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。
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。
SQL:
value1 = value2
value1 > value2
Table API:
ANY1 === ANY2
ANY1 > ANY2
SQL:
boolean1 OR boolean2
boolean IS FALSE
NOT boolean
Table API:
BOOLEAN1 || BOOLEAN2
BOOLEAN.isFalse
!BOOLEAN
SQL:
numeric1 + numeric2
POWER(numeric1, numeric2)
Table API:
NUMERIC1 + NUMERIC2
NUMERIC1.power(NUMERIC2)
SQL:
string1 || string2
UPPER(string)
CHAR_LENGTH(string)
Table API:
STRING1 + STRING2
STRING.upperCase()
STRING.charLength()
SQL:
DATE string
TIMESTAMP string
CURRENT_TIME
INTERVAL string range
Table API:
STRING.toDate
STRING.toTimestamp
currentTime()
NUMERIC.days
NUMERIC.minutes
SQL:
COUNT(*)
SUM([ ALL | DISTINCT ] expression)
RANK()
ROW_NUMBER()
Table API:
FIELD.count
FIELD.sum0
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。
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。
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Scalar Function,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。
// 自定义一个标量函数 class HashCodeFunction extends ScalarFunction { private var factor: Int = 0 override def open(context: FunctionContext): Unit = { // 获取参数 "hashcode_factor" // 如果不存在,则使用默认值 "12" factor = context.getJobParameter("hashcode_factor", "12").toInt } 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):
import org.apache.flink.streaming.api.scala.StreamExecutionEnvironment import org.apache.flink.api.scala._ import org.apache.flink.table.api._ import org.apache.flink.table.api.bridge.scala._ import org.apache.flink.table.functions.{FunctionContext, ScalarFunction} import org.apache.flink.types.Row object ScalarFunctionExample { def main(args: Array[String]): Unit = { StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment env.setParallelism(1) val stream = env.addSource(new SensorSource) val settings = EnvironmentSettings .newInstance() .inStreamingMode() .build() val tEnv = StreamTableEnvironment.create(env, settings) tEnv.getConfig.addJobParameter("hashcode_factor", "31") tEnv.createTemporaryView("sensor", stream) // 在 Table API 里不经注册直接“内联”调用函数 tEnv.from("sensor").select(call(classOf[HashCodeFunction], $"id")) // sql 写法 // 注册函数 tEnv.createTemporarySystemFunction("hashCode", classOf[HashCodeFunction]) // 在 Table API 里调用注册好的函数 tEnv.from("sensor").select(call("hashCode", $"id")) tEnv .sqlQuery("SELECT id, hashCode(id) FROM sensor") .toAppendStream[Row] .print() env.execute() } class HashCodeFunction extends ScalarFunction { private var factor: Int = 0 override def open(context: FunctionContext): Unit = { // 获取参数 "hashcode_factor" // 如果不存在,则使用默认值 "12" factor = context.getJobParameter("hashcode_factor", "12").toInt } def eval(s: String): Int = { s.hashCode * factor } } }
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(),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:
// 自定义TableFunction @FunctionHint(output = new DataTypeHint("ROW")) class SplitFunction extends TableFunction[Row] { def eval(str: String): Unit = { // use collect(...) to emit a row str.split("#").foreach(s => collect(Row.of(s, Int.box(s.length)))) } }
完整代码:
import org.apache.flink.streaming.api.scala.StreamExecutionEnvironment import org.apache.flink.api.scala._ import org.apache.flink.table.annotation.{DataTypeHint, FunctionHint} import org.apache.flink.table.api._ import org.apache.flink.table.api.bridge.scala._ import org.apache.flink.table.functions.TableFunction import org.apache.flink.types.Row object TableFunctionExample { def main(args: Array[String]): Unit = { val env = StreamExecutionEnvironment.getExecutionEnvironment env.setParallelism(1) val stream = env .fromElements( "hello#world", "atguigu#bigdata" ) val settings = EnvironmentSettings .newInstance() .inStreamingMode() .build() val tEnv = StreamTableEnvironment.create(env, settings) tEnv.createTemporaryView("MyTable", stream, $"s") // 注册函数 tEnv.createTemporarySystemFunction("SplitFunction", classOf[SplitFunction]) // 在 Table API 里调用注册好的函数 tEnv .from("MyTable") .joinLateral(call("SplitFunction", $"s")) .select($"s", $"word", $"length") .toAppendStream[Row] .print() tEnv .from("MyTable") .leftOuterJoinLateral(call("SplitFunction", $"s")) .select($"s", $"word", $"length") // 在 SQL 里调用注册好的函数 tEnv.sqlQuery( "SELECT s, word, length " + "FROM MyTable, LATERAL TABLE(SplitFunction(s))") tEnv.sqlQuery( "SELECT s, word, length " + "FROM MyTable " + "LEFT JOIN LATERAL TABLE(SplitFunction(s)) ON TRUE") env.execute() } @FunctionHint(output = new DataTypeHint("ROW")) class SplitFunction extends TableFunction[Row] { def eval(str: String): Unit = { // use collect(...) to emit a row str.split("#").foreach(s => collect(Row.of(s, Int.box(s.length)))) } } }
用户自定义聚合函数(User-Defined Aggregate Functions,UDAGGs)可以把一个表中的数据,聚合成一个标量值。用户定义的聚合函数,是通过继承AggregateFunction抽象类实现的。
上图中显示了一个聚合的例子。
假设现在有一张表,包含了各种饮料的数据。该表由三列(id、name和price)、五行组成数据。现在我们需要找到表中所有饮料的最高价格,即执行max()聚合,结果将是一个数值。
AggregateFunction的工作原理如下。
AggregationFunction要求必须实现的方法:
除了上述方法之外,还有一些可选择实现的方法。其中一些方法,可以让系统执行查询更有效率,而另一些方法,对于某些场景是必需的。例如,如果聚合函数应用在会话窗口(session group window)的上下文中,则merge()方法是必需的。
接下来我们写一个自定义AggregateFunction,计算一下每个sensor的平均温度值。
// 定义AggregateFunction的Accumulator class AvgTempAcc { var sum: Double = 0.0 var count: Int = 0 } class AvgTemp extends AggregateFunction[Double, AvgTempAcc] { override def getValue(accumulator: AvgTempAcc): Double = accumulator.sum / accumulator.count override def createAccumulator(): AvgTempAcc = new AvgTempAcc def accumulate(accumulator: AvgTempAcc, temp: Double): Unit ={ accumulator.sum += temp accumulator.count += 1 } }
接下来就可以在代码中调用了。
// 创建一个聚合函数实例 val avgTemp = new AvgTemp() // Table API的调用 val resultTable = sensorTable .groupBy($"id") .aggregate(avgTemp($"temperature") as $"avgTemp") .select($"id", $"avgTemp") // SQL的实现 tableEnv.createTemporaryView("sensor", sensorTable) tableEnv.registerFunction("avgTemp", avgTemp) val resultSqlTable = tableEnv.sqlQuery( """ |SELECT |id, avgTemp(temperature) |FROM |sensor |GROUP BY id """.stripMargin) // 转换成流打印输出 resultTable.toRetractStream[(String, Double)].print("agg temp") resultSqlTable.toRetractStream[Row].print("agg temp sql")
用户定义的表聚合函数(User-Defined Table Aggregate Functions,UDTAGGs),可以把一个表中数据,聚合为具有多行和多列的结果表。这跟AggregateFunction非常类似,只是之前聚合结果是一个标量值,现在变成了一张表。
比如现在我们需要找到表中所有饮料的前2个最高价格,即执行top2()表聚合。我们需要检查5行中的每一行,得到的结果将是一个具有排序后前2个值的表。
用户定义的表聚合函数,是通过继承TableAggregateFunction抽象类来实现的。
TableAggregateFunction的工作原理如下。
AggregationFunction要求必须实现的方法:
除了上述方法之外,还有一些可选择实现的方法。
接下来我们写一个自定义TableAggregateFunction,用来提取每个sensor最高的两个温度值。
// 先定义一个 Accumulator class Top2TempAcc{ var highestTemp: Double = Int.MinValue var secondHighestTemp: Double = Int.MinValue } // 自定义 TableAggregateFunction class Top2Temp extends TableAggregateFunction[(Double, Int), Top2TempAcc]{ override def createAccumulator(): Top2TempAcc = new Top2TempAcc def accumulate(acc: Top2TempAcc, temp: Double): Unit ={ if( temp > acc.highestTemp ){ acc.secondHighestTemp = acc.highestTemp acc.highestTemp = temp } else if( temp > acc.secondHighestTemp ){ acc.secondHighestTemp = temp } } def emitValue(acc: Top2TempAcc, out: Collector[(Double, Int)]): Unit ={ out.collect(acc.highestTemp, 1) out.collect(acc.secondHighestTemp, 2) } }
接下来就可以在代码中调用了。
// 创建一个表聚合函数实例 val top2Temp = new Top2Temp() // Table API的调用 val resultTable = sensorTable .groupBy($"id") .flatAggregate(top2Temp($"temperature") as ($"temp", $"rank")) .select($"id", $"temp", $"rank") // 转换成流打印输出 resultTable.toRetractStream[(String, Double, Int)].print("agg temp") resultSqlTable.toRetractStream[Row].print("agg temp sql")