背景
Flink SQL 是 Flink 实时计算为简化计算模型,降低用户使用实时计算门槛而设计的一套符合标准 SQL 语义的开发语言。
自 2015 年开始,阿里巴巴开始调研开源流计算引擎,最终决定基于 Flink 打造新一代计算引擎,针对 Flink 存在的不足进行优化和改进,并且在 2019 年初将最终代码开源,也就是我们熟知的 Blink。Blink 在原来的 Flink 基础上最显著的一个贡献就是 Flink SQL 的实现。
Flink SQL 是面向用户的 API 层,在我们传统的流式计算领域,比如 Storm、 SparkStreaming 都会提供一些 Function 或者 Datastream API,用户通过 Java 或 Scala 写业务逻辑,这种方式虽然灵活,但有一些不足,比如具备一定门槛且调优较难,随着版本的不断更新,API 也出现了很多不兼容的地方。
在这个背景下,毫无疑问,SQL 就成了我们最佳选择,之所以选择将 SQL 作为核心 API,是因为其具有几个非常重要的特点:
SQL 属于设定式语言,用户只要表达清楚需求即可,不需要了解具体做法;SQL 可优化,内置多种查询优化器,这些查询优化器可为 SQL 翻译出最优执行计划; SQL 易于理解,不同行业和领域的人都懂,学习成本较低;SQL 非常稳定,在数据库 30 多年的历史中,SQL 本身变化较少;流与批的统一,Flink 底层 Runtime 本身就是一个流与批统一的引擎,而 SQL 可以做到 API 层的流与批统一。
Flink的SQL支持,基于实现了SQL标准的ApacheCalcite(Apache开源SQL解 析工具)。目前功能尚未完善,处于活跃的开发阶段。
Flink SQL 常用算子
SELECT
SELECT 用于从 DataSet/DataStream 中选择数据,用于筛选出某些列。
示例:
SELECT * FROM Table; // 取出表中的所有列
SELECT name, age FROM Table; // 取出表中 name 和 age 两列
与此同时 SELECT 语句中可以使用函数和别名,例如我们上面提到的 WordCount 中:
SELECT word, COUNT(word) FROM table GROUP BY word;
WHERE
WHERE 用于从数据集/流中过滤数据,与 SELECT 一起使用,用于根据某些条件对关系做水平分
割,即选择符合条件的记录。
示例:
SELECT name, age FROM Table where name LIKE ‘ % 小明 %’ ; SELECT * FROM Table WHERE age = 20;
WHERE 是从原数据中进行过滤,那么在 WHERE 条件中,Flink SQL 同样支持 =、<、>、<>、>=、<=,以及 AND、OR 等表达式的组合,最终满足过滤条件的数据会被选择出来。并且 WHERE 可以结合 IN、NOT IN 联合使用。举个例子:
SELECT name, age
FROM Table
WHERE name IN (SELECT name FROM Table2)
DISTINCT
DISTINCT 用于从数据集/流中去重根据 SELECT 的结果进行去重。
示例:
SELECT DISTINCT name FROM Table;
对于流式查询,计算查询结果所需的 State 可能会无限增长,用户需要自己控制查询的状态范围,以防止状态过大。
GROUP BY
GROUP BY 是对数据进行分组操作。例如我们需要计算成绩明细表中,每个学生的总分。
示例:
SELECT name, SUM(score) as TotalScore FROM Table GROUP BY name;
UNION 和 UNION ALL
UNION 用于将两个结果集合并起来,要求两个结果集字段完全一致,包括字段类型、字段顺序。
不同于 UNION ALL 的是,UNION 会对结果数据去重。
示例:
SELECT * FROM T1 UNION (ALL) SELECT * FROM T2;
JOIN
JOIN 用于把来自两个表的数据联合起来形成结果表,Flink 支持的 JOIN 类型包括:
JOIN - INNER JOIN
LEFT JOIN - LEFT OUTER JOINRIGHT JOIN - RIGHT OUTER JOIN FULL JOIN - FULL OUTER JOIN
这里的 JOIN 的语义和我们在关系型数据库中使用的 JOIN 语义一致。
示例:
JOIN(将订单表数据和商品表进行关联)
SELECT * FROM Orders INNER JOIN Product ON Orders.productId = Product.id
LEFT JOIN 与 JOIN 的区别是当右表没有与左边相 JOIN 的数据时候,右边对应的字段补 NULL
输出,RIGHT JOIN 相当于 LEFT JOIN 左右两个表交互一下位置。FULL JOIN 相当于 RIGHT JOIN
和 LEFT JOIN 之后进行 UNION ALL 操作。
示例:
SELECT * FROM Orders LEFT JOIN Product ON Orders.productId = Product.id
SELECT * FROM Orders RIGHT JOIN Product ON Orders.productId = Product.id
SELECT * FROM Orders FULL OUTER JOIN Product ON Orders.productId = Product.id
Group Window
根据窗口数据划分的不同,目前 Apache Flink 有如下 3 种 Bounded Window:
Tumble,滚动窗口,窗口数据有固定的大小,窗口数据无叠加;
Hop,滑动窗口,窗口数据有固定大小,并且有固定的窗口重建频率,窗口数据有叠加;
Session,会话窗口,窗口数据没有固定的大小,根据窗口数据活跃程度划分窗口,窗口数据无叠加。
Tumble Window
Tumble 滚动窗口有固定大小,窗口数据不重叠,具体语义如下:
Tumble 滚动窗口对应的语法如下:
SELECT
[gk],
[TUMBLE_START(timeCol, size)],
[TUMBLE_END(timeCol, size)],
agg1(col1),
...
aggn(colN)
FROM Tab1
GROUP BY [gk], TUMBLE(timeCol, size)
其中:
[gk] 决定了是否需要按照字段进行聚合;
TUMBLE_START 代表窗口开始时间;
TUMBLE_END 代表窗口结束时间;
timeCol 是流表中表示时间字段;
size 表示窗口的大小,如 秒、分钟、小时、天。
举个例子,假如我们要计算每个人每天的订单量,按照 user 进行聚合分组:
SELECT user, TUMBLE_START(rowtime, INTERVAL ‘ 1’ DAY) as wStart, SUM(amount)
FROM Orders
GROUP BY TUMBLE(rowtime, INTERVAL ‘ 1’ DAY), user;
Hop Window
Hop 滑动窗口和滚动窗口类似,窗口有固定的 size,与滚动窗口不同的是滑动窗口可以通过 slide 参数控制滑动窗口的新建频率。因此当 slide 值小于窗口 size 的值的时候多个滑动窗口会重叠,具体语义如下:
Hop 滑动窗口对应语法如下:.
SELECT
[gk],
[HOP_START(timeCol, slide, size)] ,
[HOP_END(timeCol, slide, size)],
agg1(col1),
...
aggN(colN)
FROM Tab1
GROUP BY [gk], HOP(timeCol, slide, size)
每次字段的意思和 Tumble 窗口类似:
[gk] 决定了是否需要按照字段进行聚合;
HOP_START 表示窗口开始时间;
HOP_END 表示窗口结束时间;
timeCol 表示流表中表示时间字段;
slide 表示每次窗口滑动的大小;size 表示整个窗口的大小,如 秒、分钟、小时、天。
举例说明,我们要每过一小时计算一次过去 24 小时内每个商品的销量:
SELECT
product,
SUM(amount)
FROM Orders
GROUP BY HOP(rowtime, INTERVAL '1' HOUR, INTERVAL '1' DAY), product
Session Window
会话时间窗口没有固定的持续时间,但它们的界限由 interval 不活动时间定义,即如果在定义的间隙期间没有出现事件,则会话窗口关闭。
Seeeion 会话窗口对应语法如下:
SELECT
[gk],
SESSION_START(timeCol, gap) AS winStart,
SESSION_END(timeCol, gap) AS winEnd,
agg1(col1),
...
aggn(colN)
FROM Tab1
GROUP BY [gk], SESSION(timeCol, gap)
[gk] 决定了是否需要按照字段进行聚合;
SESSION_START 表示窗口开始时间;
SESSION_END 表示窗口结束时间;
timeCol 表示流表中表示时间字段;
gap 表示窗口数据非活跃周期的时长。
例如,我们需要计算每个用户访问时间 12 小时内的订单量:
SELECT
user,
SESSION_START(rowtime, INTERVAL ‘ 12’ HOUR) AS sStart,
SESSION_ROWTIME(rowtime, INTERVAL ‘ 12’ HOUR) AS sEnd,
SUM(amount)
FROM Orders
GROUP BY SESSION(rowtime, INTERVAL ‘ 12’ HOUR), user
Table API 和 SQL 捆绑在 flink-table Maven 工件中。必须将以下依赖项添加到你的项目才能使用 Table API 和 SQL:
<dependency>
<groupId>org.apache.flink</groupId>
<artifactId>flink-table_2.11</artifactId>
<version>${flink.version}</version>
</dependency>
另外,你需要为 Flink 的 Scala 批处理或流式 API 添加依赖项。对于批量查询,您需要添加:
<dependency>
<groupId>org.apache.flink</groupId>
<artifactId>flink-scala_2.11</artifactId>
<version>1.7.2</version>
</dependency>
Flink-SQL应用
批数据 SQL
-
构建 Table 运行环境
-
将 DataSet 注册为一张表
-
使用 Table 运行环境的 sqlQuery 方法来执行 SQL 语句
使用 Flink SQL 统计用户消费订单的总金额、最大金额、最小金额、订单总数。
订单 id 用户名 订单日期 消费金额
1 Zhangsan 2018-10-20 15:30 358.5
测试数据(订单 ID、用户名、订单日期、订单金额)
(1,"zhangsan","2018-10-20 15:30",358.5),
(2,"zhangsan","2018-10-20 16:30",131.5),
(3,"lisi","2018-10-20 16:30",127.5),
(4,"lisi","2018-10-20 16:30",328.5),
(5,"lisi","2018-10-20 16:30",432.5),
(6,"zhaoliu","2018-10-20 22:30",451.0),
(7,"zhaoliu","2018-10-20 22:30",362.0),
(8,"zhaoliu","2018-10-20 22:30",364.0),
(9,"zhaoliu","2018-10-20 22:30",341.0)
步骤
-
获取一个批处理运行环境
-
获取一个 Table 运行环境
-
创建一个样例类 Order 用来映射数据(订单名、用户名、订单日期、订单金额)
-
基于本地 Order 集合创建一个 DataSet source
-
使用 Table 运行环境将 DataSet 注册为一张表
-
使用 SQL 语句来操作数据(统计用户消费订单的总金额、最大金额、最小金额、订单总数)
-
使用 将 Table 转换为 DataSet
-
打印测试
package com.czxy.flink.sql
import org.apache.flink.api.scala.ExecutionEnvironment
import org.apache.flink.table.api.{Table, TableEnvironment}
import org.apache.flink.table.api.scala.BatchTableEnvironment
import org.apache.flink.types.Row
/**
* 需求:
* 使用 Flink SQL 统计用户消费订单的总金额、 最大金额、 最小金额、 订单总数。
* 实现步骤:
* 1) 获取一个批处理运行环境
* 2) 获取一个 Table 运行环境
* 3) 创建一个样例类 Order 用来映射数据(订单名、 用户名、 订单日期、 订单金额)
* 4) 基于本地 Order 集合创建一个 DataSet source
* 5) 使用 Table 运行环境将 DataSet 注册为一张表
* 6) 使用 SQL 语句来操作数据(统计用户消费订单的总金额、 最大金额、 最小金额、 订单总数)
* 7) 使用 将 Table 转换为 DataSet
* 8) 打印测试
*/
object BatchFlinkSql {
//3.创建一个样例类 Order 用来映射数据(订单名、 用户名、 订单日期、 订单金额)
case class Order(id:Int,userName:String,createTime:String,money:Double)
def main(args: Array[String]): Unit = {
//1.获取一个批处理运行环境
val env: ExecutionEnvironment = ExecutionEnvironment.getExecutionEnvironment
//2.获取一个 Table 运行环境
val tableEnv: BatchTableEnvironment = TableEnvironment.getTableEnvironment(env)
//4. 基于本地 Order 集合创建一个 DataSet source
import org.apache.flink.api.scala._
val orderDataSet: DataSet[Order] = env.fromElements(
Order(1, "zhangsan", "2018-10-20 15:30", 358.5),
Order(2, "zhangsan", "2018-10-20 16:30", 131.5),
Order(3, "lisi", "2018-10-20 16:30", 127.5),
Order(4, "lisi", "2018-10-20 16:30", 328.5),
Order(5, "lisi", "2018-10-20 16:30", 432.5),
Order(6, "zhaoliu", "2018-10-20 22:30", 451.0),
Order(7, "zhaoliu", "2018-10-20 22:30", 362.0),
Order(8, "zhaoliu", "2018-10-20 22:30", 364.0),
Order(9, "zhaoliu", "2018-10-20 22:30", 341.0)
)
//5. 使用 Table 运行环境将 DataSet 注册为一张表
tableEnv.registerDataSet("t_order",orderDataSet)
//6.使用 SQL 语句来操作数据(统计用户消费订单的总金额、 最大金额、 最小金额、 订单总数)
//订单名、 用户名、 订单日期、 订单金额
val sql=
"""
|select
| userName,
| sum(money) as totalMoney,
| max(money) as maxMoney,
| min(money) as minMoney,
| count(1) as totalCount
| from t_order
| group by userName
|""".stripMargin
val table: Table = tableEnv.sqlQuery(sql)
table.printSchema()
//7.使用 将 Table 转换为 DataSet
val result: DataSet[Row] = tableEnv.toDataSet[Row](table)
//8.打印测试
result.print()
}
}
流数据 SQL
流处理中也可以支持 SQL。但是需要注意以下几点:
-
要使用流处理的 SQL,必须要添加水印时间
-
使用 registerDataStream 注册表的时候,使用 ’ 来指定字段
-
注册表的时候,必须要指定一个 rowtime,否则无法在 SQL 中使用窗口
-
必须要导入 import ._ 隐式参数
-
SQL 中使用 trumble(时间列名, interval ‘时间’ sencond) 来进行定义窗口
示例
使用 Flink SQL 来统计 5 秒内 用户的 订单总数、订单的最大金额、订单的最小金额。
步骤
6. 获取流处理运行环境
-
获取 Table 运行环境
-
设置处理时间为 EventTime
-
创建一个订单样例类 Order ,包含四个字段(订单 ID、用户 ID、订单金额、时间戳)
-
创建一个自定义数据源
.使用 for 循环生成 1000 个订单
.随机生成订单 ID(UUID)
.随机生成用户 ID(0-2)
.随机生成订单金额(0-100)
.时间戳为当前系统时间
.每隔 1 秒生成一个订单
-
添加水印,允许延迟 2 秒
-
导入 import ._ 隐式参数
-
使用 registerDataStream 注册表,并分别指定字段,还要指定 rowtime 字段
-
编写 SQL 语句统计用户订单总数、最大金额、最小金额分组时要使用 tumble(时间列, interval ‘窗口时间’ second) 来创建窗口
-
使用 执行 sql 语句
-
将 SQL 的执行结果转换成 DataStream 再打印出来
-
启动流处理程序
package com.czxy.flink.sql
import java.util.UUID
import java.util.concurrent.TimeUnit
import org.apache.flink.streaming.api.TimeCharacteristic
import org.apache.flink.streaming.api.functions.source.{RichSourceFunction, SourceFunction}
import org.apache.flink.streaming.api.functions.timestamps.BoundedOutOfOrdernessTimestampExtractor
import org.apache.flink.streaming.api.scala.{DataStream, StreamExecutionEnvironment}
import org.apache.flink.streaming.api.windowing.time.Time
import org.apache.flink.table.api.{Table, TableEnvironment}
import org.apache.flink.table.api.scala.StreamTableEnvironment
import org.apache.flink.types.Row
import scala.util.Random
/**
* 需求:
* 使用 Flink SQL 来统计 5 秒内 用户的 订单总数、 订单的最大金额、 订单的最小金额。
* 实现思路:
* 1) 获取流处理运行环境
* 2) 获取 Table 运行环境
* 3) 设置处理时间为 EventTime
* 4) 创建一个订单样例类 Order , 包含四个字段(订单 ID、 用户 ID、 订单金额、 时间戳)
* 5) 创建一个自定义数据源
* a. 使用 for 循环生成 1000 个订单
* b. 随机生成订单 ID(UUID)
* c. 随机生成用户 ID(0-2)
* d. 随机生成订单金额(0-100)
* e. 时间戳为当前系统时间
* f. 每隔 1 秒生成一个订单
* 6) 添加水印, 允许延迟 2 秒
* 7) 导入 import ._ 隐式参数
* 8) 使用 registerDataStream 注册表, 并分别指定字段, 还要指定 rowtime 字段
* 9) 编写 SQL 语句统计用户订单总数、 最大金额、 最小金额分组时要使用 tumble(时间列,interval '窗口时间' second) 来创建窗口
* 10) 使用 执行 sql 语句
* 11) 将 SQL 的执行结果转换成 DataStream 再打印出来
* 12) 启动流处理程序
*/
object StreamFlinkSql {
//4.创建一个订单样例类 Order , 包含四个字段(订单 ID、 用户 ID、 订单金额、 时间戳)
case class Order(orderId: String, userId: Int, money: Long, createTime: Long)
def main(args: Array[String]): Unit = {
//1.获取流处理运行环境
val env: StreamExecutionEnvironment = StreamExecutionEnvironment.getExecutionEnvironment
//2.获取 Table 运行环境
val tableEnv: StreamTableEnvironment = TableEnvironment.getTableEnvironment(env)
//3.设置处理时间为 EventTime
env.setStreamTimeCharacteristic(TimeCharacteristic.EventTime)
//5.创建一个自定义数据源
import org.apache.flink.api.scala._
val orderDataStream: DataStream[Order] = env.addSource(new RichSourceFunction[Order] {
var isRunning: Boolean = true
/**
* a. 使用 for 循环生成 1000 个订单
* b. 随机生成订单 ID(UUID)
* c. 随机生成用户 ID(0-2)
* d. 随机生成订单金额(0-100)
* e. 时间戳为当前系统时间
* f. 每隔 1 秒生成一个订单
*
* @param ctx
*/
override def run(ctx: SourceFunction.SourceContext[Order]): Unit = {
for (i <- 0 until 1000 if isRunning) {
val order: Order = Order(UUID.randomUUID().toString, Random.nextInt(3), Random.nextInt(101), System.currentTimeMillis())
TimeUnit.SECONDS.sleep(1)
ctx.collect(order)
}
}
override def cancel(): Unit = {
isRunning = false
}
})
//6.添加水印, 允许延迟 2 秒
val waterMark: DataStream[Order] = orderDataStream.assignTimestampsAndWatermarks(new BoundedOutOfOrdernessTimestampExtractor[Order](Time.seconds(2)) {
override def extractTimestamp(element: Order): Long = {
val eventTime: Long = element.createTime
eventTime
}
})
//7.导入 import ._ 隐式参数
import org.apache.flink.table.api.scala._
//8.使用 registerDataStream 注册表, 并分别指定字段, 还要指定 rowtime 字段
tableEnv.registerDataStream("t_order",waterMark,'orderId,'userId,'money,'createTime.rowtime)
//9.编写 SQL 语句统计用户订单总数、 最大金额、
// 最小金额分组时要使用 tumble(时间列,interval '窗口时间' second) 来创建窗口
val sql=
"""
| select
| userId,
| count(1) as totalCount,
| max(money) as maxMoney,
| min(money) as minMoney
| from t_order
| group by userId,tumble(createTime,interval '5' second)
|""".stripMargin
//10.使用 执行 sql 语句
val table: Table = tableEnv.sqlQuery(sql)
table.printSchema()
//11.将 SQL 的执行结果转换成 DataStream 再打印出来
val result: DataStream[Row] = tableEnv.toAppendStream[Row](table)
//12.打印输出
result.print()
env.execute(this.getClass.getSimpleName)
}
}