共计 1491 个字符，预计需要花费 4 分钟才能阅读完成。
欢送拜访我的 GitHub
https://github.com/zq2599/blog_demos
内容：所有原创文章分类汇总及配套源码，波及 Java、Docker、Kubernetes、DevOPS 等；
在学习和开发 flink 的过程中，常常须要筹备数据集用来验证咱们的程序，阿里云天池公开数据集中有一份淘宝用户行为数据集，稍作解决后即可用于 flink 学习；
下载
- 下载地址：
https://tianchi.aliyun.com/da…
- 如下图所示，点击红框中的图标下载(名为 UserBehavior.csv.zip 的文件太大无奈在 excel 关上，因而下载体积小一些的 UserBehavior.csv)：
- 该 CSV 文件的内容，一共有五列，每列的含意如下表：
| 列名称 | 阐明 |
|---|---|
| 用户 ID | 整数类型，序列化后的用户 ID |
| 商品 ID | 整数类型，序列化后的商品 ID |
| 商品类目 ID | 整数类型，序列化后的商品所属类目 ID |
| 行为类型 | 字符串，枚举类型，包含(‘pv’, ‘buy’, ‘cart’, ‘fav’) |
| 工夫戳 | 行为产生的工夫戳 |
| 工夫字符串 | 依据工夫戳字段生成的工夫字符串 |
- 下载结束后用 excel 关上，如下图所示：
减少一个字段
为了便于检查数据，接下来在工夫戳字段之后新增一个字段，内容是将该行的工夫戳转成工夫字符串
- 如下图，在 F 列的第一行地位输出表达式，将 E1 的工夫戳转成字符串：
- 上图红框中的表达式内容如下：
=TEXT((E1+8*3600)/86400+70*365+19,"yyyy-mm-dd hh:mm:ss")- <font color=”red”>！！！有个问题要分外留神！！！</font>：上述表达式中，因为 83600 的作用，失去的工夫字符串实际上是东八区时区的工夫，在 flink sql 中，如果用 DATE_FORMAT 函数计算 timestamp 也能失去工夫字符串，然而这个字符串是格林尼治时区，此时两个工夫字符串的值就不同了，例如从 F 列看 2017/11/12 和 2017/11/13 各一条记录，然而 DATE_FORMAT 函数计算 timestamp 失去的却是 2017/11/12 有两条记录，解决这个问题的方法就是将表达式中的 83600 去掉，大家都用格林尼治时区；
- 表达式失效后，F1 的内容就是 E1 的工夫字符串，接下来 F 列的所有记录都作转换，鼠标放在下图红框地位时，会呈现十字架标记，在此标记上双击鼠标：
- 实现后如下图，F 列的工夫信息更利于咱们开发过程中核查数据：
修复乱序
- 此时的 CSV 文件中的数据并不是按工夫字段排序的，如下图：
- flink 在解决上述数据时，因为乱序问题可能会导致计算结果不准，以上图为例，在解决红框 2 中的数据时，红框 3 所对应的窗口早就实现计算了，尽管 flink 的 watermark 能够容忍肯定水平的乱序，然而必须将容忍工夫调整为 7 天能力将红框 3 的窗口保留下来不触发，这样的 watermark 调整会导致大量数据无奈计算，因而，须要将此 CSV 的数据依照工夫排序再拿来应用；
- 如下图操作即可实现排序：
- 实现排序后如下图所示：
至此，一份淘宝用户行为数据集就筹备结束了，接下来的文章将会用此数据进行 flink 相干的实战；
间接下载筹备好的数据
- 为了便于您疾速应用，上述调整过的 CSV 文件我曾经上传到 CSDN，地址：
https://download.csdn.net/dow…
- 也能够在我的 Github 下载，地址：
https://raw.githubusercontent…
欢送关注公众号：程序员欣宸
微信搜寻「程序员欣宸」，我是欣宸，期待与您一起畅游 Java 世界 …
https://github.com/zq2599/blog_demos
正文完
