这里是普通文章模块栏目内容页
Apache Flink 漫谈系列 - SQL概览

SQL是Structured Query Language的缩写,最初是由美国计算机科学家Donald D. Chamberlin和Raymond F. Boyce在20世纪70年代早期从 Early History of SQL 中了解关系模型后在IBM开发的。该版本最初称为[SEQUEL: A Structured English Query Language](结构化英语查询语言),旨在操纵和检索存储在IBM原始准关系数据库管理系统System R中的数据。SEQUEL后来改为SQL,因为“SEQUEL”是英国Hawker Siddeley飞机公司的商标。我们看看这款用于特技飞行的英国皇家空军豪客Siddeley Hawk T.1A (Looks great):

Apache Flink 漫谈系列 - SQL概览

1. 第一款SQL数据库

在20世纪70年代后期,Oracle公司(当时叫 Relational Software,Inc.)开发了基于SQL的RDBMS,并希望将其出售给美国海军,Central Intelligence代理商和其他美国政府机构。 1979年6月,Oracle 公司为VAX计算机推出了第一个商业化的SQL实现,即Oracle V2。

2. ANSI-SQL标准的采用

直到1986年,ANSI和ISO标准组正式采用了标准的"数据库语言SQL"语言定义。该标准的新版本发布于1989,1992,1996,1999,2003,2006,2008,2011,以及最近的2016。Apache Flink SQL 核心算子的语义设计也参考了1992 、2011等ANSI-SQL标准。

3. SQL操作及扩展

SQL是专为查询包含在关系数据库中的数据而设计的,是一种基于SET操作的声明性编程语言,而不是像C语言一样的命令式编程语言。但是,各大关系数据库厂商在遵循ANSI-SQL标准的同时又对标准SQL进行扩展,由基于SET(无重复元素)的操作扩展到基于BAG(有重复元素)的操作,并且添加了过程编程语言功能,如:Oracle的PL/SQL, DB2的SQL PL,MySQL - SQL/PSM以及SQL Server的T-SQL等等。

随着时间的推移ANSI-SQL规范不断完善,所涉及的功能不断丰富,比如在ANSI-2011中又增加了Temporal Table的标准定义,Temporal Table的标准在结构化关系数据存储上添加了时间维度信息,这使得关系数据库中不仅可以对当前数据进行查询操作,根据时间版本信息也可以对历史数据进行操作。这些不断丰富的功能极大增强了SQL的应用领域。

4. 大数据计算领域对SQL的应用

(1) 离线计算(批计算)

提及大数据计算领域不得不说MapReduce计算模型,MapReduce最早是由Google公司研究提出的一种面向大规模数据处理的并行计算模型和方法,并发于2004年发表了论文Simplified Data Processing on Large Clusters。

论文发表之后Apache 开源社区参考Google MapReduce,基于Java设计开发了一个称为Hadoop的开源MapReduce并行计算框架。很快得到了全球学术界和工业界的普遍关注,并得到推广和普及应用。

但利用Hadoop进行MapReduce的开发,需要开发人员精通Java语言,并了解MapReduce的运行原理,这样在一定程度上提高了MapReduce的开发门槛,所以在开源社区又不断涌现了一些为了简化MapReduce开发的开源框架,其中Hive就是典型的代表。HSQL可以让用户以类SQL的方式描述MapReduce计算,比如原本需要几十行,甚至上百行才能完成的wordCount,用户一条SQL语句就能完成了,这样极大的降低了MapReduce的开发门槛,进而也成功的将SQL应用到了大数据计算领域当中来。

(2) 实时计算(流计算)

SQL不仅仅被成功的应用到了离线计算,SQL的易用性也吸引了流计算产品,目前最热的Spark,Flink也纷纷支持了SQL,尤其是Flink支持的更加彻底,集成了Calcite,完全遵循ANSI-SQL标准。Apache Flink在low-level API上面用DataSet支持批计算,用DataStream支持流计算,但在High-Level API上面利用SQL将流与批进行了统一,使得用户编写一次SQL既可以在流计算中使用,又可以在批计算中使用,为既有流计算业务,又有批计算业务的用户节省了大量开发成本。

二、SQL高性能与简洁性

1. 性能

SQL经过传统数据库领域几十年的不断打磨,查询优化器已经能够极大的优化SQL的查询性能,Apache Flink 应用Calcite进行查询优化,复用了大量数据库查询优化规则,在性能上不断追求极致,能够让用户关心但不用担心性能问题。如下图(Alibaba 对 Apache Flink 进行架构优化后的组件栈)

Apache Flink 漫谈系列 - SQL概览

相对于DataStream而言,SQL会经过Optimization模块透明的为用户进行查询优化,用户专心编写自己的业务逻辑,不用担心性能,却能得到最优的查询性能!

2. 简洁

就简洁性而言,SQL与DataSet和DataStream相比具有很大的优越性,我们先用一个WordCount示例来直观的查看用户的代码量:

DataStream/DataSetAPI

... //省略初始化代码 

// 核心逻辑 

text.flatMap(new WordCount.Tokenizer()).keyBy(new int[]{0}).sum(1); 

 

// flatmap 代码定义 

#p#分页标题#e#

public static final class Tokenizer implements FlatMapFunction<String, Tuple2<String, Integer>> { 

public Tokenizer() { 

 

public void flatMap(String value, Collector<Tuple2<String, Integer>> out) { 

String[] tokens = value.toLowerCase().split("\\W+"); 

String[] var4 = tokens

int var5 = tokens.length; 

 

for(int var6 = 0; var6 < var5; ++var6) { 

String token = var4[var6]; 

if (token.length() > 0) { 

out.collect(new Tuple2(token, 1)); 

 

}} 

SQL

...//省略初始化代码 

SELECT word, COUNT(word) FROM tab GROUP BY word; 

我们直观的体会到相同的统计功能使用SQL的简洁性。

三、Flink SQL Job的组成

我们做任何数据计算都离不开读取原始数据,计算逻辑和写入计算结果数据三部分,当然基于Apache Flink SQL编写的计算Job也离不开这三个部分,如下所示:

Apache Flink 漫谈系列 - SQL概览

如上所示,一个完整的Apache Flink SQL Job 由如下三部分:

Source Operator - Soruce operator是对外部数据源的抽象, 目前Apache Flink内置了很多常用的数据源实现,比如上图提到的Kafka。

Query Operators - 查询算子主要完成如图的Query Logic,目前支持了Union,Join,Projection,Difference, Intersection以及window等大多数传统数据库支持的操作。

Sink Operator - Sink operator 是对外结果表的抽象,目前Apache Flink也内置了很多常用的结果表的抽象,比如上图提到的Kafka。

四、Flink SQL 核心算子

目前Flink SQL支持Union,Join,Projection,Difference, Intersection以及Window等大多数传统数据库支持的操作,接下来为大家分别进行简单直观的介绍。

1. 环境

为了很好的体验和理解Apache Flink SQL算子我们需要先准备一下测试环境,我们选择IDEA,以ITCase测试方式来进行体验。IDEA 安装这里不占篇幅介绍了,相信大家能轻松搞定!我们进行功能体验有两种方式,具体如下:

(1) 源码方式

对于开源爱好者可能更喜欢源代码方式理解和体验Apache Flink SQL功能,那么我们需要下载源代码并导入到IDEA中:

下载源码:

// 下载源代码 

git clone https://github.com/apache/flink.git study 

// 进入源码目录 

cd study 

// 拉取稳定版release-1.6 

git fetch origin release-1.6:release-1.6 

//切换到稳定版 

git checkout release-1.6 

//将依赖安装到本地mvn仓库,耐心等待需要一段时间 

mvn clean install -DskipTests 

导入到IDEA:将Flink源码导入到IDEA过程这里不再占用篇幅,导入后确保在IDEA中可以运行 org.apache.flink.table.runtime.stream.sql.SqlITCase 并测试全部通过,即证明体验环境已经完成。如下图所示:

Apache Flink 漫谈系列 - SQL概览

如上图运行测试后显示测试通过,我们就可以继续下面的Apache Flink SQL功能体验了。

(2) 依赖Flink包方式

我们还有一种更简单直接的方式,就是新建一个mvn项目,并在pom中添加如下依赖:

<properties> 

<table.version>1.6-SNAPSHOT</table.version> 

</properties> 

 

<dependencies> 

<dependency> 

<groupId>org.apache.flink</groupId> 

<artifactId>flink-table_2.11</artifactId> 

<version>${table.version}</version> 

</dependency> 

 

<dependency> 

<groupId>org.apache.flink</groupId> 

<artifactId>flink-scala_2.11</artifactId> 

<version>${table.version}</version> 

</dependency> 

 

<dependency> 

<groupId>org.apache.flink</groupId> 

<artifactId>flink-streaming-scala_2.11</artifactId> 

<version>${table.version}</version> 

</dependency> 

 

<dependency> 

<groupId>org.apache.flink</groupId> 

<artifactId>flink-streaming-java_2.11</artifactId> 

<version>${table.version}</version> 

</dependency> 

 

<dependency> 

<groupId>JUnit</groupId> 

<artifactId>JUnit</artifactId> 

<version>4.12</version> 

</dependency> 

 

</dependencies> 

完成环境准备后,我们开始准备测试数据和写一个简单的测试类。

2. 示例数据及测试类

(1) 测试数据

customer_tab 表 - 客户表保存客户id,客户姓名和客户描述信息。字段及测试数据如下:

Apache Flink 漫谈系列 - SQL概览

order_tab 表 - 订单表保存客户购买的订单信息,包括订单id,订单时间和订单描述信息。 字段节测试数据如下:

Apache Flink 漫谈系列 - SQL概览

Item_tab商品表, 携带商品id,商品类型,出售时间,价格等信息,具体如下:

Apache Flink 漫谈系列 - SQL概览

PageAccess_tab页面访问表,包含用户ID,访问时间,用户所在地域信息,具体数据如下:

Apache Flink 漫谈系列 - SQL概览

PageAccessCount_tab页面访问表,访问量,访问时间,用户所在地域信息,具体数据如下:

Apache Flink 漫谈系列 - SQL概览

PageAccessSession_tab页面访问表,访问量,访问时间,用户所在地域信息,具体数据如下:

Apache Flink 漫谈系列 - SQL概览

(2) 测试类

我们创建一个SqlOverviewITCase.scala 用于接下来介绍Flink SQL算子的功能体验。代码如下:

import org.apache.flink.api.scala._ 

import org.apache.flink.runtime.state.StateBackend 

import org.apache.flink.runtime.state.memory.MemoryStateBackend 

import org.apache.flink.streaming.api.TimeCharacteristic 

import org.apache.flink.streaming.api.functions.sink.RichSinkFunction 

import org.apache.flink.streaming.api.functions.source.SourceFunction 

import org.apache.flink.streaming.api.functions.source.SourceFunction.SourceContext 

import org.apache.flink.streaming.api.scala.StreamExecutionEnvironment 

import org.apache.flink.streaming.api.watermark.Watermark 

import org.apache.flink.table.api.TableEnvironment 

import org.apache.flink.table.api.scala._ 

import org.apache.flink.types.Row 

import org.junit.rules.TemporaryFolder 

import org.junit.{Rule, Test} 

 

import scala.collection.mutable 

import scala.collection.mutable.ArrayBuffer 

 

class SqlOverviewITCase { 

val _tempFolder = new TemporaryFolder 

 

@Rule 

def tempFolder: TemporaryFolder = _tempFolder 

 

def getStateBackend: StateBackend = { 

new MemoryStateBackend() 

 

// 客户表数据 

val customer_data = new mutable.MutableList[(String, String, String)] 

customer_data.+=(("c_001", "Kevin", "from JinLin")) 

customer_data.+=(("c_002", "Sunny", "from JinLin")) 

customer_data.+=(("c_003", "JinCheng", "from HeBei")) 

 

 

// 订单表数据 

val order_data = new mutable.MutableList[(String, String, String, String)] 

order_data.+=(("o_001", "c_002", "2018-11-05 10:01:01", "iphone")) 

order_data.+=(("o_002", "c_001", "2018-11-05 10:01:55", "ipad")) 

order_data.+=(("o_003", "c_001", "2018-11-05 10:03:44", "flink book")) 

 

// 商品销售表数据 

val item_data = Seq

Left((1510365660000L, (1510365660000L, 20, "ITEM001", "Electronic"))), 

Right((1510365660000L)), 

Left((1510365720000L, (1510365720000L, 50, "ITEM002", "Electronic"))), 

Right((1510365720000L)), 

Left((1510365780000L, (1510365780000L, 30, "ITEM003", "Electronic"))), 

Left((1510365780000L, (1510365780000L, 60, "ITEM004", "Electronic"))), 

Right((1510365780000L)), 

Left((1510365900000L, (1510365900000L, 40, "ITEM005", "Electronic"))), 

Right((1510365900000L)), 

Left((1510365960000L, (1510365960000L, 20, "ITEM006", "Electronic"))), 

Right((1510365960000L)), 

Left((1510366020000L, (1510366020000L, 70, "ITEM007", "Electronic"))), 

Right((1510366020000L)), 

Left((1510366080000L, (1510366080000L, 20, "ITEM008", "Clothes"))), 

Right((151036608000L))) 

 

// 页面访问表数据 

val pageAccess_data = Seq

Left((1510365660000L, (1510365660000L, "ShangHai", "U0010"))), 

Right((1510365660000L)), 

Left((1510365660000L, (1510365660000L, "BeiJing", "U1001"))), 

Right((1510365660000L)), 

Left((1510366200000L, (1510366200000L, "BeiJing", "U2032"))), 

Right((1510366200000L)), 

Left((1510366260000L, (1510366260000L, "BeiJing", "U1100"))), 

Right((1510366260000L)), 

Left((1510373400000L, (1510373400000L, "ShangHai", "U0011"))), 

Right((1510373400000L))) 

 

// 页面访问量表数据2 

val pageAccessCount_data = Seq

Left((1510365660000L, (1510365660000L, "ShangHai", 100))), 

Right((1510365660000L)), 

Left((1510365660000L, (1510365660000L, "BeiJing", 86))), 

Right((1510365660000L)), 

Left((1510365960000L, (1510365960000L, "BeiJing", 210))), 

Right((1510366200000L)), 

Left((1510366200000L, (1510366200000L, "BeiJing", 33))), 

Right((1510366200000L)), 

Left((1510373400000L, (1510373400000L, "ShangHai", 129))), 

Right((1510373400000L))) 

 

// 页面访问表数据3 

val pageAccessSession_data = Seq

Left((1510365660000L, (1510365660000L, "ShangHai", "U0011"))), 

Right((1510365660000L)), 

Left((1510365720000L, (1510365720000L, "ShangHai", "U0012"))), 

Right((1510365720000L)), 

Left((1510365720000L, (1510365720000L, "ShangHai", "U0013"))), 

Right((1510365720000L)), 

Left((1510365900000L, (1510365900000L, "ShangHai", "U0015"))), 

Right((1510365900000L)), 

Left((1510366200000L, (1510366200000L, "ShangHai", "U0011"))), 

Right((1510366200000L)), 

Left((1510366200000L, (1510366200000L, "BeiJing", "U2010"))), 

Right((1510366200000L)), 

Left((1510366260000L, (1510366260000L, "ShangHai", "U0011"))), 

Right((1510366260000L)), 

Left((1510373760000L, (1510373760000L, "ShangHai", "U0410"))), 

Right((1510373760000L))) 

 

def procTimePrint(sql: String): Unit = { 

// Streaming 环境 

val env = StreamExecutionEnvironment.getExecutionEnvironment 

val tEnv = TableEnvironment.getTableEnvironment(env) 

 

// 将order_tab, customer_tab 注册到catalog 

val customer = env.fromCollection(customer_data).toTable(tEnv).as('c_id, 'c_name, 'c_desc) 

val order = env.fromCollection(order_data).toTable(tEnv).as('o_id, 'c_id, 'o_time, 'o_desc) 

 

tEnv.registerTable("order_tab", order) 

tEnv.registerTable("customer_tab", customer) 

 

val result = tEnv.sqlQuery(sql).toRetractStream[Row] 

val sink = new RetractingSink 

result.addSink(sink) 

env.execute() 

 

def rowTimePrint(sql: String): Unit = { 

// Streaming 环境 

val env = StreamExecutionEnvironment.getExecutionEnvironment 

env.setStreamTimeCharacteristic(TimeCharacteristic.EventTime) 

env.setStateBackend(getStateBackend) 

env.setParallelism(1) 

val tEnv = TableEnvironment.getTableEnvironment(env) 

 

// 将item_tab, pageAccess_tab 注册到catalog 

val item = 

env.addSource(new EventTimeSourceFunction[(Long, Int, String, String)](item_data)) 

.toTable(tEnv, 'onSellTime, 'price, 'itemID, 'itemType, 'rowtime.rowtime) 

 

val pageAccess = 

env.addSource(new EventTimeSourceFunction[(Long, String, String)](pageAccess_data)) 

.toTable(tEnv, 'accessTime, 'region, 'userId, 'rowtime.rowtime) 

 

val pageAccessCount = 

env.addSource(new EventTimeSourceFunction[(Long, String, Int)](pageAccessCount_data)) 

.toTable(tEnv, 'accessTime, 'region, 'accessCount, 'rowtime.rowtime) 

 

val pageAccessSession = 

env.addSource(new EventTimeSourceFunction[(Long, String, String)](pageAccessSession_data)) 

.toTable(tEnv, 'accessTime, 'region, 'userId, 'rowtime.rowtime) 

 

tEnv.registerTable("item_tab", item) 

tEnv.registerTable("pageAccess_tab", pageAccess) 

tEnv.registerTable("pageAccessCount_tab", pageAccessCount) 

tEnv.registerTable("pageAccessSession_tab", pageAccessSession) 

 

val result = tEnv.sqlQuery(sql).toRetractStream[Row] 

val sink = new RetractingSink 

result.addSink(sink) 

env.execute() 

 

 

@Test 

def testSelect(): Unit = { 

val sql = "替换想要测试的SQL" 

// 非window 相关用 procTimePrint(sql) 

// Window 相关用 rowTimePrint(sql) 

 

 

// 自定义Sink 

final class RetractingSink extends RichSinkFunction[(Boolean, Row)] { 

var retractedResults: ArrayBuffer[String] = mutable.ArrayBuffer.empty[String] 

 

def invoke(v: (Boolean, Row)) { 

retractedResults.synchronized { 

val vvalue = v._2.toString 

if (v._1) { 

retractedResults += value 

} else { 

val idx = retractedResults.indexOf(value) 

if (idx >= 0) { 

retractedResults.remove(idx) 

} else { 

throw new RuntimeException("Tried to retract a value that wasn't added first. " + 

"This is probably an incorrectly implemented test. " + 

"Try to set the parallelism of the sink to 1.") 

retractedResults.sorted.foreach(println(_)) 

 

// Water mark 生成器 

class EventTimeSourceFunction[T]( 

dataWithTimestampList: Seq[Either[(Long, T), Long]]) extends SourceFunction[T] { 

override def run(ctx: SourceContext[T]): Unit = { 

dataWithTimestampList.foreach { 

case Left(t) => ctx.collectWithTimestamp(t._2, t._1) 

case Right(w) => ctx.emitWatermark(new Watermark(w)) 

 

override def cancel(): Unit = ??? 

五、Select

SELECT 用于从数据集/流中选择数据,语法遵循ANSI-SQL标准,语义是关系代数中的投影(Projection),对关系进行垂直分割,消去某些列,如下图所示:

Apache Flink 漫谈系列 - SQL概览

1. SQL 示例

从customer_tab选择用户姓名,并用内置的CONCAT函数拼接客户信息,如下:

SELECT c_name, CONCAT(c_name, ' come ', c_desc) as desc FROM customer_tab; 

2. Result

Apache Flink 漫谈系列 - SQL概览

3. 特别说明

#p#分页标题#e#

大家看到在 SELECT 不仅可以使用普通的字段选择,还可以使用ScalarFunction,当然也包括User-Defined Function,同时还可以进行字段的alias设置。其实SELECT可以结合聚合,在GROUPBY部分会进行介绍,一个比较特殊的使用场景是携带 DISTINCT 关键字,示例如下:

(1) SQL 示例

在订单表查询所有的客户id,消除重复客户id, 如下:

SELECT DISTINCT c_id FROM order_tab; 

(2) Result

Apache Flink 漫谈系列 - SQL概览

六、WHERE

#p#分页标题#e#

WHERE 用于从数据集/流中过滤数据,与SELECT一起使用,语法遵循ANSI-SQL标准,语义是关系代数的Selection,根据某些条件对关系做水平分割,即选择符合条件的记录,如下所示:

Apache Flink 漫谈系列 - SQL概览

1. SQL 示例

在customer_tab查询客户id为c_001和c_003的客户信息,如下:

SELECT c_id, c_name, c_desc FROM customer_tab WHERE c_OR c_; 

2. Result

Apache Flink 漫谈系列 - SQL概览

3. 特别说明

#p#分页标题#e#

我们发现WHERE是对满足一定条件的数据进行过滤,WHERE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,具体如下:

(1) SQL 示例 (IN 常量)

使用 IN 在customer_tab查询客户id为c_001和c_003的客户信息,如下:

SELECT c_id, c_name, c_desc FROM customer_tab WHERE c_id IN ('c_001', 'c_003'); 

(2) Result

Apache Flink 漫谈系列 - SQL概览

(3) SQL 示例 (IN 子查询)

使用 IN和 子查询 在customer_tab查询已经下过订单的客户信息,如下:

SELECT c_id, c_name, c_desc FROM customer_tab WHERE c_id IN (SELECT c_id FROM order_tab); 

(4) Result

Apache Flink 漫谈系列 - SQL概览

(5) IN/NOT IN 与关系代数

如上介绍IN是关系代数中的Intersection, NOT IN是关系代数的Difference, 如下图示意:

a. IN(Intersection)

Apache Flink 漫谈系列 - SQL概览

NOT IN(Difference)

Apache Flink 漫谈系列 - SQL概览

七、GROUP BY

GROUP BY 是对数据进行分组的操作,比如我需要分别计算一下一个学生表里面女生和男生的人数分别是多少,如下:

Apache Flink 漫谈系列 - SQL概览

1. SQL 示例

将order_tab信息按customer_tab分组统计订单数量,简单示例如下:

SELECT c_id, count(o_id) as o_count FROM order_tab GROUP BY c_id; 

2. Result

Apache Flink 漫谈系列 - SQL概览

3. 特别说明

在实际的业务场景中,GROUP BY除了按业务字段进行分组外,很多时候用户也可以用时间来进行分组(相当于划分窗口),比如统计每分钟的订单数量:

(1) SQL 示例

按时间进行分组,查询每分钟的订单数量,如下:

#p#分页标题#e#

SELECT SUBSTRING(o_time, 1, 16) AS o_time_min, count(o_id) AS o_count FROM order_tab GROUP BY SUBSTRING(o_time, 1, 16) 

(2) Result

Apache Flink 漫谈系列 - SQL概览

说明:如果我们时间字段是timestamp类型,建议使用内置的 DATE_FORMAT 函数。

八、UNION ALL

#p#分页标题#e#

UNION ALL 将两个表合并起来,要求两个表的字段完全一致,包括字段类型、字段顺序,语义对应关系代数的Union,只是关系代数是Set集合操作,会有去重复操作,UNION ALL 不进行去重,如下所示:

Apache Flink 漫谈系列 - SQL概览

1. SQL 示例

我们简单的将customer_tab查询2次,将查询结果合并起来,如下:

SELECT c_id, c_name, c_desc FROM customer_tab 

UNION ALL 

SELECT c_id, c_name, c_desc FROM customer_tab 

2. Result

Apache Flink 漫谈系列 - SQL概览

3. 特别说明

UNION ALL 对结果数据不进行去重,如果想对结果数据进行去重,传统数据库需要进行UNION操作。

九、UNION

UNION 将两个流给合并起来,要求两个流的字段完全一致,包括字段类型、字段顺序,并其UNION 不同于UNION ALL,UNION会对结果数据去重,与关系代数的Union语义一致,如下:

Apache Flink 漫谈系列 - SQL概览

1. SQL 示例

我们简单的将customer_tab查询2次,将查询结果合并起来,如下:

SELECT c_id, c_name, c_desc FROM customer_tab 

UNION 

SELECT c_id, c_name, c_desc FROM customer_tab 

我们发现完全一样的表数据进行 UNION之后,数据是被去重的,UNION之后的数据并没有增加。

2. Result

Apache Flink 漫谈系列 - SQL概览

3. 特别说明

UNION 对结果数据进行去重,在实际的实现过程需要对数据进行排序操作,所以非必要去重情况请使用UNION ALL操作。

十、JOIN

JOIN 用于把来自两个表的行联合起来形成一个宽表,Apache Flink支持的JOIN类型:

JOIN - INNER JOIN

LEFT JOIN - LEFT OUTER JOIN

RIGHT JOIN - RIGHT OUTER JOIN

FULL JOIN - FULL OUTER JOIN

JOIN与关系代数的Join语义相同,具体如下:

Apache Flink 漫谈系列 - SQL概览

1. SQL 示例 (JOIN)

INNER JOIN只选择满足ON条件的记录,我们查询customer_tab 和 order_tab表,将有订单的客户和订单信息选择出来,如下:

SELECT * FROM customer_tab AS c JOIN order_tab AS o ON o.c_id = c.c_id 

2. Result

Apache Flink 漫谈系列 - SQL概览

3. SQL 示例 (LEFT JOIN)

LEFT JOIN与INNER 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,语义如下:

Apache Flink 漫谈系列 - SQL概览

对应的SQL语句如下(LEFT JOIN):

SELECT ColA, ColB, T2.ColC, ColE FROM TI LEFT JOIN T2 ON T1.ColC = T2.ColC ; 

细心的读者可能发现上面T2.ColC是添加了前缀T2了,这里需要说明一下,当两张表有字段名字一样的时候,我需要指定是从那个表里面投影的。

我们查询customer_tab 和 order_tab表,将客户和订单信息选择出来如下:

SELECT * FROM customer_tab AS c LEFT JOIN order_tab AS o ON o.c_id = c.c_id 

4. Result

Apache Flink 漫谈系列 - SQL概览

5. 特别说明

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。

十一、Window

#p#分页标题#e#

在Apache Flink中有2种类型的Window,一种是OverWindow,即传统数据库的标准开窗,每一个元素都对应一个窗口。一种是GroupWindow,目前在SQL中GroupWindow都是基于时间进行窗口划分的。

1. Over Window

Apache Flink中对OVER Window的定义遵循标准SQL的定义语法。

按ROWS和RANGE分类是传统数据库的标准分类方法,在Apache Flink中还可以根据时间类型(ProcTime/EventTime)和窗口的有限和无限(Bounded/UnBounded)进行分类,共计8种类型。为了避免大家对过细分类造成困扰,我们按照确定当前行的不同方式将OVER Window分成两大类进行介绍,如下:

ROWS OVER Window - 每一行元素都视为新的计算行,即,每一行都是一个新的窗口。

RANGE OVER Window - 具有相同时间值的所有元素行视为同一计算行,即,具有相同时间值的所有行都是同一个窗口。

(1) Bounded ROWS OVER Window

Bounded ROWS OVER Window 每一行元素都视为新的计算行,即,每一行都是一个新的窗口。

a. 语义

我们以3个元素(2 PRECEDING)的窗口为例,如下图:

Apache Flink 漫谈系列 - SQL概览

上图所示窗口 user 1 的 w5和w6, user 2的 窗口 w2 和 w3,虽然有元素都是同一时刻到达,但是他们仍然是在不同的窗口,这一点有别于RANGE OVER Window。

b. 语法

Bounded ROWS OVER Window 语法如下:

SELECT 

agg1(col1) OVER( 

[PARTITION BY (value_expression1,..., value_expressionN)] 

ORDER BY timeCol 

ROWS 

BETWEEN (UNBOUNDED | rowCount) PRECEDING AND CURRENT ROW) AS colName, 

... 

FROM Tab1 

value_expression - 进行分区的字表达式;

timeCol - 用于元素排序的时间字段;

rowCount - 是定义根据当前行开始向前追溯几行元素。

c. SQL 示例

利用item_tab测试数据,我们统计同类商品中当前和当前商品之前2个商品中的最高价格。

SELECT 

itemID, 

itemType, 

onSellTime, 

price, 

MAX(price) OVER ( 

PARTITION BY itemType 

ORDER BY onSellTime 

ROWS BETWEEN 2 preceding AND CURRENT ROW) AS maxPrice 

FROM item_tab 

d. Result

Apache Flink 漫谈系列 - SQL概览

(2) Bounded RANGE OVER Window

Bounded RANGE OVER Window 具有相同时间值的所有元素行视为同一计算行,即,具有相同时间值的所有行都是同一个窗口。

a. 语义

我们以3秒中数据(INTERVAL '2' SECOND)的窗口为例,如下图:

Apache Flink 漫谈系列 - SQL概览

注意: 上图所示窗口 user 1 的 w6, user 2的 窗口 w3,元素都是同一时刻到达,他们是在同一个窗口,这一点有别于ROWS OVER Window。

b. 语法

Bounded RANGE OVER Window的语法如下:

SELECT 

agg1(col1) OVER( 

[PARTITION BY (value_expression1,..., value_expressionN)] 

ORDER BY timeCol 

RANGE 

BETWEEN (UNBOUNDED | timeInterval) PRECEDING AND CURRENT ROW) AS colName, 

... 

FROM Tab1 

value_expression - 进行分区的字表达式;

timeCol - 用于元素排序的时间字段;

timeInterval - 是定义根据当前行开始向前追溯指定时间的元素行;

c. SQL 示例

我们统计同类商品中当前和当前商品之前2分钟商品中的最高价格。

ELECT 

itemID, 

itemType, 

onSellTime, 

price, 

MAX(price) OVER ( 

PARTITION BY itemType 

ORDER BY rowtime 

RANGE BETWEEN INTERVAL '2' MINUTE preceding AND CURRENT ROW) AS maxPrice 

FROM item_tab 

d. Result(Bounded RANGE OVER Window)

Apache Flink 漫谈系列 - SQL概览

e. 特别说明

#p#分页标题#e#

OverWindow最重要是要理解每一行数据都确定一个窗口,同时目前在Apache Flink中只支持按时间字段排序。并且OverWindow开窗与GroupBy方式数据分组最大的不同在于,GroupBy数据分组统计时候,在SELECT中除了GROUP BY的key,不能直接选择其他非key的字段,但是OverWindow没有这个限制,SELECT可以选择任何字段。比如一张表table(a,b,c,d)4个字段,如果按d分组求c的最大值,两种写完如下:

GROUP BY - SELECT d, MAX(c) FROM table GROUP BY d

OVER Window = SELECT a, b, c, d, MAX(c) OVER(PARTITION BY d, ORDER BY ProcTime())

如上 OVER Window 虽然PARTITION BY d,但SELECT 中仍然可以选择 a,b,c字段。但在GROUPBY中,SELECT 只能选择 d 字段。

2. Group Window

根据窗口数据划分的不同,目前Apache Flink有如下3种Bounded Winodw:

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。

说明: Aapche Flink 还支持UnBounded的 Group Window,也就是全局Window,流上所有数据都在一个窗口里面,语义非常简单,这里不做详细介绍了。

(1) Tumble

a. 语义

Tumble 滚动窗口有固定size,窗口数据不重叠,具体语义如下:

Apache Flink 漫谈系列 - SQL概览

b. 语法

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) 

[gk] - 决定了流是Keyed还是/Non-Keyed;

TUMBLE_START - 窗口开始时间;

TUMBLE_END - 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。

c. SQL 示例

利用pageAccess_tab测试数据,我们需要按不同地域统计每2分钟的淘宝首页的访问量(PV)。

SELECT 

region, 

TUMBLE_START(rowtime, INTERVAL '2' MINUTE) AS winStart, 

TUMBLE_END(rowtime, INTERVAL '2' MINUTE) AS winEnd, 

COUNT(region) AS pv 

FROM pageAccess_tab 

GROUP BY region, TUMBLE(rowtime, INTERVAL '2' MINUTE) 

d. Result

Apache Flink 漫谈系列 - SQL概览

(2) Hop

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。

a. 语义

Hop 滑动窗口语义如下所示:

Apache Flink 漫谈系列 - SQL概览

b. 语法

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) 

[gk] 决定了流是Keyed还是/Non-Keyed;

HOP_START - 窗口开始时间;

HOP_END - 窗口结束时间;

timeCol - 是流表中表示时间字段;

slide - 是滑动步伐的大小;

size - 是窗口的大小,如 秒,分钟,小时,天;

c. SQL 示例

利用pageAccessCount_tab测试数据,我们需要每5分钟统计近10分钟的页面访问量(PV).

SELECT 

HOP_START(rowtime, INTERVAL '5' MINUTE, INTERVAL '10' MINUTE) AS winStart, 

HOP_END(rowtime, INTERVAL '5' MINUTE, INTERVAL '10' MINUTE) AS winEnd, 

SUM(accessCount) AS accessCount 

FROM pageAccessCount_tab 

GROUP BY HOP(rowtime, INTERVAL '5' MINUTE, INTERVAL '10' MINUTE) 

d. Result

Apache Flink 漫谈系列 - SQL概览

(3) Session

#p#分页标题#e#

Seeeion 会话窗口 是没有固定大小的窗口,通过session的活跃度分组元素。不同于滚动窗口和滑动窗口,会话窗口不重叠,也没有固定的起止时间。一个会话窗口在一段时间内没有接收到元素时,即当出现非活跃间隙时关闭。一个会话窗口 分配器通过配置session gap来指定非活跃周期的时长.

a. 语义

Session 会话窗口语义如下所示:

Apache Flink 漫谈系列 - SQL概览

b. 语法

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] 决定了流是Keyed还是/Non-Keyed;

SESSION_START - 窗口开始时间;

SESSION_END - 窗口结束时间;

timeCol - 是流表中表示时间字段;

gap - 是窗口数据非活跃周期的时长;

c. SQL 示例

利用pageAccessSession_tab测试数据,我们按地域统计连续的两个访问用户之间的访问时间间隔不超过3分钟的的页面访问量(PV).

SELECT 

region, 

SESSION_START(rowtime, INTERVAL '3' MINUTE) AS winStart, 

SESSION_END(rowtime, INTERVAL '3' MINUTE) AS winEnd, 

COUNT(region) AS pv 

FROM pageAccessSession_tab 

GROUP BY region, SESSION(rowtime, INTERVAL '3' MINUTE) 

d. Result

Apache Flink 漫谈系列 - SQL概览

十二、UDX

Apache Flink 除了提供了大部分ANSI-SQL的核心算子,也为用户提供了自己编写业务代码的机会,那就是User-Defined Function,目前支持如下三种 User-Defined Function:

UDF - User-Defined Scalar Function

UDTF - User-Defined Table Function

UDAF - User-Defined Aggregate Funciton

UDX都是用户自定义的函数,那么Apache Flink框架为啥将自定义的函数分成三类呢?是根据什么划分的呢?Apache Flink对自定义函数进行分类的依据是根据函数语义的不同,函数的输入和输出不同来分类的,具体如下:

Apache Flink 漫谈系列 - SQL概览

1. UDF

a. 定义

用户想自己编写一个字符串联接的UDF,我们只需要实现ScalarFunction#eval()方法即可,简单实现如下:

object MyConnect extends ScalarFunction { 

@varargs 

def eval(args: String*): String = { 

val sb = new StringBuilder 

var i = 0 

while (i < args.length) { 

if (args(i) == null) { 

return null 

sb.append(args(i)) 

i += 1 

sb.toString 

}} 

b. 使用

... 

val fun = MyConnect 

tEnv.registerFunction("myConnect", fun) 

val sql = "SELECT myConnect(a, b) as str FROM tab" 

... 

2. UDTF

a. 定义

用户想自己编写一个字符串切分的UDTF,我们只需要实现TableFunction#eval()方法即可,简单实现如下:

ScalarFunction#eval()`

class MySplit extends TableFunction[String] { 

def eval(str: String): Unit = { 

if (str.contains("#")){ 

str.split("#").foreach(collect) 

 

def eval(str: String, prefix: String): Unit = { 

if (str.contains("#")) { 

str.split("#").foreach(s => collect(prefix + s)) 

}} 

b. 使用

... 

val fun = new MySplit() 

tEnv.registerFunction("mySplit", fun) 

val sql = "SELECT c, s FROM MyTable, LATERAL TABLE(mySplit(c)) AS T(s)" 

... 

3. UDAF

a. 定义

UDAF 要实现的接口比较多,我们以一个简单的CountAGG为例,做简单实现如下:

/** The initial accumulator for count aggregate function */ 

class CountAccumulator extends JTuple1[Long] { 

f0 = 0L //count 

 

/** 

* User-defined count aggregate function 

*/ 

class MyCount 

extends AggregateFunction[JLong, CountAccumulator] { 

 

// process argument is optimized by Calcite. 

// For instance count(42) or count(*) will be optimized to count(). 

def accumulate(acc: CountAccumulator): Unit = { 

acc.f0 += 1L 

 

// process argument is optimized by Calcite. 

// For instance count(42) or count(*) will be optimized to count(). 

def retract(acc: CountAccumulator): Unit = { 

acc.f0 -1L 

 

def accumulate(acc: CountAccumulator, value: Any): Unit = { 

if (value != null) { 

acc.f0 += 1L 

 

def retract(acc: CountAccumulator, value: Any): Unit = { 

if (value != null) { 

acc.f0 -1L 

 

override def getValue(acc: CountAccumulator): JLong = { 

acc.f0 

 

def merge(acc: CountAccumulator, its: JIterable[CountAccumulator]): Unit = { 

val iter = its.iterator() 

while (iter.hasNext) { 

acc.f0 += iter.next().f0 

 

override def createAccumulator(): CountAccumulator = { 

new CountAccumulator 

 

def resetAccumulator(acc: CountAccumulator): Unit = { 

acc.f0 = 0L 

 

override def getAccumulatorType: TypeInformation[CountAccumulator] = { 

new TupleTypeInfo(classOf[CountAccumulator], BasicTypeInfo.LONG_TYPE_INFO) 

 

override def getResultType: TypeInformation[JLong] = 

BasicTypeInfo.LONG_TYPE_INFO} 

b. 使用

... 

val fun = new MyCount() 

tEnv.registerFunction("myCount", fun) 

val sql = "SELECT myCount(c) FROM MyTable GROUP BY a" 

... 

十三、Source&Sink

#p#分页标题#e#

上面我们介绍了Apache Flink SQL核心算子的语法及语义,这部分将选取Bounded EventTime Tumble Window为例为大家编写一个完整的包括Source和Sink定义的Apache Flink SQL Job。假设有一张淘宝页面访问表(PageAccess_tab),有地域,用户ID和访问时间。我们需要按不同地域统计每2分钟的淘宝首页的访问量(PV). 具体数据如下:

Apache Flink 漫谈系列 - SQL概览

1. Source 定义

自定义Apache Flink Stream Source需要实现StreamTableSource, StreamTableSource中通过StreamExecutionEnvironment 的addSource方法获取DataStream, 所以我们需要自定义一个 SourceFunction, 并且要支持产生WaterMark,也就是要实现DefinedRowtimeAttributes接口。

(1) Source Function定义

支持接收携带EventTime的数据集合,Either的数据结构,Right表示WaterMark和Left表示数据:

class MySourceFunction[T](dataWithTimestampList: Seq[Either[(Long, T), Long]]) 

extends SourceFunction[T] { 

override def run(ctx: SourceContext[T]): Unit = { 

dataWithTimestampList.foreach { 

case Left(t) => ctx.collectWithTimestamp(t._2, t._1) 

case Right(w) => ctx.emitWatermark(new Watermark(w)) 

override def cancel(): Unit = ???} 

(2) 定义 StreamTableSource

我们自定义的Source要携带我们测试的数据,以及对应WaterMark数据,具体如下:

class MyTableSource extends StreamTableSource[Row] with DefinedRowtimeAttributes { 

 

val fieldNames = Array("accessTime", "region", "userId") 

val schema = new TableSchema(fieldNames, Array(Types.SQL_TIMESTAMP, Types.STRING, Types.STRING)) 

val rowType = new RowTypeInfo( 

Array(Types.LONG, Types.STRING, Types.STRING).asInstanceOf[Array[TypeInformation[_]]], 

fieldNames) 

 

// 页面访问表数据 rows with timestamps and watermarks 

val data = Seq

Left(1510365660000L, Row.of(new JLong(1510365660000L), "ShangHai", "U0010")), 

Right(1510365660000L), 

Left(1510365660000L, Row.of(new JLong(1510365660000L), "BeiJing", "U1001")), 

Right(1510365660000L), 

Left(1510366200000L, Row.of(new JLong(1510366200000L), "BeiJing", "U2032")), 

Right(1510366200000L), 

Left(1510366260000L, Row.of(new JLong(1510366260000L), "BeiJing", "U1100")), 

Right(1510366260000L), 

Left(1510373400000L, Row.of(new JLong(1510373400000L), "ShangHai", "U0011")), 

Right(1510373400000L) 

 

override def getRowtimeAttributeDescriptors: util.List[RowtimeAttributeDescriptor] = { 

Collections.singletonList(new RowtimeAttributeDescriptor( 

"accessTime", 

new ExistingField("accessTime"), 

PreserveWatermarks.INSTANCE)) 

 

override def getDataStream(execEnv: StreamExecutionEnvironment): DataStream[Row] = { 

execEnv.addSource(new MySourceFunction[Row](data)).setParallelism(1).returns(rowType) 

 

override def getReturnType: TypeInformation[Row] = rowType 

 

override def getTableSchema: TableSchema = schema 

 

2. Sink 定义

我们简单的将计算结果写入到Apache Flink内置支持的CSVSink中,定义Sink如下:

def getCsvTableSink: TableSink[Row] = { 

val tempFile = File.createTempFile("csv_sink_", "tem") 

// 打印sink的文件路径,方便我们查看运行结果 

println("Sink path : " + tempFile) 

if (tempFile.exists()) { 

tempFile.delete() 

new CsvTableSink(tempFile.getAbsolutePath).configure( 

Array[String]("region", "winStart", "winEnd", "pv"), 

Array[TypeInformation[_]](Types.STRING, Types.SQL_TIMESTAMP, Types.SQL_TIMESTAMP, Types.LONG))} 

3. 构建主程序

主程序包括执行环境的定义,Source/Sink的注册以及统计查SQL的执行,具体如下:

def main(args: Array[String]): Unit = { 

// Streaming 环境 

val env = StreamExecutionEnvironment.getExecutionEnvironment 

val tEnv = TableEnvironment.getTableEnvironment(env) 

 

// 设置EventTime 

env.setStreamTimeCharacteristic(TimeCharacteristic.EventTime) 

 

//方便我们查出输出数据 

env.setParallelism(1) 

 

val sourceTableName = "mySource" 

// 创建自定义source数据结构 

val tableSource = new MyTableSource 

 

val sinkTableName = "csvSink" 

// 创建CSV sink 数据结构 

val tableSink = getCsvTableSink 

 

// 注册source 

tEnv.registerTableSource(sourceTableName, tableSource) 

// 注册sink 

tEnv.registerTableSink(sinkTableName, tableSink) 

 

val sql = 

"SELECT " + 

" region, " + 

" TUMBLE_START(accessTime, INTERVAL '2' MINUTE) AS winStart," + 

" TUMBLE_END(accessTime, INTERVAL '2' MINUTE) AS winEnd, COUNT(region) AS pv " + 

" FROM mySource " + 

" GROUP BY TUMBLE(accessTime, INTERVAL '2' MINUTE), region" 

 

tEnv.sqlQuery(sql).insertInto(sinkTableName); 

env.execute() 

4. 执行并查看运行结果

执行主程序后我们会在控制台得到Sink的文件路径,如下:

Sink path : /var/folders/88/8n406qmx2z73qvrzc_rbtv_r0000gn/T/csv_sink_8025014910735142911tem 

Cat 方式查看计算结果,如下:

jinchengsunjcdeMacBook-Pro:FlinkTableApiDemo jincheng.sunjc$ cat /var/folders/88/8n406qmx2z73qvrzc_rbtv_r0000gn/T/csv_sink_8025014910735142911tem 

ShangHai,2017-11-11 02:00:00.0,2017-11-11 02:02:00.0,1 

BeiJing,2017-11-11 02:00:00.0,2017-11-11 02:02:00.0,1 

BeiJing,2017-11-11 02:10:00.0,2017-11-11 02:12:00.0,2 

ShangHai,2017-11-11 04:10:00.0,2017-11-11 04:12:00.0,1 

表格化如上结果:

Apache Flink 漫谈系列 - SQL概览

上面这个端到端的完整示例也可以应用到本篇前面介绍的其他算子示例中,只是大家根据Source和Sink的Schema不同来进行相应的构建即可!

十四、总结

#p#分页标题#e#

本篇概要的向大家介绍了SQL的由来,Apache Flink SQL 大部分核心功能,并附带了具体的测试数据和测试程序,最后以一个End-to-End的示例展示了如何编写Apache Flink SQL的Job收尾。本篇着重向大家介绍Apache Flink SQL的使用,后续我们再继续探究每个算子的实现原理。

#p#分页标题#e#

作者:孙金城,花名 金竹,目前就职于阿里巴巴,自2015年以来一直投入于基于Apache Flink的阿里巴巴计算平台Blink的设计研发工作。

【本文为51CTO专栏作者“金竹”原创稿件,转载请联系原作者】

收藏
0
有帮助
0
没帮助
0