篇首语:本文由编程笔记#小编为大家整理,主要介绍了大数据中必须要掌握的 Flink SQL 详细剖析相关的知识,希望对你有一定的参考价值。
目录
1. Flink SQL 常用算子
2. Flink SQL 实战案例
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、Spark Streaming 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。
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&#xff0c;那么在 WHERE 条件中&#xff0c;Flink SQL 同样支持 &#61;、<、>、<>、>&#61;、<&#61;
&#xff0c;以及 AND、OR
等表达式的组合&#xff0c;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&#xff1a;
SELECT name, age
FROM Table
WHERE name IN (SELECT name FROM Table2)
DISTINCT&#xff1a;
DISTINCT 用于从数据集/流中去重根据 SELECT 的结果进行去重。
示例&#xff1a;
SELECT DISTINCT name FROM Table;
对于流式查询&#xff0c;计算查询结果所需的 State 可能会无限增长&#xff0c;用户需要自己控制查询的状态范围&#xff0c;以防止状态过大。
GROUP BY&#xff1a;
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&#xff0c;每个学生的总分。
示例&#xff1a;
SELECT name, SUM(score) as TotalScore FROM Table GROUP BY name;
UNION 和 UNION ALL&#xff1a;
UNION 用于将两个结果集合并起来&#xff0c;要求两个结果集字段完全一致&#xff0c;包括字段类型、字段顺序。不同于 UNION ALL 的是&#xff0c;UNION 会对结果数据去重。
示例&#xff1a;
SELECT * FROM T1 UNION (ALL) SELECT * FROM T2;
JOIN&#xff1a;
JOIN 用于把来自两个表的数据联合起来形成结果表&#xff0c;Flink 支持的 JOIN 类型包括&#xff1a;
JOIN - INNER JOIN
LEFT JOIN - LEFT OUTER JOIN
RIGHT 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&#xff1a;
JOIN&#xff08;将订单表数据和商品表进行关联&#xff09;
SELECT * FROM Orders INNER JOIN Product ON Orders.productId &#61; 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&#xff0c;右边对应的字段补 NULL 输出&#xff0c;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&#xff1a;
SELECT * FROM Orders LEFT JOIN Product ON Orders.productId &#61; Product.id
SELECT * FROM Orders RIGHT JOIN Product ON Orders.productId &#61; Product.id
SELECT * FROM Orders FULL OUTER JOIN Product ON Orders.productId &#61; Product.id
Group Window&#xff1a;
根据窗口数据划分的不同&#xff0c;目前 Apache Flink 有如下 3 种 Bounded Window&#xff1a;
Tumble&#xff0c;滚动窗口&#xff0c;窗口数据有固定的大小&#xff0c;窗口数据无叠加&#xff1b;
Hop&#xff0c;滑动窗口&#xff0c;窗口数据有固定大小&#xff0c;并且有固定的窗口重建频率&#xff0c;窗口数据有叠加&#xff1b;
Session&#xff0c;会话窗口&#xff0c;窗口数据没有固定的大小&#xff0c;根据窗口数据活跃程度划分窗口&#xff0c;窗口数据无叠加。
Tumble Window&#xff1a;
Tumble 滚动窗口有固定大小&#xff0c;窗口数据不重叠&#xff0c;具体语义如下&#xff1a;
Tumble 滚动窗口对应的语法如下&#xff1a;
SELECT
[gk],
[TUMBLE_START(timeCol, size)],
[TUMBLE_END(timeCol, size)],
agg1(col1),
...
aggn(colN)
FROM Tab1
GROUP BY [gk], TUMBLE(timeCol, size)
其中&#xff1a;
[gk] 决定了是否需要按照字段进行聚合&#xff1b;
TUMBLE_START 代表窗口开始时间&#xff1b;
TUMBLE_END 代表窗口结束时间&#xff1b;
timeCol 是流表中表示时间字段&#xff1b;
size 表示窗口的大小&#xff0c;如 秒、分钟、小时、天。
举个例子&#xff0c;假如我们要计算每个人每天的订单量&#xff0c;按照 user 进行聚合分组&#xff1a;
SELECT user,
TUMBLE_START(rowtime, INTERVAL ‘1’ DAY) as wStart,
SUM(amount)
FROM Orders
GROUP BY TUMBLE(rowtime, INTERVAL ‘1’ DAY), user;
Hop Window&#xff1a;
Hop 滑动窗口和滚动窗口类似&#xff0c;窗口有固定的 size&#xff0c;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&#xff0c;具体语义如下&#xff1a;
Hop 滑动窗口对应语法如下&#xff1a;
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&#xff1a;
[gk] 决定了是否需要按照字段进行聚合&#xff1b;
HOP_START 表示窗口开始时间&#xff1b;
HOP_END 表示窗口结束时间&#xff1b;
timeCol 表示流表中表示时间字段&#xff1b;
slide 表示每次窗口滑动的大小&#xff1b;
size 表示整个窗口的大小&#xff0c;如 秒、分钟、小时、天。
举例说明&#xff0c;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&#xff1a;
SELECT product,
SUM(amount)
FROM Orders
GROUP BY HOP(rowtime, INTERVAL &#39;1&#39; HOUR, INTERVAL &#39;1&#39; DAY), product
Session Window&#xff1a;
会话时间窗口没有固定的持续时间&#xff0c;但它们的界限由 interval 不活动时间定义&#xff0c;即如果在定义的间隙期间没有出现事件&#xff0c;则会话窗口关闭。
Seeeion 会话窗口对应语法如下&#xff1a;
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&#xff1b;
SESSION_START 表示窗口开始时间&#xff1b;
SESSION_END 表示窗口结束时间&#xff1b;
timeCol 表示流表中表示时间字段&#xff1b;
gap 表示窗口数据非活跃周期的时长。
例如&#xff0c;我们需要计算每个用户访问时间 12 小时内的订单量&#xff1a;
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&#xff1a;
另外&#xff0c;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&#xff0c;您需要添加&#xff1a;
1) 批数据 SQL
用法&#xff1a;
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
示例&#xff1a;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&#xff08;订单 ID、用户名、订单日期、订单金额&#xff09;:
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)
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&#xff08;订单名、用户名、订单日期、订单金额&#xff09;
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&#xff08;统计用户消费订单的总金额、最大金额、最小金额、订单总数&#xff09;
使用 TableEnv.toDataSet 将 Table 转换为 DataSet
打印测试
示例代码&#xff1a;
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.api.scala._
import org.apache.flink.types.Row
/**
* 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。
*/
object BatchFlinkSqlDemo
//3. 创建一个样例类 Order 用来映射数据&#xff08;订单名、用户名、订单日期、订单金额&#xff09;
case class Order(id:Int, userName:String, createTime:String, money:Double)
def main(args: Array[String]): Unit &#61;
/**
* 实现思路&#xff1a;
* 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&#xff08;订单名、用户名、订单日期、订单金额&#xff09;
* 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&#xff08;统计用户消费订单的总金额、最大金额、最小金额、订单总数&#xff09;
* 7. 使用TableEnv.toDataSet将Table转换为DataSet
* 8. 打印测试
*/
//1. 获取一个批处理运行环境
val env: ExecutionEnvironment &#61; ExecutionEnvironment.getExecutionEnvironment
//2. 获取一个Table运行环境
val tabEnv: BatchTableEnvironment &#61; TableEnvironment.getTableEnvironment(env)
//4. 基于本地 Order 集合创建一个DataSet source
val orderDataSet: DataSet[Order] &#61; 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
tabEnv.registerDataSet("t_order", orderDataSet)
//6. 使用SQL语句来操作数据&#xff08;统计用户消费订单的总金额、最大金额、最小金额、订单总数&#xff09;
//用户消费订单的总金额、最大金额、最小金额、订单总数。
val sql &#61;
"""
| select
| userName,
| sum(money) totalMoney,
| max(money) maxMoney,
| min(money) minMoney,
| count(1) totalCount
| from t_order
| group by userName
|""".stripMargin //在scala中stripMargin默认是“|”作为多行连接符
//7. 使用TableEnv.toDataSet将Table转换为DataSet
val table: Table &#61; tabEnv.sqlQuery(sql)
table.printSchema()
tabEnv.toDataSet[Row](table).print()
2) 流数据 SQL
流处理中也可以支持 SQL。但是需要注意以下几点&#xff1a;
要使用流处理的 SQL&#xff0c;必须要添加水印时间
使用 registerDataStream 注册表的时候&#xff0c;使用 &#39; 来指定字段
注册表的时候&#xff0c;必须要指定一个 rowtime&#xff0c;否则无法在 SQL 中使用窗口
必须要导入 import org.apache.flink.table.api.scala._ 隐式参数
SQL 中使用 trumble(时间列名, interval &#39;时间&#39; sencond) 来进行定义窗口
示例&#xff1a;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
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 &#xff0c;包含四个字段&#xff08;订单 ID、用户 ID、订单金额、时间戳&#xff09;
使用 for 循环生成 1000 个订单
随机生成订单 ID&#xff08;UUID&#xff09;
随机生成用户 ID&#xff08;0-2&#xff09;
随机生成订单金额&#xff08;0-100&#xff09;
时间戳为当前系统时间
每隔 1 秒生成一个订单
添加水印&#xff0c;允许延迟 2 秒
导入 import org.apache.flink.table.api.scala._ 隐式参数
使用 registerDataStream 注册表&#xff0c;并分别指定字段&#xff0c;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 &#39;窗口时间&#39; second) 来创建窗口
使用 tableEnv.sqlQuery 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
示例代码&#xff1a;
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.scala.DataStream, StreamExecutionEnvironment
import org.apache.flink.table.api.Table, TableEnvironment
import org.apache.flink.api.scala._
import org.apache.flink.streaming.api.functions.AssignerWithPeriodicWatermarks
import org.apache.flink.streaming.api.functions.timestamps.BoundedOutOfOrdernessTimestampExtractor
import org.apache.flink.streaming.api.watermark.Watermark
import org.apache.flink.streaming.api.windowing.time.Time
import org.apache.flink.types.Row
import scala.util.Random
/**
* 需求&#xff1a;
* 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
*
* timestamp是关键字不能作为字段的名字&#xff08;关键字不能作为字段名字&#xff09;
*/
object StreamFlinkSqlDemo
/**
* 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 &#xff0c;包含四个字段&#xff08;订单ID、用户ID、订单金额、时间戳&#xff09;
* 5. 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&#xff08;UUID&#xff09;
* 随机生成用户ID&#xff08;0-2&#xff09;
* 随机生成订单金额&#xff08;0-100&#xff09;
* 时间戳为当前系统时间
* 每隔1秒生成一个订单
* 6. 添加水印&#xff0c;允许延迟2秒
* 7. 导入 import org.apache.flink.table.api.scala._ 隐式参数
* 8. 使用 registerDataStream 注册表&#xff0c;并分别指定字段&#xff0c;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 &#39;窗口时间&#39; second) 来创建窗口
* 10. 使用 tableEnv.sqlQuery 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
*/
// 3. 创建一个订单样例类&#96;Order&#96;&#xff0c;包含四个字段&#xff08;订单ID、用户ID、订单金额、时间戳&#xff09;
case class Order(orderId:String, userId:Int, money:Long, createTime:Long)
def main(args: Array[String]): Unit &#61;
// 1. 创建流处理运行环境
val env: StreamExecutionEnvironment &#61; StreamExecutionEnvironment.getExecutionEnvironment
// 2. 设置处理时间为&#96;EventTime&#96;
env.setStreamTimeCharacteristic(TimeCharacteristic.EventTime)
//获取table的运行环境
val tableEnv &#61; TableEnvironment.getTableEnvironment(env)
// 4. 创建一个自定义数据源
val orderDataStream &#61; env.addSource(new RichSourceFunction[Order]
var isRunning &#61; true
override def run(ctx: SourceFunction.SourceContext[Order]): Unit &#61;
// - 随机生成订单ID&#xff08;UUID&#xff09;
// - 随机生成用户ID&#xff08;0-2&#xff09;
// - 随机生成订单金额&#xff08;0-100&#xff09;
// - 时间戳为当前系统时间
// - 每隔1秒生成一个订单
for (i <- 0 until 1000 if isRunning)
val order &#61; Order(UUID.randomUUID().toString, Random.nextInt(3), Random.nextInt(101),
System.currentTimeMillis())
TimeUnit.SECONDS.sleep(1)
ctx.collect(order)
override def cancel(): Unit &#61; isRunning &#61; false
)
// 5. 添加水印&#xff0c;允许延迟2秒
val watermarkDataStream &#61; orderDataStream.assignTimestampsAndWatermarks(
new BoundedOutOfOrdernessTimestampExtractor[Order](Time.seconds(2))
override def extractTimestamp(element: Order): Long &#61;
val eventTime &#61; element.createTime
eventTime
)
// 6. 导入&#96;import org.apache.flink.table.api.scala._&#96;隐式参数
// 7. 使用&#96;registerDataStream&#96;注册表&#xff0c;并分别指定字段&#xff0c;还要指定rowtime字段
import org.apache.flink.table.api.scala._
tableEnv.registerDataStream("t_order", watermarkDataStream, &#39;orderId, &#39;userId, &#39;money,&#39;createTime.rowtime)
// 8. 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&#96;tumble(时间列, interval &#39;窗口时间&#39; second)&#96;来创建窗口
val sql &#61;
"""
|select
| userId,
| count(1) as totalCount,
| max(money) as maxMoney,
| min(money) as minMoney
| from
| t_order
| group by
| tumble(createTime, interval &#39;5&#39; second),
| userId
""".stripMargin
// 9. 使用&#96;tableEnv.sqlQuery&#96;执行sql语句
val table: Table &#61; tableEnv.sqlQuery(sql)
// 10. 将SQL的执行结果转换成DataStream再打印出来
table.toRetractStream[Row].print()
env.execute("StreamSQLApp")