文章目录
1. 整体介绍
1.1 什么是 Table API 和 Flink SQL
Flink 本身是批流统一的处理框架,所以 TableAPI 和 SQL,就是批流统一的上层处理 API。目前功能尚未完善,处于活跃的开发阶段。
Table API 是一套内嵌在 Java 和 Scala 语言中的查询 API,它允许我们以非常直观的方式,组合来自一些关系运算符的查询(比如 select、filter和join)。而对于 FlinkSQL,就是直接可以在代码中写 SQL,来实现一些查 Query 操作。Flink 的 SQL 支持,基于实现了 SQL 标准的Apache Calcite(Apache开源SQL解析工具)。
无论输入是批输入还是流式输入,在这两套 API 中,指定的查询都具有相同的语义,得到相同的结果。
1.2 需要引入的依赖
Table API 和 SQL 需要引入的依赖有两个:planner 和 bridge。
<dependency>
<groupId>org.apache.flink</groupId>
<artifactId>flink-table-planner_2.12</artifactId>
<version>1.10.1</version>
</dependency>
<dependency>
<groupId>org.apache.flink</groupId>
<artifactId>flink-table-api-scala-bridge_2.12</artifactId>
<version>1.10.1</version>
</dependency>
-
flink-table-planner
:planner计划器,是tableAPI最主要的部分,提供了运行时环境和生成程序执行计划的planner; -
flink-table-api-scala-bridge
:bridge桥接器,主要负责tableAPI和DataStream/DataSetAPI的连接支持,按照语言分java和scala。
这里的两个依赖,是IDE环境下运行需要添加的;如果是生产环境,lib目录下默认已经有了planner,就只需要有bridge就可以了。
当然,如果想使用用户自定义函数,或是跟kafka做连接,需要有一个SQL client,这个包含在flink-table-common里。
2. API调用
2.1 基本程序结构
Table API 和 SQL 的程序结构,与流式处理的程序结构类似;也可以近似地认为有这么几步:首先创建执行环境,然后定义source、transform和sink。
具体操作流程如下:
// 创建执行环境
val tableEnv=...
// 创建一张表,用于读取数据
tableEnv.connect(...).createTemporaryTable("inputTable")
// 通过 Table API 查询算子,得到一张结果表
val result=tableEnv.from("inputTable").select(...)
// 通过 SQL 查询语句,得到一张结果表
val sqlResult=tableEnv.sqlQuery("SELECT...FROM inputTable...")
// 将结果表写入输出表中
result.insertInto("outputTable")
2.2 创建表环境
创建表环境最简单的方式,就是基于流处理执行环境,调 create 方法直接创建:
val env: StreamExecutionEnvironment = StreamExecutionEnvironment.getExecutionEnvironmentval
tEnv: StreamTableEnvironment = StreamTableEnvironment .create(env)
表环境(TableEnvironment)是flink中集成 Table API & SQL 的核心概念。它负责:
-
注册catalog
-
在内部catalog中注册表
-
执行SQL查询
-
注册用户自定义函数
-
将 DataStream 或 DataSet 转换为表
-
保存对 ExecutionEnvironment 或 StreamExecutionEnvironment 的引用
在创建 TableEnv 的时候,可以多传入一个 EnvironmentSettings 或者 TableConfig 参数,可以用来配置 TableEnvironment 的一些特性。
比如:
-
老版本的流式查询(Flink-Streaming-Query):
val env: StreamExecutionEnvironment = StreamExecutionEnvironment.getExecutionEnvironment val settings: EnvironmentSettings = EnvironmentSettings .newInstance() .useOldPlanner() .inStreamingMode() .build() val tEnv: StreamTableEnvironment = StreamTableEnvironment .create(env,settings)
-
基于老版本的批处理环境(Flink-Batch-Query):
val batchEnv=ExecutionEnvironment.getExecutionEnvironment val batchTableEnv=BatchTableEnvironment.create(batchEnv)
-
基于blink版本的流处理环境(Blink-Streaming-Query):
val env: StreamExecutionEnvironment = StreamExecutionEnvironment.getExecutionEnvironment val settings: EnvironmentSettings = EnvironmentSettings.newInstance() .useBlinkPlanner() .inStreamingMode() .build() val tEnv: StreamTableEnvironment = StreamTableEnvironment .create(env,settings)
-
基于blink版本的批处理环境(Blink-Batch-Query):
val settings=EnvironmentSettings.newInstance() .useBlinkPlanner() .inBatchMode() .build() val tableEnv=TableEnvironment.create(settings)
2.3 在 Catalog 中注册表
2.3.1 表 (Table) 的概念
TableEnvironment 可以注册目录 Catalog,并可以基于 Catalog 注册表。它会维护一个 Catalog-Table 表之间的 map。
表(Table)是由一个“标识符”来指定的,由3部分组成:Catalog名、数据库(database)名和对象名(表名)。如果没有指定目录或数据库,就使用当前的默认值。
表可以是常规的(Table,表),或者虚拟的(View,视图)。常规表(Table)一般可以用来描述外部数据,比如文件、数据库表或消息队列的数据,也可以直接从 DataStream 转换而来。视图可以从现有的表中创建,通常是table API或者 SQL 查询的一个结果。
2.3.2 连接到文件系统(Csv格式)
连接外部系统在Catalog 中注册表,直接调用 tableEnv.connect()
就可以,里面参数要传入一个ConnectorDescriptor
,也就是 connector 描述器。对于文件系统的 connector 而言,flink内部已经提供了,就叫做FileSystem()
。
代码如下:
引入:
<dependency>
<groupId>org.apache.flink</groupId>
<artifactId>flink-csv</artifactId>
<version>1.10.0</version>
</dependency>
<dependency>
<groupId>org.apache.flink</groupId>
<artifactId>flink-json</artifactId>
<version>1.10.0</version>
</dependency>
main函数:
import org.apache.flink.table.descriptors.{
Csv, FileSystem, Schema}
tableEnv
.connect(new FileSystem().path("sensor.txt"))
.withFormat(new Csv())
.withSchema(new Schema()
.field("id", DataTypes.STRING())
.field("timestamp", DataTypes.BIGINT())
.field("temperature", DataTypes.DOUBLE())
)
.createTemporaryTable("fileInputTable")
2.3.3 连接到 Kafka
kafka的连接器flink-kafka-connector中,1.10版本的已经提供了TableAPI的支持。我们可以在connect方法中直接传入一个叫做Kafka的类,这就是kafka连接器的描述器ConnectorDescriptor。
import org.apache.flink.table.descriptors.{
Json, Kafka, Schema}
tableEnv.connect(
new Kafka()
// 定义 kafka的版本
.version("0.11")
// 定义topic
.topic("sensor")
.property("zookeeper.connect","localhost:2181")
.property("bootstrap.servers","localhost:9092")
)
.withFormat(new Json())
.withSchema(
new Schema()
.field("id", DataTypes.STRING())
.field("timestamp", DataTypes.BIGINT())
.field("temperature", DataTypes.DOUBLE())
)
.createTemporaryTable("kafkaInputTable")
当然也可以连接到 ElasticSearch、MySql、HBase、Hive 等外部系统,实现方式基本上是类似的。
2.4 表的查询
用外部系统的连接器 connector,我们可以读写数据,并在环境的 Catalog 中注册表。接下来就可以对表做查询转换了。
Flink 给我们提供了两种查询方式:Table API 和 SQL。
2.4.1 Table API 的调用
Table API 基于代表一张“表”的 Table 类,并提供一整套操作处理的方法 API。这些方法会返回一个新的 Table 对象,这个对象就表示对输入表应用转换操作的结果。有些关系型转换操作,可以由多个方法调用组成,构成链式调用结构。例如 table.select(…).filter(…),其中 select(…)表示选择表中指定的字段,filter(…) 表示筛选条件。
查询代码实现:
import org.apache.flink.table.api.scala._
val resultTable = tableEnv.from("inputTable").select('id, 'temperature).filter('id === "sensor_1")
resultTable.toAppendStream[(String,Double)].print("sql")
统计代码实现:
import org.apache.flink.table.api.scala._
val aggTable: Table = tableEnv.from("inputTable").groupBy('id).select('id,'id.count as 'count)
aggTable.toRetractStream[(String,Long)].print("agg")
2.4.2 SQL查询
Flink 的 SQL 集成,基于的是 Apache Calcite,它实现了 SQL 标准。在 Flink 中,用常规字符串来定义 SQL 查询语句。SQL 查询的结果,是一个新的 Table。
查询代码实现:
val sqlTable: Table = tableEnv.sqlQuery("select id,temperature from inputTable where id = 'sensor_1' ")
sqlTable.toAppendStream[(String,Double)].print("sql")
或者
tableEnv.sqlQuery(
"""
|select id,temperature
|from inputTable
|where id = 'sensor_1'
""".stripMargin
).toAppendStream[(String,Double)].print("sql")
当然,也可以加上聚合操作,比如我们统计每个sensor温度数据出现的个数,做个count统计:
tableEnv.sqlQuery(
"""
|select id,count(id) as c
|from inputTable
|group by id
""".stripMargin
).toRetractStream[(String,Long)].print("sql-agg")
这里 Table API 里指定的字段,前面加了一个单引号’,这是TableAPI中定义的Expression 类型的写法,可以很方便地表示一个表中的字段。
字段可以直接全部用双引号引起来,也可以用 半边单引号 + 字段名 的方式。以后的代码中,一般都用后一种形式。
2.5 DataStream 转成表
Flink 允许我们把 Table 和 DataStream 做转换:我们可以基于一个 DataStream,先流式地读取数据源,然后 map 成样例类,再把它转成 Table。Table 的列字段(columnfields),就是样例类里的字段,这样就不用再麻烦地定义 schema了。
2.5.1 代码表达
代码中实现非常简单,直接用tableEnv.fromDataStream()
就可以了。默认转换后的Table schema和DataStream中的字段定义一一对应,也可以单独指定出来。
这就允许我们更换字段的顺序、重命名,或者只选取某些字段出来,相当于做了一次 map 操作(或者TableAPI的select操作)。
代码具体如下:
val inputStream:DataStream[String]=env.readTextFile("sensor.txt")
val dataStream:DataStream[SensorReading]=inputStream
.map(data=>{
val dataArray=data.split(",")
SensorReading(dataArray(0),dataArray(1).toLong,dataArray(2).toDouble)
})
val sensorTable:Table=tableEnv.fromDataStream(dataStream)
// 调用table api
val resultTable = sensorTable
.select("id, temperature")
.filter("id == 'sensor_1'")
resultTable.toAppendStream[(String,Double)].print("stream-to-table-api")
2.5.2 数据类型与 Table schema 的对应
在上节的例子中,DataStream 中的数据类型,与表的 Schema 之间的对应关系,是按照样例类中的字段名来对应的(name-based mapping),所以还可以用 as 做重命名。
另外一种对应方式是,直接按照字段的位置来对应(position-based mapping),对应的过程中,就可以直接指定新的字段名了。
基于名称的对应:
val table: Table = tableEnv.fromDataStream(dataStream,'timestamp as 'ts,'id as 'myId,'temperature)
.select("ts,myId")
.toAppendStream[(Long,String)].print("table-api")
基于位置的对应:
val table: Table = tableEnv.fromDataStream(dataStream,'myId,'ts)
Flink 的 DataStream 和 DataSet API 支持多种类型。
组合类型,比如元组(内置 Scala 和 Java 元组)、POJO、Scala case 类和 Flink 的 Row 类型等,允许具有多个字段的嵌套数据结构,这些字段可以在 Table 的表达式中访问。其他类型,则被视为原子类型。
元组类型和原子类型,一般用位置对应会好一些;如果非要用名称对应,也是可以的:元组类型,默认的名称是“_1”,“_2”;而原子类型,默认名称是”f0”。
2.6 创建临时视图 (Temporary View)
创建临时视图的第一种方式,就是直接从 DataStream 转换而来。同样,可以直接对应字段转换;也可以在转换的时候,指定相应的字段。
代码如下:
tableEnv.createTemporaryView("sensorView",dataStream)
tableEnv.createTemporaryView("sensorView",dataStream,'id,'temperature,'timestampas as 'ts)
另外,当然还可以基于Table创建视图:
tableEnv.createTemporaryView("sensorView",sensorTable)
View 和 Table 的 Schema 完全相同。事实上,在 Table API 中,可以认为 View 和 Table 是等价的。
2.7 输出表
表的输出,是通过将数据写入 TableSink 来实现的。TableSink 是一个通用接口,可以支持不同的文件格式、存储数据库和消息队列。
具体实现,输出表最直接的方法,就是通过 Table.insertInto()
方法将一个 Table 写入注册过的 TableSink
中。
2.7.1 输出到文件
代码如下:
tableEnv.connect(
// 定义输出文件
new FileSystem().path("/out.txt")
)
.withFormat(new Csv())
.withSchema(
// 定义表结构
new Schema()
.field("id",DataTypes.STRING())
.field("temp",DataTypes.DOUBLE())
)
// 创建临时表
.createTemporaryTable("outputTable")
table.insertInto("outputTable")
2.7.2 更新模式 (Update Mode)
在流处理过程中,表的处理并不像传统定义的那样简单。
对于流式查询(Streaming Queries),需要声明如何在(动态)表和外部连接器之间执行转换。与外部系统交换的消息类型,由更新模式(update mode)指定。
Flink Table API中的更新模式有以下三种:
-
追加模式(Append Mode)
在追加模式下,表(动态表)和外部连接器只交换插入(Insert)消息。
-
撤回模式(RetractMode)
在撤回模式下,表和外部连接器交换的是:添加(Add)和撤回(Retract)消息。
-
插入(Insert)会被编码为添加消息;
-
删除(Delete)则编码为撤回消息;
-
更新(Update)则会编码为,已更新行(上一行)的撤回消息,和更新行(新行)的添加消息。
在此模式下,不能定义key,这一点跟upsert模式完全不同。
-
-
Upsert(更新插入)模式
在 Upsert 模式下,动态表和外部连接器交换 Upsert 和 Delete 消息。
这个模式需要一个唯一的 key,通过这个 key 可以传递更新消息。为了正确应用消息,外部连接器需要知道这个唯一 key 的属性。
-
插入(Insert)和更新(Update)都被编码为 Upsert 消息;
-
删除(Delete)编码为 Delete 信息。
这种模式和 Retract 模式的主要区别在于,Update 操作是用单个消息编码的,所以效率
会更高。 -
2.7.3 输出到 Kafka
除了输出到文件,也可以输出到 Kafka。我们可以结合前面 Kafka 作为输入数据,构建数据管道,kafka 进,kafka 出。
代码如下:
package com.flink.scala.table
import org.apache.flink.streaming.api.scala.StreamExecutionEnvironment
import org.apache.flink.table.api.{
DataTypes, Table}
import org.apache.flink.table.api.scala._
import org.apache.flink.table.descriptors._
object TableSink2Kafka {
def main(args: Array[String]): Unit = {
val env: StreamExecutionEnvironment = StreamExecutionEnvironment.getExecutionEnvironment
env.setParallelism(1)
val tableEnv = StreamTableEnvironment.create(env)
// 读取kafka数据,创建输入表
tableEnv.connect(
new Kafka()
.version("0.11")
.topic("source-kafka")
.property("zookeeper.connect","127.0.0.1:2181")
.property("bootstrap.servers","127.0.0.1:9092")
)
.withFormat(new Csv())
.withSchema(
new Schema()
.field("id",DataTypes.STRING())
.field("timestamp",DataTypes.BIGINT())
.field("temperature",DataTypes.DOUBLE())
)
.createTemporaryTable("kafkaInputTable")
// 查询表数据
val resultTable: Table = tableEnv.from("kafkaInputTable")
.select('id,'temperature as 'temp)
.filter('id === "sensor_1")
// 定义输出到kafka的表
tableEnv.connect(
new Kafka()
.version("0.11")
.topic("sink-kafka")
.property("zookeeper.connect","127.0.0.1:2181")
.property("bootstrap.servers","127.0.0.1:9092")
)
.withFormat(new Csv())
.withSchema(
new Schema()
.field("id",DataTypes.STRING())
.field("temp",DataTypes.DOUBLE())
)
.createTemporaryTable("kafkaOutputTable")
// 输出到表
resultTable.insertInto("kafkaOutputTable")
env.execute("TableSink2Kafka")
}
}
2.7.4 输出到 ElasticSearch
ElasticSearch 的 connector 可以在 upsert(update+insert,更新插入)模式下操作,这样就可以使用 Query 定义的键(key)与外部系统交换 UPSERT/DELETE 消息。
另外,对于“仅追加”(append-only)的查询,connector还可以在 append 模式下操作,这样就可以与外部系统只交换 insert 消息。
Elasticsearch 目前支持的数据格式,只有 json,而 flink 本身并没有对应的支持,所以还需要引入依赖:
<dependency>
<groupId>org.apache.flink</groupId>
<artifactId>flink-json</artifactId>
<version>1.10.1</version>
</dependency>
代码如下:
package com.flink.scala.table
import org.apache.flink.streaming.api.scala.StreamExecutionEnvironment
import org.apache.flink.table.api.DataTypes
import org.apache.flink.table.api.scala._
import org.apache.flink.table.descriptors.{
Csv, Elasticsearch, FileSystem, Json, Schema}
object TableSink2ElasticSearch {
def main(args: Array[String]): Unit = {
val env: StreamExecutionEnvironment = StreamExecutionEnvironment.getExecutionEnvironment
val tableEnv = StreamTableEnvironment.create(env)
// 连接外部系统,读取数据,注册表
val filePath = "sensor.txt"
tableEnv.connect(new FileSystem().path(filePath))
.withFormat(new Csv())
.withSchema(new Schema()
.field("id", DataTypes.STRING())
.field("timestamp", DataTypes.BIGINT())
.field("temp", DataTypes.DOUBLE())
)
.createTemporaryTable("inputTable")
// 转换操作
val sensorTable = tableEnv.from("inputTable")
// 聚合转换
val aggTable = sensorTable
.groupBy('id) // 基于id分组
.select('id, 'id.count as 'count)
// 定义ES 输出表
tableEnv.connect(new Elasticsearch()
.version("6")
.host("127.0.0.1",9200,"http")
.index("sensor")
.documentType("info")
)
.inUpsertMode()
.withFormat(new Json())
.withSchema(new Schema()
.field("id",DataTypes.STRING())
.field("count",DataTypes.BIGINT())
)
.createTemporaryTable("esTable")
// 输出到ES
aggTable.insertInto("esTable")
env.execute("TableSink2ElasticSearch")
}
}
2.7.5 输出到 MySql
Flink 专门为 Table API 的 jdbc 连接提供了 flink-jdbc 连接器,我们需要先引入依赖:
<dependency>
<groupId>org.apache.flink</groupId>
<artifactId>flink-jdbc_2.11</artifactId>
<version>1.10.0</version>
</dependency>
在 mysql 创建表sensor_count
CREATE TABLE `sensor_count` (
`id` varchar(100) CHARACTER SET utf8mb4 NOT NULL,
`cnt` bigint(20) NOT NULL,
`updatetime` datetime NOT NULL DEFAULT CURRENT_TIMESTAMP,
PRIMARY KEY (`id`)
) ENGINE=InnoDB DEFAULT CHARSET=utf8
jdbc 连接的代码实现比较特殊,因为没有对应的 java/scala 类实现 Connector Descriptor,所以不能直接tableEnv.connect()
。不过 Flink SQL 留下了执行 DDL 的接口:tableEnv.sqlUpdate()
。
对于 jdbc 的创建表操作,天生就适合直接写 DDL 来实现,所以我们的代码可以这样写:
package com.flink.scala.table
import org.apache.flink.streaming.api.scala.StreamExecutionEnvironment
import org.apache.flink.table.api.DataTypes
import org.apache.flink.table.api.scala._
import org.apache.flink.table.descriptors.{
Csv, FileSystem, Schema}
object TableSink2MySql {
def main(args: Array[String]): Unit = {
val env: StreamExecutionEnvironment = StreamExecutionEnvironment.getExecutionEnvironment
val tableEnv = StreamTableEnvironment.create(env)
val filePath = "sensor.txt"
tableEnv
.connect(new FileSystem().path(filePath))
.withFormat(new Csv())
.withSchema(new Schema()
.field("id", DataTypes.STRING())
.field("timestamp", DataTypes.BIGINT())
.field("temperature", DataTypes.DOUBLE())
).createTemporaryTable("inputTable")
val tableApiSqlTable = tableEnv.from("inputTable")
.groupBy('id)
.select('id, 'id.count as 'cnt)
// 输出到mysql
val sinkDDL:String =
"""
|create table jdbcOutputTable (
| id varchar(20) not null,
| cnt bigint not null
|) with (
|'connector.type'='jdbc',
|'connector.url'='jdbc:mysql://localhost:3306/test',
|'connector.table'='sensor_count',
|'connector.driver'='com.mysql.jdbc.Driver',
|'connector.username'='root',
|'connector.password'='123456'
|)
""".stripMargin
tableEnv.sqlUpdate(sinkDDL)
tableApiSqlTable.insertInto("jdbcOutputTable")
env.execute("TableSink2MySql")
}
}
2.8 将表转换成 DataStream
表可以转换为 DataStream 或 DataSet。这样,自定义流处理或批处理程序就可以继续在 Table API 或 SQL 查询的结果上运行了。
将表转换为 DataStream 或 DataSet 时,需要指定生成的数据类型,即要将表的每一行转换成的数据类型。通常,最方便的转换类型就是 Row。当然,因为结果的所有字段类型都是明确的,我们也经常会用元组类型来表示。
表作为流式查询的结果,是动态更新的。所以,将这种动态查询转换成的数据流,同样需要对表的更新操作进行编码,进而有不同的转换模式。
Table API 中表到 DataStream 有两种模式:
-
追加模式(Append Mode)
用于表只会被插入(Insert)操作更改的场景。
-
撤回模式(Retract Mode)
用于任何场景。有些类似于更新模式中 Retract 模式,它只有 Insert 和 Delete 两类操作。
得到的数据会增加一个 Boolean 类型的标识位(返回的第一个字段),用它来表示到底是新增的数据(Insert),还是被删除的数据(老数据,Delete)。
代码实现如下:
val sqlTable: Table = tableEnv.sqlQuery("select id,temperature from inputTable where id = 'sensor_1' ")
sqlTable.toAppendStream[(String,Double)].print("sql")
tableEnv.sqlQuery(
"""
|select id,count(id) as c
|from inputTable
|group by id
""".stripMargin
).toRetractStream[(String,Long)].print("sql-agg")
所以,没有经过 groupby 之类聚合操作,可以直接用 toAppendStream
来转换;而如果经过了聚合,有更新操作,一般就必须用 toRetractDstream
。
2.9 Query 的解释和执行
Table API 提供了一种机制来解释(Explain)计算表的逻辑和优化查询计划。这是通过 TableEnvironment.explain(table)
方法或 TableEnvironment.explain()
方法完成的。
explain 方法会返回一个字符串,描述三个计划:
-
未优化的逻辑查询计划
-
优化后的逻辑查询计划
-
实际执行计划
我们可以在代码中查看执行计划:
val explaintion: String = tableEnv.explain(tableApiSqlTable)
println(explaintion)
Query 的解释和执行过程,老 planner 和 blink planner 大体是一致的,又有所不同。整体来讲,Query都会表示成一个逻辑查询计划,然后分两步解释:
-
优化查询计划
-
解释成 DataStream 或者 DataSet 程序
而 Blink 版本是批流统一的,所以所有的 Query,只会被解释成 DataStream 程序;另外在批处理环境 TableEnvironment 下,Blink 版本要到 tableEnv.execute()
执行调用才开始解释。
3. 流处理中的特殊概念
Table API 和 SQL,本质上还是基于关系型表的操作方式;而关系型表、关系代数,以及 SQL 本身,一般是有界的,更适合批处理的场景。这就导致在进行流处理的过程中,理解会稍微复杂一些,需要引入一些特殊概念。
3.1 流处理和关系代数(表,及 SQL)的区别
可以看到,其实关系代数(主要就是指关系型数据库中的表)和 SQL,主要就是针对批处理的,这和流处理有天生的隔阂。
3.2 动态表 (Dynamic Tables)
因为流处理面对的数据,是连续不断的,这和我们熟悉的关系型数据库中保存的“表”完全不同。所以,如果我们把流数据转换成Table,然后执行类似于 table 的 select 操作,结果就不是一成不变的,而是随着新数据的到来,会不停更新。
我们可以随着新数据的到来,不停地在之前的基础上更新结果。这样得到的表,在 Flink Table API 概念里,就叫做“动态表”(Dynamic Tables)。
动态表是 Flink 对流数据的 Table API 和 SQL 支持的核心概念。与表示批处理数据的静态表不同,动态表是随时间变化的。动态表可以像静态的批处理表一样进行查询,查询一个动态表会产生持续查询(Continuous Query)。连续查询永远不会终止,并会生成另一个动态表。查询(Query)会不断更新其动态结果表,以反映其动态输入表上的更改。
3.3 流式持续查询的过程
下图显示了流、动态表和连续查询的关系:
流式持续查询的过程为:
-
流被转换为动态表。
-
对动态表计算连续查询,生成新的动态表。
-
生成的动态表被转换回流。
3.3.1 将流转换成表 (Table)
为了处理带有关系查询的流,必须先将其转换为表。
为了处理带有关系查询的流,必须先将其转换为表。
从概念上讲,流的每个数据记录,都被解释为对结果表的插入(Insert)修改。因为流式持续不断的,而且之前的输出结果无法改变。本质上,我们其实是从一个、只有插入操作的 changelog(更新日志)流,来构建一个表。
为了更好地说明动态表和持续查询的概念,我们来举一个具体的例子。
比如,我们现在的输入数据,就是用户在网站上的访问行为,数据类型(Schema)如下:
[
user:VARCHAR,//用户名
cTime:TIMESTAMP,//访问某个URL的时间戳
url:VARCHAR//用户访问的URL
]
下图显示了如何将访问URL事件流,或者叫点击事件流(左侧)转换为表(右侧)。
随着插入更多的访问事件流记录,生成的表将不断增长。
3.3.2 持续查询 (Continuous Query)
持续查询,会在动态表上做计算处理,并作为结果生成新的动态表。与批处理查询不同,连续查询从不终止,并根据输入表上的更新,更新其结果表。
在任何时间点,连续查询的结果在语义上,等同于在输入表的快照上,以批处理模式执行的同一查询的结果。
在下面的示例中,我们展示了对点击事件流中的一个持续查询。
这个 Query 很简单,是一个分组聚合做 count 统计的查询。它将用户字段上的 clicks 表分组,并统计访问的 url 数。图中显示了随着时间的推移,当 clicks 表被其他行更新时如何计算查询。
3.3.3 将动态表转换成流
与常规的数据库表一样,动态表可以通过插入(Insert)、更新(Update)和删除(Delete)更改,进行持续的修改。将动态表转换为流或将其写入外部系统时,需要对这些更改进行编码。Flink 的 Table API 和 SQL 支持三种方式对动态表的更改进行编码:
-
仅追加(Append-only)流
仅通过插入(Insert)更改,来修改的动态表,可以直接转换为“仅追加”流。这个流中发出的数据,就是动态表中新增的每一行。
-
撤回(Retract)流
Retract 流是包含两类消息的流,添加(Add)消息和撤回(Retract)消息。
动态表通过将 INSERT 编码为 add 消息、DELETE 编码为 retract 消息、UPDATE 编码为被更改行(前一行)的 retract 消息和更新后行(新行)的 add 消息,转换为 retract 流。
下图显示了将动态表转换为Retract流的过程。
-
Upsert(更新插入)流
Upsert流包含两种类型的消息:Upsert消息和delete消息。转换为upsert流的动态表,需要有唯一的键 (key)。
通过将 INSERT 和 UPDATE 更改编码为 upsert 消息,将 DELETE 更改编码为 DELETE 消息,就可以将具有唯一键(Unique Key)的动态表转换为流。
下图显示了将动态表转换为 upsert 流的过程。
这些概念我们之前都已提到过。需要注意的是,在代码里将动态表转换为 DataStream 时,仅支持 Append 和 Retract 流。而向外部系统输出动态表的 TableSink 接口,则可以有不同的实现,比如之前我们讲到的 ES,就可以有 Upsert 模式。
3.4 时间特性
基于时间的操作(比如 Table API 和 SQL 中窗口操作),需要定义相关的时间语义和时间数据来源的信息。所以,Table 可以提供一个逻辑上的时间字段,用于在表处理程序中,指示时间和访问相应的时间戳。
时间属性,可以是每个表 schema 的一部分。一旦定义了时间属性,它就可以作为一个字段引用,并且可以在基于时间的操作中使用。
时间属性的行为类似于常规时间戳,可以访问,并且进行计算。
3.4.1 处理时间(Processing Time)
处理时间语义下,允许表处理程序根据机器的本地时间生成结果。它是时间的最简单概念。它既不需要提取时间戳,也不需要生成 watermark。
定义处理时间属性有三种方法:在 DataStream 转化时直接指定;在定义 Table Schema 时指定;在创建表的 DDL 中指定。
3.4.1.1 DataStream 转化成 Table 时指定
由 DataStream 转换成表时,可以在后面指定字段名来定义 Schema。在定义 Schema 期间,可以使用 .proctime
,定义处理时间字段。
注意,这个 proctime
属性只能通过附加逻辑字段,来扩展物理 schema。因此,只能在 schema 定义的末尾定义它。
代码如下:
val env: StreamExecutionEnvironment = StreamExecutionEnvironment.getExecutionEnvironment
val tableEnv = StreamTableEnvironment.create(env)
val filePath = "sensor.txt"
val inputStream: DataStream[String] = env.readTextFile(filePath)
val dataStream: DataStream[SensorReading] = inputStream.map(data => {
val dataArray: Array[String] = data.split(",")
SensorReading(dataArray(0), dataArray(1).toLong, dataArray(2).toDouble)
})
// 将 DataStream 转换为 Table,并指定时间字段
val table: Table = tableEnv.fromDataStream(dataStream,'id,'temperature,'timestamp,'pt.proctime)
env.execute("table-process-time")
3.4.1.2 定义Table Schema时指定
这种方法其实也很简单,只要在定义 Schema 的时候,加上一个新的字段,并指定成 proctime 就可以了。
代码如下:
tableEnv.connect(new FileSystem().path(filePath))
.withFormat(new Csv())
.withSchema(new Schema()
.field("id",DataTypes.STRING())
.field("timestamp",DataTypes.BIGINT())
.field("temperature",DataTypes.DOUBLE())
// 指定 pt 为处理时间
.field("pt",DataTypes.TIMESTAMP(3)).proctime()
)
// 创建临时表
.createTemporaryTable("inputTable")
3.4.1.3 创建表的 DDL 中指定
在创建表的 DDL 中,增加一个字段并指定成 proctime ,也可以指定当前的时间字段。代码如下:
val ddlSql: String =
"""
|create table dataTable (
| id varchar(20) not null,
| ts bigint,
| temperature double,
| pt AS PROCTIME()
|) WITH (
| 'connector.type' = 'filesystem',
| 'connector.path' = 'sensor.txt',
| 'format.type' = 'csv
|)
""".stripMargin
env.execute("table-process-time")
tableEnv.sqlUpdate(ddlSql)
注意:运行这段 DDL,必须使用 Blink Planner。
3.4.2 事件时间 (Event Time)
事件时间语义,允许表处理程序根据每个记录中包含的时间生成结果。这样即使在有乱序事件或者延迟事件时,也可以获得正确的结果。
为了处理无序事件,并区分流中的准时和迟到事件;Flink 需要从事件数据中,提取时间戳,并用来推进事件时间的进展(watermark)。
3.4.2.1 DataStream 转化成 Table 时指定
在 DataStream 转换成 Table,schema 的定义期间,使用 .rowtime
可以定义事件时间属性。注意,必须在转换的数据流中分配时间戳和 watermark 。
在将数据流转换为表时,有两种定义时间属性的方法。根据指定的 .rowtime
字段名是否存在于数据流的架构中,timestamp 字段可以:
-
作为新字段追加到 schema
-
替换现有字段
在这两种情况下,定义的事件时间戳字段,都将保存 DataStream 中事件时间戳的值。
代码如下:
val dataStream: DataStream[SensorReading] = inputStream.map(data => {
val dataArray: Array[String] = data.split(",")
SensorReading(dataArray(0), dataArray(1).toLong, dataArray(2).toDouble)
}).assignTimestampsAndWatermarks(new BoundedOutOfOrdernessTimestampExtractor[SensorReading](Time.seconds(10)){
override def extractTimestamp(t: SensorReading) = t.timestamp*1000
})
// 将 DataStream 转换为 Table,并指定时间字段
val table: Table = tableEnv.fromDataStream(dataStream,'id,'temperature,'timestamp.rowtime)
// 或者 直接追加字段
val table: Table = tableEnv.fromDataStream(dataStream,'id,'temperature,'timestamp,'rt.rowtime)
3.4.2.2 定义 Table Schema 时指定
这种方法只要在定义 Schema 的时候,将事件时间字段,并指定成 rowtime 就可以了。
代码如下:
tableEnv.connect(new FileSystem().path("data.txt"))
.withFormat(new Csv())
// 定义表结构
.withSchema(new Schema()
.field("id",DataTypes.STRING())
.field("timestamp",DataTypes.BIGINT())
.rowtime(
new Rowtime()
// 从字段中提取时间戳
.timestampsFromField("timestamp")
// watermark 延迟 1 秒
.watermarksPeriodicBounded(1000)
)
.field("temperature",DataTypes.DOUBLE())
)
.createTemporaryTable("inputTable")
3.4.2.3 创建表的 DDL 中指定
事件时间属性,是使用 CREATE TABLE DDL 中的 WARDMARK 语句定义的。watermark 语句,定义现有事件时间字段上的 watermark 生成表达式,该表达式将事件时间字段标记为事件时间属性。
代码如下:
val ddlSql : String =
"""
|create table dataTable (
| id varchar(20) not null,
| ts bigint,
| temperature double,
| rt AS TO_TIMESTAMP( FROM_UNIXTIME(ts) ),
| watermark for rt as rt - interval '1' second
|) with (
| 'connector.type' = 'filesystem',
| 'connector.path' = 'sensor.txt',
| 'format.type' = 'csv'
|)
""".stripMargin
tableEnv.sqlUpdate(ddlSql)
这里 FROM_UNIXTIME
是系统内置的时间函数,用来将一个整数(秒数)转换成 YYYY-MM-DDhh:mm:ss
格式(默认,也可以作为第二个 String 参数传入)的日期时间字符串(date time string);然后再用 TO_TIMESTAMP
将其转换成 Timestamp。
4. 窗口 (Windows)
时间语义,要配合窗口操作才能发挥作用。最主要的用途,当然就是开窗口、根据时间段做计算了。下面我们就来看看 Table API 和 SQL 中,怎么利用时间字段做窗口操作。
在 Table API 和 SQL 中,主要有两种窗口:GroupWindows 和 OverWindows
4.1 分组窗口 (Group Windows)
分组窗口(Group Windows)会根据时间或行计数间隔,将行聚合到有限的组(Group)中,并对每个组的数据执行一次聚合函数。
Table API 中的 Group Windows 都是使用 .window(w:GroupWindow)
子句定义的,并且必须由 as
子句指定一个别名。为了按窗口对表进行分组,窗口的别名必须在 groupby
子句中,像常规的分组字段一样引用。
table
//定义窗口和别名 w
.window([w:GroupWindow] as w)
// 以属性 id 和窗口作为分组 key
.groupBy('id, 'w)
// 聚合字段 b的值求和
.select('id, 'b.sum)
或者,还可以把窗口的相关信息,作为字段添加到结果表中:
table
.window([w:GroupWindow]as'w)
.groupBy('w,'a)
.select('a,'w.start,'w.end,'w.rowtime,'b.count)
Table API 提供了一组具有特定语义的预定义 Window 类,这些类会被转换为底层 DataStream 或 DataSet 的窗口操作。
Table API 支持的窗口定义,和我们熟悉的一样,主要也是三种:滚动(Tumbling)、滑动(Sliding)和会话(Session)。
4.1.1 滚动窗口
滚动窗口(Tumbling windows)要用 Tumble 类来定义,另外还有三个方法:
-
over
:定义窗口长度 -
on
:用来分组(按时间间隔)或者排序(按行数)的时间字段 -
as
:别名,必须出现在后面的groupBy中
代码如下:
// Tubling Event-time Window (事件时间字段 rowtime)
.window(Tumble over 10.minutes on 'rowtime as'w)
// Tubling Processing-time Window (处理时间字段 proctime)
.window(Tumble over 10.minutes on 'proctime as'w)
// Tubling Row-count Window (类似于计数窗口,按处理时间排序, 10 行一组)
.window(Tumble over 10.rows on 'proctime as'w)
4.1.2 滑动窗口
滑动窗口(Sliding windows)要用 Slide 类来定义,另外还有四个方法:
-
over
:定义窗口长度 -
every
:定义滑动步长 -
on
:用来分组(按时间间隔)或者排序(按行数)的时间字段 -
as
:别名,必须出现在后面的groupBy
中
代码如下:
//Sliding Event-time Window
.window(Slide over 10.minutes every 5.minutes on 'rowtime as 'w)
//Sliding Processing-time window
.window(Slide over 10.minutes every 5.minutes on 'proctime as 'w)
//Sliding Row-count window
.window(Slide over 10.rows every 5.rows on 'proctime as 'w)
4.1.3 会话窗口
会话窗口(Session windows)要用 Session 类来定义,另外还有三个方法:
-
withGap
:会话时间间隔 -
on
:用来分组(按时间间隔)或者排序(按行数)的时间字段 -
as
:别名,必须出现在后面的groupBy
中
代码如下:
//Session Event-time Window
.window(Session withGap 10.minutes on 'rowtime as 'w)
//Session Processing-time Window
.window(Session withGap 10.minutes on'proctime as 'w)
4.2 Over Windows
Over window 聚合是标准 SQL 中已有的( Over 子句),可以在查询的 SELECT 子句中定义。Over window 聚合,会针对每个输入行,计算相邻行范围内的聚合。Over windows 使用 .window(w:overwindows*)
子句定义,并在 select()
方法中通过别名来引用。
比如这样:
val table=input
.window([w: OverWindow] as 'w)
.select('a,'b.sum over 'w,'c.min over'w)
Table API 提供了 Over 类,来配置 Over 窗口的属性。可以在事件时间或处理时间,以及指定为时间间隔、或行计数的范围内,定义 Over windows。
无界的 over window 是使用常量指定的。也就是说,时间间隔要指定 UNBOUNDED_RANGE
,或者行计数间隔要指定 UNBOUNDED_ROW
。而有界的 over window 是用间隔的大小指定的。
实际代码应用如下:
4.2.1 无界的 over window
// 无界的事件时间 over window(时间字段 "rowtime")
.window(Over partitionBy 'a orderBy 'rowtime preceding UNBOUNDED_RANGE as 'w)
// 无界的处理时间 over window(时间字段 "proctime")
.window(Over partitionBy 'a orderBy 'proctime preceding UNBOUNDED_RANGE as 'w)
// 无界的事件时间 Row-count over window(时间字段 "rowtime")
.window(Over partitionBy 'a orderBy 'rowtime preceding UNBOUNDED_ROW as 'w)
// 无界的处理时间 Row-count over window(时间字段 "proctime")
.window(Over partitionBy 'a orderBy 'proctime preceding UNBOUNDED_ROW as 'w)
4.2.2 有界的 over window
// 有界的事件时间 over window (时间字段 "rowtime",之前 1 分钟)
.window(Over partitionBy 'aorderBy 'rowtime preceding 1.minutes as 'w)
// 有界的处理时间 over window (时间字段 "proctime",之前 1 分钟)
.window(Over partitionBy 'aorderBy 'proctime preceding 1.minutes as 'w)
// 有界的事件时间 Row-count over window (时间字段 "rowtime",之前 10 行)
.window(Over partitionBy 'aorderBy 'rowtime preceding 1.minutes as 'w)
// 有界的处理时间 Row-count over window (时间字段 "proctime",之前 10 行)
.window(Over partitionBy 'aorderBy 'proctime preceding 1.minutes as 'w)
4.3 SQL 中窗口的定义
我们已经了解了在 Table API 里 window 的调用方式,同样,我们也可以在 SQL 中直接加入窗口的定义和使用。
4.3.1 Group Windows
Group Windows 在 SQL 查询的 groupBy 子句中定义。与使用常规 groupBy 子句的查询一样,使用 groupBy 子句的查询会计算每个组的单个结果行。
SQL 支持以下 Group 窗口函数:
-
TUMBLE(time_attr,interval)
定义一个滚动窗口,第一个参数是时间字段,第二个参数是窗口长度。
-
HOP(time_attr,interval,interval)
定义一个滑动窗口,第一个参数是时间字段,第二个参数是窗口滑动步长,第三个是窗口长度。
-
SESSION(time_attr,interval)
定义一个会话窗口,第一个参数是时间字段,第二个参数是窗口间隔(Gap)。
另外还有一些辅助函数,可以用来选择 Group Window 的开始和结束时间戳,以及时间属性。
这里只写 TUMBLE_*
,滑动和会话窗口是类似的(HOP_*
,SESSION_*
)。
-
TUMBLE_START(time_attr,interval)
-
TUMBLE_END(time_attr,interval)
-
TUMBLE_ROWTIME(time_attr,interval)
-
TUMBLE_PROCTIME(time_attr,interval)
4.3.2 Over Windows
由于 Over 本来就是 SQL 内置支持的语法,所以这在 SQL 中属于基本的聚合操作。所有聚合必须在同一窗口上定义,也就是说,必须是相同的分区、排序和范围。目前仅支持在当前行范围之前的窗口(无边界和有边界)。
注意,ORDER BY 必须在单一的时间属性上指定。
代码如下:
SELECT COUNT(amount) OVER(
PARTITION BY user
ORDER BY proctime
ROWS BETWEEN 2 PRECEDING AND CURRENT ROW
)
FROM inputTable
--也可以坐多个聚合
SELECT COUNT(amount) OVER w, SUM(amount) OVER w FROM inputTable
WINDOW w AS(
PARTITION BY user
ORDER BY proctime
ROWS BETWEEN 2 PRECEDING AND CURRENT ROW
)
4.4 代码练习 (以分组滚动窗口为例)
我们可以综合学习过的内容,用一段完整的代码实现一个具体的需求。例如,可以开一个滚动窗口,统计10秒内出现的每个 sensor 的个数。
package com.flink.scala.table
import com.flink.scala.SensorReading
import org.apache.flink.streaming.api.TimeCharacteristic
import org.apache.flink.streaming.api.functions.timestamps.BoundedOutOfOrdernessTimestampExtractor
import org.apache.flink.streaming.api.scala.{
DataStream, StreamExecutionEnvironment}
import org.apache.flink.streaming.api.scala._
import org.apache.flink.streaming.api.windowing.time.Time
import org.apache.flink.table.api.{
EnvironmentSettings, Table, Tumble}
import org.apache.flink.table.api.scala.StreamTableEnvironment
import org.apache.flink.table.api.scala._
object FlinkTableSql {
def main(args: Array[String]): Unit = {
val env: StreamExecutionEnvironment = StreamExecutionEnvironment.getExecutionEnvironment
env.setStreamTimeCharacteristic(TimeCharacteristic.EventTime)
val filePath = "sensor.txt";
val streamFromFile: DataStream[String] = env.readTextFile(filePath)
val dataStream: DataStream[SensorReading] = streamFromFile
.map(data => {
val dataArray: Array[String] = data.split(",")
SensorReading(dataArray(0).trim, dataArray(1).trim.toLong, dataArray(2).trim.toDouble)
})
.assignTimestampsAndWatermarks(new BoundedOutOfOrdernessTimestampExtractor[SensorReading](Time.seconds(1)) {
override def extractTimestamp(element: SensorReading) = element.timestamp * 1000L
})
val settings: EnvironmentSettings = EnvironmentSettings
.newInstance()
.useOldPlanner()
.inStreamingMode()
.build()
val tableEnv: StreamTableEnvironment = StreamTableEnvironment.create(env,settings)
val dataTable: Table = tableEnv.fromDataStream(dataStream,'id,'temperature,'timestamp.rowtime)
val resultTable: Table = dataTable
.window(Tumble over 10.second on 'timestamp as 'tw)
.groupBy('id, 'tw)
.select('id, 'id.count)
val sqlDataTable: Table = dataTable.select('id,'temperature,'timestamp as 'ts)
val resultSqlTable: Table = tableEnv.sqlQuery("select id, count(id) from "
+ sqlDataTable
+ " group by id,tumble(ts, interval '10' second)"
)
val resultDStream: DataStream[(Boolean, (String, Long))] = resultSqlTable.toRetractStream[(String,Long)]
resultDStream.filter(_._1).print("sql result")
val tableApiResultStream: DataStream[(Boolean, (String, Long))] = resultTable.toRetractStream[(String,Long)]
tableApiResultStream.filter(_._1).print("api result")
env.execute()
}
}
5. 函数 (Function)
Flink Table 和 SQL 内置了很多 SQL 中支持的函数;如果有无法满足的需要,则可以实现用户自定义的函数(UDF)来解决。
5.1 系统内置函数
Flink Table API 和 SQL 为用户提供了一组用于数据转换的内置函数。SQL 中支持的很多函数,Table API 和 SQL 都已经做了实现,其它还在快速开发扩展中。
以下是一些典型函数的举例,全部的内置函数,可以参考官网介绍。
5.1.1 比较函数
-
SQL:
value1 = value2
value1 > value2
-
Table API:
ANY1 === ANY2
ANY1 > ANY2
5.1.2 逻辑函数
-
SQL
boolean1 OR boolean2
boolean IS FALSE
-
Table API
boolean1 || boolean2
boolean.isFalse
!boolean
5.1.3 算数函数
-
SQL
numeric1 + numeric2
POWER(numeric1, numeric2)
-
Table API
numeric1 + numeric2
numeric1.power(numeric2)
5.1.4 字符串函数
-
SQL
string1 || string2
UPPER(string)
CHAR_LENGTH(string)
-
Table API
STRING1 + STRING2
STRING.uppserCase()
STRING…charLength()
5.1.5 时间函数
-
SQL
DATE string
TIMESTAMP string
CURRENT_TIME
INTERVAL string range
-
Table API
STRING.toDate
STRING.toTimestamp
currentTime()
NUMERIC.days
NUM,ERIC.minutes
5.1.6 聚合函数
-
SQL
COUNT(*)
SUM( [ALL | DISTINCT ] expression)
RANK()
-
Table API
FIELD.count
FIELD.sum0
5.2 自定义函数 (UDF)
用户定义函数(User-defined Functions,UDF)是一个重要的特性,因为它们显著地扩展了查询(Query)的表达能力。一些系统内置函数无法解决的需求,我们可以用UDF来自定义实现。
5.2.1 注册用户自定义函数 UDF
在大多数情况下,用户定义的函数必须先注册,然后才能在查询中使用。不需要专门为 Scala 的 Table API 注册函数。
函数通过调用 registerFunction()
方法在 TableEnvironment
中注册。当用户定义的函数被注册时,它被插入到 TableEnvironment
的函数目录中,这样Table API 或 SQL 解析器就可以识别并正确地解释它。
5.2.2 标量函数(Scalar Functions)
用户定义的标量函数,可以将0、1或多个标量值,映射到新的标量值。
为了定义标量函数,必须在 org.apache.flink.table.functions
中扩展基类 ScalarFunction
,
并实现(一个或多个)求值(evaluation,eval)方法。标量函数的行为由求值方法决定,求值方法必须公开声明并命名为 eval
(直接 def
声明,没有 override
)。求值方法的参数类型和返回类型,确定了标量函数的参数和返回类型。
在下面的代码中,我们定义自己的 HashCode
函数,在 TableEnvironment 中注册它,并在查询中调用它。
package com.flink.scala.funtions
import org.apache.flink.table.functions.ScalarFunction
/**
* 自定义一个标量函数
* @param factor
*/
class HashCode(factor: Int) extends ScalarFunction{
def eval(s : String) : Int = {
s.hashCode * factor
}
}
主函数中调用,计算 sensor_id
的哈希值(前面部分照抄,流环境、表环境、读取 source、建表):
package com.flink.scala.funtions
import com.flink.scala.SensorReading
import org.apache.flink.streaming.api.TimeCharacteristic
import org.apache.flink.streaming.api.scala.{
DataStream, StreamExecutionEnvironment}
import org.apache.flink.table.api.{
EnvironmentSettings, Table}
import org.apache.flink.table.api.scala.StreamTableEnvironment
import org.apache.flink.streaming.api.scala._
import org.apache.flink.table.api.scala._
/**
* 用户自定义使用标量函数
*/
object UseDefinedScalarFunction {
def main(args: Array[String]): Unit = {
val env: StreamExecutionEnvironment = StreamExecutionEnvironment.getExecutionEnvironment
env.setParallelism(1)
env.setStreamTimeCharacteristic(TimeCharacteristic.EventTime)
val settings: EnvironmentSettings = EnvironmentSettings
.newInstance()
.useOldPlanner()
.inStreamingMode()
.build()
val tableEnv: StreamTableEnvironment = StreamTableEnvironment.create(env,settings)
// 定义好 DataStream
val filePath = "sensor.txt"
val inputStream: DataStream[String] = env.readTextFile(filePath)
val dataStream: DataStream[SensorReading] = inputStream
.map(data => {
val dataArray: Array[String] = data.split(",")
SensorReading(dataArray(0), dataArray(1).trim.toLong, dataArray(2).trim.toDouble)
})
.assignAscendingTimestamps(_.timestamp * 1000)
// 将 DataStream 转换为 Table,并指定时间字段
val sensorTable: Table = tableEnv.fromDataStream(dataStream,'id,'timestamp.rowtime,'temperature)
// 定义 自定义函数
val hashCode = new HashCode(10)
// Table API 中使用 自定义函数
val tableAPIResult: Table = sensorTable
.select('id, hashCode('id))
tableAPIResult.toRetractStream[(String,Int)].print("table api")
// SQL 中使用 自定义函数
tableEnv.createTemporaryView("sensor",sensorTable)
tableEnv.registerFunction("hashCode", hashCode)
val sqlResult: Table = tableEnv.sqlQuery("select id, hashCode(id) from sensor")
sqlResult.toRetractStream[(String,Int)].print("sql")
env.execute("用户自定义函数")
}
}
5.2.3 表函数 (Table Funtions)
与用户定义的标量函数类似,用户定义的表函数,可以将0、1或多个标量值作为输入参数;与标量函数不同的是,它可以返回任意数量的行作为输出,而不是单个值。
为了定义一个表函数,必须扩展 org.apache.flink.table.functions
中的基类 TableFunction
并实现(一个或多个)求值方法。表函数的行为由其求值方法决定,求值方法必须是 public
的,并命名为 eval
。求值方法的参数类型,决定表函数的所有有效参数。
返回表的类型由 TableFunction
的泛型类型确定。求值方法使用protected collect(T)
方法发出输出行。
在 Table API 中,Table 函数需要与 .joinLateral
或 .leftOuterJoinLateral
一起使用。
joinLateral
算子,会将外部表中的每一行,与表函数(TableFunction,算子的参数是它
的表达式)计算得到的所有行连接起来。
而 leftOuterJoinLateral
算子,则是左外连接,它同样会将外部表中的每一行与表函数计算生成的所有行连接起来;并且,对于表函数返回的是空表的外部行,也要保留下来。
在 SQL 中,则需要使用 Lateral Table(<TableFunction>)
,或者带有 ON TRUE
条件的左连接。
下面的代码中,我们将定义一个表函数,在表环境中注册它,并在查询中调用它。
自定义 TableFunction:
package com.flink.scala.funtions
import org.apache.flink.table.functions.TableFunction
/**
* 自定义表函数
*/
class Split(separator: String) extends TableFunction[(String,Int )]{
def eval (str :String): Unit = {
str.split(separator).foreach(
word => collect((word, word.length))
)
}
}
接下来,就是在代码中调用。首先是Table API的方式:
package com.flink.scala.funtions
import com.flink.scala.SensorReading
import org.apache.flink.streaming.api.TimeCharacteristic
import org.apache.flink.streaming.api.scala.{
DataStream, StreamExecutionEnvironment}
import org.apache.flink.table.api.{
EnvironmentSettings, Table}
import org.apache.flink.table.api.scala.StreamTableEnvironment
import org.apache.flink.streaming.api.scala._
import org.apache.flink.table.api.scala._
object UseDefinedTableFunction {
def main(args: Array[String]): Unit = {
val env: StreamExecutionEnvironment = StreamExecutionEnvironment.getExecutionEnvironment
env.setParallelism(1)
env.setStreamTimeCharacteristic(TimeCharacteristic.EventTime)
val settings: EnvironmentSettings = EnvironmentSettings
.newInstance()
.useOldPlanner()
.inStreamingMode()
.build()
val tableEnv: StreamTableEnvironment = StreamTableEnvironment.create(env,settings)
// 定义好 DataStream
val filePath = "E:\\maven\\flink-sgg\\src\\main\\resources\\sensor.txt"
// val filePath = "D:\\work\\FlinkTutorial\\src\\main\\resources\\sensor.txt"
val inputStream: DataStream[String] = env.readTextFile(filePath)
val dataStream: DataStream[SensorReading] = inputStream
.map(data => {
val dataArray: Array[String] = data.split(",")
SensorReading(dataArray(0), dataArray(1).trim.toLong, dataArray(2).trim.toDouble)
})
.assignAscendingTimestamps(_.timestamp * 1000)
// 将 DataStream 转换为 Table,并指定时间字段
val sensorTable: Table = tableEnv.fromDataStream(dataStream,'id,'timestamp.rowtime,'temperature)
val split = new Split("_")
// Table API 中调用 joinLateral
val tableAPIResult1: Table = sensorTable
.joinLateral(split('id) as('word, 'length))
.select('id, 'word, 'length)
// 或者使用 leftOuterJoinLateral
val tableAPIResult2: Table = sensorTable
.leftOuterJoinLateral(split('id) as('word, 'length))
.select('id, 'word, 'length)
tableAPIResult1.toRetractStream[(String,String,Int)].print("table api_1")
tableAPIResult2.toRetractStream[(String,String,Int)].print("table api_2")
// SQL 的方式使用表函数
tableEnv.createTemporaryView("sensor",sensorTable)
tableEnv.registerFunction("split",split)
val sqlResult1: Table = tableEnv.sqlQuery(
"""
|select id, word, length
|from
|sensor, LATERAL TABLE(split(id)) as sensor2(word,length)
""".stripMargin
)
// 或者使用左连接的方式
val sqlResult2: Table = tableEnv.sqlQuery(
"""
|select id, word, length
|from
|sensor
|left join
|lateral table(split(id)) as sensor2(word, length)
|on true
""".stripMargin)
sqlResult1.toRetractStream[(String,String,Int)].print("sql1")
sqlResult1.toRetractStream[(String,String,Int)].print("sql2")
env.execute("自定义表函数")
}
}
5.2.4 聚合函数 (Aggregate Functions)
用户自定义聚合函数(User-Defined Aggregate Functions,UDAGGs)可以把一个表中的数据,聚合成一个标量值。用户定义的聚合函数,是通过继承 AggregateFunction
抽象类实现的。
上图中显示了一个聚合的例子。
假设现在有一张表,包含了各种饮料的数据。该表由三列(id、name 和 price、五行组成数据。现在我们需要找到表中所有饮料的最高价格,即执行 max()
聚合,结果将是一个数值。
AggregateFunction
的工作原理如下:
-
首先,它需要一个累加器,用来保存聚合中间结果的数据结构(状态)。可以通过调用
AggregateFunction
的createAccumulator()
方法创建空累加器。 -
随后,对每个输入行调用函数的
accumulate()
方法来更新累加器。 -
处理完所有行后,将调用函数的
getValue()
方法来计算并返回最终结果。
AggregationFunction
要求必须实现的方法:
createAccumulator()
accumulate()
getValue()
除了上述方法之外,还有一些可选择实现的方法。其中一些方法,可以让系统执行查询更有效率,而另一些方法,对于某些场景是必需的。例如,如果聚合函数应用在会话窗口
(session group window)的上下文中,则 merge()
方法是必需的。
-
retract()
-
merge()
-
resetAccumulator()
接下来我们写一个自定义 AggregateFunction
,计算一下每个sensor的平均温度值。
package com.flink.scala.funtions
class AvgTempAcc {
var sum: Double = 0.0
var count: Int = 0
}
package com.flink.scala.funtions
import org.apache.flink.table.functions.AggregateFunction
/**
* 自定义聚合函数
*/
class AvgTemp extends AggregateFunction[Double,AvgTempAcc]{
override def getValue(acc: AvgTempAcc): Double = {
acc.sum / acc.count
}
override def createAccumulator(): AvgTempAcc = new AvgTempAcc
def accumulate(accumulator:AvgTempAcc,temp:Double):Unit={
accumulator.sum+=temp
accumulator.count+=1
}
}
package com.flink.scala.funtions
import com.flink.scala.SensorReading
import org.apache.flink.streaming.api.TimeCharacteristic
import org.apache.flink.streaming.api.scala.{
DataStream, StreamExecutionEnvironment}
import org.apache.flink.table.api.{
EnvironmentSettings, Table}
import org.apache.flink.table.api.scala.StreamTableEnvironment
import org.apache.flink.streaming.api.scala._
import org.apache.flink.table.api.scala._
object UseDefinedAggFunction {
def main(args: Array[String]): Unit = {
val env: StreamExecutionEnvironment = StreamExecutionEnvironment.getExecutionEnvironment
env.setParallelism(1)
env.setStreamTimeCharacteristic(TimeCharacteristic.EventTime)
val settings: EnvironmentSettings = EnvironmentSettings
.newInstance()
.useOldPlanner()
.inStreamingMode()
.build()
val tableEnv: StreamTableEnvironment = StreamTableEnvironment.create(env,settings)
// 定义好 DataStream
val filePath = "sensor.txt"
val inputStream: DataStream[String] = env.readTextFile(filePath)
val dataStream: DataStream[SensorReading] = inputStream
.map(data => {
val dataArray: Array[String] = data.split(",")
SensorReading(dataArray(0), dataArray(1).trim.toLong, dataArray(2).trim.toDouble)
})
.assignAscendingTimestamps(_.timestamp * 1000)
// 将 DataStream 转换为 Table,并指定时间字段
val sensorTable: Table = tableEnv.fromDataStream(dataStream,'id,'timestamp.rowtime,'temperature)
// 创建一个聚合函数
val avgTemp = new AvgTemp()
// table api 的调用
val tableAPIResult: Table = sensorTable.groupBy('id)
.aggregate(avgTemp('temperature) as 'avgTemp)
.select('id, 'avgTemp)
tableAPIResult.toRetractStream[(String,Double)].filter(_._1).print("table api")
// sql 的实现
tableEnv.createTemporaryView("sensor",sensorTable)
tableEnv.registerFunction("avgTemp",avgTemp)
val sqlResult: Table= tableEnv.sqlQuery(
"""
|select
|id, avgTemp(temperature)
|from sensor
|group by id
""".stripMargin)
sqlResult.toRetractStream[(String,Double)].filter(_._1).print("sql")
env.execute("用户自定义聚合函数")
}
}
5.2.5 表聚合函数 (Table Aggregate Function)
用户定义的表聚合函数(User-Defined Table Aggregate Functions,UDTAGGs),可以把一个表中数据,聚合为具有多行和多列的结果表。这跟 AggregateFunction
非常类似,只是之前聚合结果是一个标量值,现在变成了一张表。
比如现在我们需要找到表中所有饮料的前 2个最高价格,即执行 top2()
表聚合。我们需要检查5行中的每一行,得到的结果将是一个具有排序后前 2个值的表。
用户定义的表聚合函数,是通过继承 TableAggregateFunction
抽象类来实现的。
TableAggregateFunction
的工作原理如下。
-
首先,它同样需要一个累加器
Accumulator
,它是保存聚合中间结果的数据结构。通过调用TableAggregateFunction
的createAccumulator()
方法可以创建空累加器。 -
随后,对每个输入行调用函数的
accumulate()
方法来更新累加器。 -
处理完所有行后,将调用函数的
emitValue()
方法来计算并返回最终结果。
AggregationFunction
要求必须实现的方法:
-
createAccumulator()
-
accumulate()
除了上述方法之外,还有一些可选择实现的方法:
-
retract()
-
merge()
-
resetAccumulator()
-
emitValue()
-
emitUpdateWithRetract()
接下来我们写一个自定义 TableAggregateFunction
,用来提取每个sensor最高的两个温度值。
package com.flink.scala.funtions
/**
* 定义一个 Accumulator
*/
class Top2TempAcc {
var highestTemp:Double=Int.MinValue
var secondHighestTemp:Double=Int.MinValue
}
package com.flink.scala.funtions
import org.apache.flink.table.functions.TableAggregateFunction
import org.apache.flink.util.Collector
/**
* 自定义 TableAggregateFuntion
*/
class Top2Temp extends TableAggregateFunction[(Double,Int), Top2TempAcc]{
override def createAccumulator(): Top2TempAcc = new Top2TempAcc
def accumulate(acc: Top2TempAcc,temp: Double): Unit = {
if (temp > acc.highestTemp) {
acc.secondHighestTemp = acc.highestTemp
acc.highestTemp = temp
} else if (temp > acc.secondHighestTemp) {
acc.secondHighestTemp = temp
}
}
def emitValue(acc:Top2TempAcc,out:Collector[(Double,Int)]):Unit={
out.collect(acc.highestTemp, 1)
out.collect(acc.secondHighestTemp, 2)
}
}
package com.flink.scala.funtions
import com.flink.scala.SensorReading
import org.apache.flink.streaming.api.TimeCharacteristic
import org.apache.flink.streaming.api.scala.{
DataStream, StreamExecutionEnvironment}
import org.apache.flink.table.api.{
EnvironmentSettings, Table}
import org.apache.flink.table.api.scala.StreamTableEnvironment
import org.apache.flink.streaming.api.scala._
import org.apache.flink.table.api.scala._
object UseDefinedTableAggFunction {
def main(args: Array[String]): Unit = {
val env: StreamExecutionEnvironment = StreamExecutionEnvironment.getExecutionEnvironment
env.setParallelism(1)
env.setStreamTimeCharacteristic(TimeCharacteristic.EventTime)
val settings: EnvironmentSettings = EnvironmentSettings
.newInstance()
.useOldPlanner()
.inStreamingMode()
.build()
val tableEnv: StreamTableEnvironment = StreamTableEnvironment.create(env,settings)
// 定义好 DataStream
val filePath = "sensor.txt"
val inputStream: DataStream[String] = env.readTextFile(filePath)
val dataStream: DataStream[SensorReading] = inputStream
.map(data => {
val dataArray: Array[String] = data.split(",")
SensorReading(dataArray(0), dataArray(1).trim.toLong, dataArray(2).trim.toDouble)
})
.assignAscendingTimestamps(_.timestamp * 1000)
// 将 DataStream 转换为 Table,并指定时间字段
val sensorTable: Table = tableEnv.fromDataStream(dataStream,'id,'timestamp.rowtime,'temperature)
// 创建一个表聚合函数
val top2Temp = new Top2Temp()
// table api 调用
val tableAPIResult: Table = sensorTable.groupBy('id)
.flatAggregate(top2Temp('temperature) as('temp, 'rank))
.select('id, 'temp, 'rank)
tableAPIResult.toRetractStream[(String,Double,Int)].filter(_._1).print("table api")
env.execute("用户自定义表聚合函数")
}
}