01 引言
在前面的博客,我们学习了Flink
的一些高级API
,有兴趣的同学可以参阅下:
- 《Flink教程(01)- Flink知识图谱》
- 《Flink教程(02)- Flink入门》
- 《Flink教程(03)- Flink环境搭建》
- 《Flink教程(04)- Flink入门案例》
- 《Flink教程(05)- Flink原理简单分析》
- 《Flink教程(06)- Flink批流一体API(Source示例)》
- 《Flink教程(07)- Flink批流一体API(Transformation示例)》
- 《Flink教程(08)- Flink批流一体API(Sink示例)》
- 《Flink教程(09)- Flink批流一体API(Connectors示例)》
- 《Flink教程(10)- Flink批流一体API(其它)》
- 《Flink教程(11)- Flink高级API(Window)》
- 《Flink教程(12)- Flink高级API(Time与Watermaker)》
- 《Flink教程(13)- Flink高级API(状态管理)》
- 《Flink教程(14)- Flink高级API(容错机制)》
- 《Flink教程(15)- Flink高级API(并行度)》
在前面已经讲了Flink
的批流一体API
以及高级API了
,接下来主要讲的是Flink
的Table
与SQL
。
02 Table API & SQL 介绍
2.1 Flink Table模块
参考:https://ci.apache.org/projects/flink/flink-docs-release-1.12/dev/table/
Flink的Table模块包括 Table API
和 SQL
:
- Table API: 是一种类
SQL
的API
,通过Table API
,用户可以像操作表一样操作数据,非常直观和方便; - SQL:作为一种声明式语言,有着标准的语法和规范,用户可以不用关心底层实现即可进行数据的处理,非常易于上手。
Flink Table API
和 SQL
的实现上有80%左右的代码是公用的。作为一个流批统一的计算引擎,Flink
的 Runtime
层是统一的。
2.2 Table API & SQL特点
Flink
之所以选择将 Table API & SQL
作为未来的核心 API
,是因为其具有一些非常重要的特点:
- 声明式:用户只关心做什么,不用关心怎么做
- 高性能:支持查询优化,可以获取更好的执行性能
- 批流统一:相同的统计逻辑,既可以流模式运行,也可以批模式运行
- 标准稳定:语义遵循SQL标准,不易变动
- 易理解:语义明确,所见即所得
使用举例:
Table API | SQL |
tab.groupBy(“word”).select("word,count(1) as count") |
SELECT word,COUNT(*) AS cnt FROM MyTable GROUP BY word |
2.3 Table API& SQL发展历程
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!
架构升级:
查询处理器的选择 :Flink1.11
之后Blink Query Processor查询处理器已经是默认的了。
03 开发准备
参考:https://ci.apache.org/projects/flink/flink-docs-release-1.12/dev/table/
3.1 添加依赖
<dependency> <groupId>org.apache.flink</groupId> <artifactId>flink-table-api-scala-bridge_2.12</artifactId> <version>${flink.version}</version> <scope>provided</scope> </dependency> <dependency> <groupId>org.apache.flink</groupId> <artifactId>flink-table-api-java-bridge_2.12</artifactId> <version>${flink.version}</version> <scope>provided</scope> </dependency> <!-- flink执行计划,这是1.9版本之前的--> <dependency> <groupId>org.apache.flink</groupId> <artifactId>flink-table-planner_2.12</artifactId> <version>${flink.version}</version> </dependency> <!-- blink执行计划,1.11+默认的--> <dependency> <groupId>org.apache.flink</groupId> <artifactId>flink-table-planner-blink_2.12</artifactId> <version>${flink.version}</version> <scope>provided</scope> </dependency> <dependency> <groupId>org.apache.flink</groupId> <artifactId>flink-table-common</artifactId> <version>${flink.version}</version> <scope>provided</scope> </dependency>
解析:
- flink-table-common:这个包中主要是包含
Flink Planner
和Blink Planner
一些共用的代码。 - flink-table-api-java:这部分是用户编程使用的
API
,包含了大部分的API
。 - flink-table-api-scala:这里只是非常薄的一层,仅和
Table API
的 Expression 和DSL
相关。 - 两个 Planner:
flink-table-planner
和flink-table-planner-blink
。 - 两个 Bridge:
flink-table-api-scala-bridge
和flink-table-api-java-bridge
Flink Planner
和Blink Planner
都会依赖于具体的JavaAPI
,也会依赖于具体的Bridge
,通过Bridge
可以将API
操作相应的转化为Scala
的DataStream
、DataSet
,或者转化为JAVA
的DataStream
或者Data Set
3.2 程序结构
// create a TableEnvironment for specific planner batch or streaming TableEnvironment tableEnv = ...; // see "Create a TableEnvironment" section // create a Table tableEnv.connect(...).createTemporaryTable("table1"); // register an output Table tableEnv.connect(...).createTemporaryTable("outputTable"); // create a Table object from a Table API query Table tapiResult = tableEnv.from("table1").select(...); // create a Table object from a SQL query Table sqlResult = tableEnv.sqlQuery("SELECT ... FROM table1 ... "); // emit a Table API result Table to a TableSink, same for SQL result TableResult tableResult = tapiResult.executeInsert("outputTable"); tableResult...
3.3 API
3.3.1 获取环境
// ********************** // FLINK STREAMING QUERY // ********************** import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment; import org.apache.flink.table.api.EnvironmentSettings; import org.apache.flink.table.api.bridge.java.StreamTableEnvironment; EnvironmentSettings fsSettings = EnvironmentSettings.newInstance().useOldPlanner().inStreamingMode().build(); StreamExecutionEnvironment fsEnv = StreamExecutionEnvironment.getExecutionEnvironment(); StreamTableEnvironment fsTableEnv = StreamTableEnvironment.create(fsEnv, fsSettings); // or TableEnvironment fsTableEnv = TableEnvironment.create(fsSettings); // ****************** // FLINK BATCH QUERY // ****************** import org.apache.flink.api.java.ExecutionEnvironment; import org.apache.flink.table.api.bridge.java.BatchTableEnvironment; ExecutionEnvironment fbEnv = ExecutionEnvironment.getExecutionEnvironment(); BatchTableEnvironment fbTableEnv = BatchTableEnvironment.create(fbEnv); // ********************** // BLINK STREAMING QUERY // ********************** import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment; import org.apache.flink.table.api.EnvironmentSettings; import org.apache.flink.table.api.bridge.java.StreamTableEnvironment; StreamExecutionEnvironment bsEnv = StreamExecutionEnvironment.getExecutionEnvironment(); EnvironmentSettings bsSettings = EnvironmentSettings.newInstance().useBlinkPlanner().inStreamingMode().build(); StreamTableEnvironment bsTableEnv = StreamTableEnvironment.create(bsEnv, bsSettings); // or TableEnvironment bsTableEnv = TableEnvironment.create(bsSettings); // ****************** // BLINK BATCH QUERY // ****************** import org.apache.flink.table.api.EnvironmentSettings; import org.apache.flink.table.api.TableEnvironment; EnvironmentSettings bbSettings = EnvironmentSettings.newInstance().useBlinkPlanner().inBatchMode().build(); TableEnvironment bbTableEnv = TableEnvironment.create(bbSettings);
3.3.3 创建表
// get a TableEnvironment TableEnvironment tableEnv = ...; // see "Create a TableEnvironment" section // table is the result of a simple projection query Table projTable = tableEnv.from("X").select(...); // register the Table projTable as table "projectedTable" tableEnv.createTemporaryView("projectedTable", projTable);
tableEnvironment .connect(...) .withFormat(...) .withSchema(...) .inAppendMode() .createTemporaryTable("MyTable")
3.3.4 查询表
Table API:
// get a TableEnvironment TableEnvironment tableEnv = ...; // see "Create a TableEnvironment" section // register Orders table // scan registered Orders table Table orders = tableEnv.from("Orders");// compute revenue for all customers from France Table revenue = orders .filter($("cCountry") .isEqual("FRANCE")) .groupBy($("cID"), $("cName") .select($("cID"), $("cName"), $("revenue") .sum() .as("revSum")); // emit or convert Table // execute query
SQL:
// get a TableEnvironment TableEnvironment tableEnv = ...; // see "Create a TableEnvironment" section // register Orders table // compute revenue for all customers from France Table revenue = tableEnv.sqlQuery( "SELECT cID, cName, SUM(revenue) AS revSum " + "FROM Orders " + "WHERE cCountry = 'FRANCE' " + "GROUP BY cID, cName" ); // emit or convert Table // execute query
// get a TableEnvironment TableEnvironment tableEnv = ...; // see "Create a TableEnvironment" section // register "Orders" table // register "RevenueFrance" output table // compute revenue for all customers from France and emit to "RevenueFrance" tableEnv.executeSql( "INSERT INTO RevenueFrance " + "SELECT cID, cName, SUM(revenue) AS revSum " + "FROM Orders " + "WHERE cCountry = 'FRANCE' " + "GROUP BY cID, cName" );
3.3.5 写出表
// get a TableEnvironment TableEnvironment tableEnv = ...; // see "Create a TableEnvironment" section // create an output Table final Schema schema = new Schema() .field("a", DataTypes.INT()) .field("b", DataTypes.STRING()) .field("c", DataTypes.BIGINT()); tableEnv.connect(new FileSystem().path("/path/to/file")) .withFormat(new Csv().fieldDelimiter('|').deriveSchema()) .withSchema(schema) .createTemporaryTable("CsvSinkTable"); // compute a result Table using Table API operators and/or SQL queries Table result = ... // emit the result Table to the registered TableSink result.executeInsert("CsvSinkTable");
3.3.6 与DataSet/DataStream集成
3.3.6.1 从DataStream和DataSet创建视图
Create a View from a DataStream or DataSet:
// get StreamTableEnvironment // registration of a DataSet in a BatchTableEnvironment is equivalent StreamTableEnvironment tableEnv = ...; // see "Create a TableEnvironment" section DataStream<Tuple2<Long, String>> stream = ... // register the DataStream as View "myTable" with fields "f0", "f1" tableEnv.createTemporaryView("myTable", stream); // register the DataStream as View "myTable2" with fields "myLong", "myString" tableEnv.createTemporaryView("myTable2", stream, $("myLong"), $("myString"));
3.3.6.2 转换DataStream和DataSet到表
Convert a DataStream or DataSet into a Table:
// get StreamTableEnvironment// registration of a DataSet in a BatchTableEnvironment is equivalent StreamTableEnvironment tableEnv = ...; // see "Create a TableEnvironment" section DataStream<Tuple2<Long, String>> stream = ... // Convert the DataStream into a Table with default fields "f0", "f1" Table table1 = tableEnv.fromDataStream(stream); // Convert the DataStream into a Table with fields "myLong", "myString" Table table2 = tableEnv.fromDataStream(stream, $("myLong"), $("myString"));
3.3.6.3 转换表到DataStream
Convert a Table into a DataStream:
- 追加模式(Append Mode):只有当动态表仅通过插入更改进行修改时,才能使用此模式,即,它是仅追加模式,并且以前发出的结果从不更新;
- 撤回模式(Retract Mode):此模式始终可用。它使用布尔标志对插入和删除更改进行编码。
// get StreamTableEnvironment. StreamTableEnvironment tableEnv = ...; // see "Create a TableEnvironment" section // Table with two fields (String name, Integer age) Table table = ... // convert the Table into an append DataStream of Row by specifying the class DataStream<Row> dsRow = tableEnv.toAppendStream(table, Row.class); // convert the Table into an append DataStream of Tuple2<String, Integer> // via a TypeInformation TupleTypeInfo<Tuple2<String, Integer>> tupleType = new TupleTypeInfo<>( Types.STRING(), Types.INT()); DataStream<Tuple2<String, Integer>> dsTuple = tableEnv.toAppendStream(table, tupleType); // convert the Table into a retract DataStream of Row. // A retract stream of type X is a DataStream<Tuple2<Boolean, X>>. // The boolean field indicates the type of the change. // True is INSERT, false is DELETE. DataStream<Tuple2<Boolean, Row>> retractStream = tableEnv.toRetractStream(table, Row.class);
3.3.6.3 转换表到DataSet
Convert a Table into a DataSet:
// get BatchTableEnvironment BatchTableEnvironment tableEnv = BatchTableEnvironment.create(env); // Table with two fields (String name, Integer age) Table table = ... // convert the Table into a DataSet of Row by specifying a class DataSet<Row> dsRow = tableEnv.toDataSet(table, Row.class); // convert the Table into a DataSet of Tuple2<String, Integer> via a TypeInformationTupleTypeInfo<Tuple2<String, Integer>> tupleType = new TupleTypeInfo<>( Types.STRING(), Types.INT()); DataSet<Tuple2<String, Integer>> dsTuple = tableEnv.toDataSet(table, tupleType);
3.3.7 TableAPI
参考:https://ci.apache.org/projects/flink/flink-docs-release-1.12/dev/table/tableApi.html
3.3.8 SQL
参考:https://ci.apache.org/projects/flink/flink-docs-release-1.12/dev/table/sql/
04 相关概念
参考:https://ci.apache.org/projects/flink/flink-docs-release-1.12/dev/table/streaming/dynamic_tables.html
4.1 动态表和连续查询
在Flink中,它把针对无界流的表称之为Dynamic Table
(动态表)。它是Flink Table API
和SQL
的核心概念,顾名思义,它表示了Table是不断变化的。
我们可以这样来理解,当我们用Flink
的API
,建立一个表,其实把它理解为建立一个逻辑结构,这个逻辑结构需要映射到数据上去。
Flink source
源源不断的流入数据,就好比每次都往表上新增一条数据。表中有了数据,我们就可以使用SQL
去查询了。要注意一下,流处理中的数据是只有新增的,所以看起来数据会源源不断地添加到表中。
动态表也是一种表,既然是表,就应该能够被查询。我们来回想一下原先我们查询表的场景。
打开编译工具,编写一条SQL
语句
- 将
SQL
语句放入到mysql
的终端执行 - 查看结果
- 再编写一条
SQL
语句 - 再放入到终端执行
- 再查看结果
- ……如此反复
而针对动态表,Flink
的source
端肯定是源源不断地会有数据流入,然后我们基于这个数据流建立了一张表,再编写SQ
L语句查询数据,进行处理。这个SQL
语句一定是不断地执行的,而不是只执行一次。
注意:针对流处理的SQL
绝对不会像批式处理一样,执行一次拿到结果就完了。而是会不停地执行,不断地查询获取结果处理。所以,官方给这种查询方式取了一个名字,叫Continuous Query
,中文翻译过来叫连续查询。而且每一次查询出来的数据也是不断变化的。
该示意图描述了:我们通过建立动态表和连续查询来实现在无界流中的SQL
操作。
大家也可以看到,在Continuous
上面有一个State
,表示查询出来的结果会存储在State
中,再下来Flink
最终还是使用流来进行处理。
所以,我们可以理解为Flink
的Table API
和SQL
,是一个逻辑模型,通过该逻辑模型可以让我们的数据处理变得更加简单。
4.2 表与Stream的转换
4.2.1 表中的Update和Delete
我们前面提到的表示不断地 Append
,表的数据是一直累加的,因为表示对接Source
的,Source
是不会有update
的,但如果我们编写了一个SQL
。这个SQL看起来是这样的:
SELECT user, sum(money) FROM order GROUP BY user;
当执行一条SQL语句之后,这条语句的结果还是一个表,因为在Flink
中执行的SQL
是Continuous Query
,这个表的数据是不断变化的。新创建的表存在Update
的情况。仔细看下下面的示例,例如:
- 第一条数据,张三,2000,执行这条SQL语句的结果是,张三,2000
- 第二条数据,李四,1500,继续执行这条SQL语句,结果是,张三,2000 | 李四,1500
- 第三条数据,张三,300,继续执行这条SQL语句,结果是,张三,2300 | 李四,1500
- ….
大家发现了吗,现在数据结果是有Update的,张三一开始是2000,但后面变成了2300。
那还有删除的情况吗?有的,看下面这条SQL语句:
SELECT t1.`user`, SUM(t1.`money`) FROM t_order t1 WHERE NOT EXISTS (SELECT T2.`user`AS TOTAL_MONEY FROM t_order t2 WHERE T2.`user` = T1.`user` GROUP BY t2.`user` HAVING SUM(T2.`money`) > 3000) GROUP BY t1.`user`GROUP BY t1.`user`
- 第一条数据,张三,2000,执行这条SQL语句的结果是,张三,2000
- 第二条数据,李四,1500,继续执行这条SQL语句,结果是,张三,2000 | 李四,1500
- 第三条数据,张三,300,继续执行这条SQL语句,结果是,张三,2300 | 李四,1500
- 第四条数据,张三,800,继续执行这条SQL语句,结果是,李四,1500
因为张三的消费的金额已经超过了3000,所以SQL执行完后,张三是被处理掉了。从数据的角度来看,它不就是被删除了吗?
通过上面的两个示例,可以知道在Flink SQL
中,对接Source
的表都是Append-only
的,不断地增加,执行一些SQL
生成的表,这个表可能是要UPDATE
的、也可能是要INSERT
的。
4.2.2 对表的编码操作
我们前面说到过,表是一种逻辑结构,而Flink
中的核心还是Stream
,所以,Table
最终还是会以Stream
方式来继续处理,如果是以Stream
方式处理,最终Stream
中的数据有可能会写入到其他的外部系统中,例如:将Stream
中的数据写入到MySQL
中。
我们前面也看到了,表是有可能会
UPDATE
和DELETE
的,那么如果是输出到MySQL
中,就要执行UPDATE
和DELETE
语句了,而DataStream
我们在学习Flink
的时候就学习过了,DataStream
是不能更新、删除事件的。
如果对表的操作是INSERT
,这很好办,直接转换输出就好,因为DataStream
数据也是不断递增的。但如果一个TABLE
中的数据被UPDATE
了、或者被DELETE
了,如果用流来表达呢? 因为流不可变的特征,我们肯定要对这种能够进行UPDATE/DELETE
的TABLE
做特殊操作。
解决方案:我们可以针对每一种操作,INSERT/UPDATE/DELETE
都用一个或多个经过编码的事件来表示。例如:
- 针对
UPDATE
,我们用两个操作来表达,[DELETE]
数据+[INSERT]
数据。也就是先把之前的数据删除,然后再插入一条新的数据。 - 针对
DELETE
,我们也可以对流中的数据进行编码,[DELETE]
数据。
总体来说,我们通过对流数据进行编码,也可以告诉DataStream
的下游,[DELETE]
表示发出MySQL
的DELETE
操作,将数据删除。用[INSERT]
表示插入新的数据。
4.2.3 将表转换为三种不同编码方式的流
Flink中的Table API或者SQL支持三种不同的编码方式,分别是:
- Append-only流
- Retract流
- Upsert流
4.2.3.1 Append-only流
跟INSERT
操作对应。这种编码类型的流针对的是只会不断新增的Dynamic Table
,这种方式好处理,不需要进行特殊处理,源源不断地往流中发送事件即可。
4.2.3.2 Retract流
这种流就和Append-only
不太一样,上面的只能处理INSERT
,如果表会发生DELETE
或者UPDATE
,Append-only
编码方式的流就不合适了。
Retract
流有几种类型的事件类型:
- ADD MESSAGE:这种消息对应的就是
INSERT
操作。 - RETRACT MESSAGE:直译过来叫撤回消息,这种消息对应的就是
DELETE
操作。
我们可以看到通过ADD MESSAGE
和RETRACT MESSAGE
可以很好的向外部系统表达删除和插入操作,那如何进行UPDATE
呢?其实RETRACT MESSAGE + ADD MESSAGE
即可(先把之前的数据进行删除,然后插入一条新的)。
4.2.3.3 Upsert流
前面我们看到的RETRACT
编码方式的流,实现UPDATE
是使用DELETE + INSERT
模式的。
大家想一下:在MySQL
中我们更新数据的时候,肯定不会先DELETE
掉一条数据,然后再插入一条数据,肯定是直接发出UPDATE
语句执行更新。
而Upsert
编码方式的流,是能够支持Update
的,这种效率更高。它同样有两种类型的消息:
- UPSERT MESSAGE:这种消息可以表示要对外部系统进行
Update
或者INSERT
操作 - DELETE MESSAGE:这种消息表示DELETE操作。
Upsert
流是要求必须指定Primary Key
的,因为Upsert
操作是要有Key
的,Upsert
流针对UPDATE
操作用一个UPSERT MESSAGE
就可以描述,所以效率会更高。
05 文末
本文主要讲解了Flink Table
与SQL
的一些概念,谢谢大家的阅读,本文完!