局阶段。

5. 与常规窗口的区别：

   • 常规窗口（滚动/滑动/会话）按时间或事件模式滚动；
   • Full Partition Window 按分区生命周期定义，“一次性”处理分区全量。

9. 该用哪个 API？

诉求	首选 API	说明
自定义“批式”处理（一次性跑一段逻辑）	mapPartition	最灵活，适合一次性写盘、构建索引、复杂批处理
分区内整体排序	sortPartition	常用于两阶段排序的“第一阶段”
可累加统计（有中间态）	aggregate	在线累加，内存友好
简洁的二元规约（可结合）	reduce	代码最短，但不如 aggregate 灵活

10. 小结

PartitionWindowedStream 让 DataStream 直接具备“每个 subtask 的全量处理”能力，补齐了常规时间窗口难以覆盖的诉求。合理选择 mapPartition / sortPartition / aggregate / reduce，可以在批流一体的架构中写出更贴近业务语义、同时更高效的处理逻辑。