Flink系列Table API和SQL之：动态表、持续查询、将流转换成动态表、更新查询、追加查询-灵析社区

打酱油的后端

Flink系列Table API和SQL之：动态表、持续查询、将流转换成动态表、更新查询、追加查询、将动态表转换为流、更新插入流

一、表和流的转换

  • Flink中使用表和SQL基本上跟其他场景是一样的。不过对于表和流的转换，却稍显复杂。当我们将一个Table转换成DataStream时，有"仅插入流"(Insert-Only Streams)和"更新日志流"（Changelog Streams）两种不同的方式，具体使用哪种方式取决于表中是否存在更新操作。
  • 这种麻烦其实是不可避免的。Table API和SQL本质上都是基于关系型表的操作方式。关系型表本身是有界的，更适合批处理的场景。所以在MySQL、Hive这样的固定数据集中进行查询，使用SQL就会显得得心应手。而对于Flink这样的流处理框架来说，要处理的是源源不断到来的无界数据流，无法等到暑假都到齐再做查询，每来一条数据就应该更新一次结果。这时如果一定要使用表和SQL进行处理，就会显得别扭，需要引入一些特殊的概念。

可以将关系型表/SQL与流处理做一个对比。

关系型表/SQL流处理
流处理字段元组的有界集合字段元祖的无限序列
查询可以访问完整的数据输入无法访问到所有数据，必须持续等待流式输入
对数据的访问
查询终止条件生成固定大小的结果集合终止永不停止，根据持续收到的数据不断更新查询结果

流处理面对的数据是连续不断的，这导致了流处理中的表跟我们熟悉的关系型数据库中的表完全不同。基于表的查询操作，也就有了新的含义。

希望把流数据换成表的形式，那么这表中的数据就会不断增长。如果进一步基于表执行SQL查询，那么得到的结果就不是一成不变的，而是会随着新数据的到来持续更新。

二、动态表

  • 当流中有新数据到来，初始的表中会查入一行，而基于这个表定义的SQL查询，就应该在之前的基础上更新结果。这样得到的表就会不断地动态变化，被称为动态表(Dynamic Tables)。
  • 动态表是Flink在Table API和SQL中的核心概念，为流数据处理提供了表和SQL支持。所熟悉的表一般用来做批处理，面向的是固定的数据集，可以认为是"静态表"。而动态表则完全不同，它里面的数据会随时间变化。
  • 其实动态表的概念，在传统的关系型数据库中已经有所接触。数据库中的表，其实是一系列INSERT、UPDATE和DELETE语句执行的结果。在关系型数据库中，我们一般把它称为更新日志流(changelog stream)。如果我们保存了表在某一时刻的快照(snapshot)，那么接下来只要读取更新日志流，就可以得到表之后的变化过程和最终结果了。在很多高级关系型数据库(比如Oracle、DB2)中都有物化视图的概念，可以用来缓存SQL查询的结果。它的更新其实就是不停地处理更新日志流的过程。
  • Flink中的动态表，就借鉴了物化视图的思想。

三、持续查询

  • 动态表可以像静态的批处理一样进行查询操作。由于数据在不断变化，因此基于它定义的SQL查询也不可能执行一次就得到最终结果。这样依一来，对动态表的查询也就永远不会停止，一直在随着新数据的到来而继续执行。这样的查询就被称作持续查询。对动态表定义的查询操作，都是持续查询，而持续查询的结果也会是一个动态表。
  • 由于每次暑假到来都会触发查询操作，因此可以认为一次查询面对的数据集，就是当前输入动态表中收到的所有数据。这相当于是对输入动态表做了一个快照(snapshot)，当作有限数据集进行批处理。流式数据的到来会触发连续不断的快照查询，像动画一样连贯起来，就构成了持续查询。

持续查询的过程，可以清晰地看到流、动态表和持续查询的关系：

持续查询的步骤如下：

  1. 流stream被转换为动态表dynamic table
  2. 对动态表进行持续查询(continuous query)，生成新的动态表
  3. 生成的动态表被转换成流。

这样，只要API将流和动态表的转换封装起来，就可以直接在数据流上执行SQL查询，用处理表的方式来做流处理了。

四、将流转换成动态表

  • 为了能够使用SQL来做流处理，必须先把流(stream)转换成动态表
  • 如果把流看作一张表，那么流中每个数据的到来，都应该看作是对表的一次插入(Insert)操作，会在表的末尾添加一行数据。因为流是连续不断的，而且之前的输出结果无法改变、只能在后面追加。所以我们其实是通过一个只有插入操作(insert-only)的更新日志(changelog)流，来构建一个表。

流转换成动态表的过程：


        StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
        env.setParallelism(1);

        SingleOutputStreamOperator<Event> eventStream = env.addSource(new ClickSource())
                .assignTimestampsAndWatermarks(WatermarkStrategy.<Event>forBoundedOutOfOrderness(Duration.ZERO)
                        .withTimestampAssigner(new SerializableTimestampAssigner<Event>() {
                            @Override
                            public long extractTimestamp(Event element, long recordTimestamp) {
                                return element.timestamp;
                            }
                        })
                );

        //创建表执行环境
        StreamTableEnvironment tableEnv = StreamTableEnvironment.create(env);
        //将dataStream转换成table
        Table eventTable = tableEnv.fromDataStream(eventStream);
        //直接写sql进行转换
        Table resultTable = tableEnv.sqlQuery("select user,url from " + eventTable);
        //基于table直接转换
        Table resultTable2 = eventTable.select($("user"), $("url"))
                .where($("user").isEqual("Alice"));

        //转换成流打印输出
        tableEnv.toDataStream(resultTable2).print("result2");
        tableEnv.toDataStream(resultTable).print("result");

        env.execute();

五、更新查询

在代码中定义了一个SQL查询

Table urlCountTable = tableEnv.sqlQuery("SELECT user,COUNT(url) as cnt FROM EnentTable GROUP BY user")

这个查询很简答，主要是分组聚合统计每个用户点击次数。把原始的动态表注册为EventTable，经过查询转换后得到urlCountTable。这个结果动态表中包含两个字断，具体定义如下：

[
user: VARCHAR，  //用户名
cnt: BIGINT。//用户访问url的次数
]

当原始动态表不停地插入新的数据时，查询得到的urlCountTable会持续地进行更改。由于count数量可能会叠加增长，因此这里的更改操作可以是简单的插入(Insert)，也可以是对之前数据的更新(Update)。换句话说，用来定义结果表的更新日志(changelog)流中，包含了INSERT和UPDATE两种操作。这种持续查询被称为更新查询(Update Query)，更新查询得到的结果表如果想要转换成DataStream，必须调用toChangelogStream()方法。

六、追加查询

查询过程用到了分组聚合，结果表中就会产生更新操作。如果我们执行一个简单的条件查询，结果表中就会像原始表EventTable一样，只有插入Insert操作了。

Table aliceVisitTable = tableEnv.sqlQuery("SELECT url,user FROM EventTable WHERE user = 'Cary' ");
  • 这样的持续查询，就被称为追加查询(Append Query)，定义的结果表的更新日志(changelog)流中只有INSERT操作。追加查询得到的结果表，转换成DataStream调用方法没有限制，可以直接用toDataStream()，也可以像更新查询一样调用toChangeStream()。
  • 这样看来似乎可以   总结一个规律：只要用到了聚合，在之前的结果上有叠加，就会产生更新操作，就是一个更新查询。但是事实上，更新查询的判断标准是结果表中的数据是否会有UPDATE操作，如果聚合的结果不再改变，那么同样也不是更新查询。

可以考虑开一个滚动窗口，统计每一小时内所有用户的点击次数，并在接过表中增加一个endT字段，表示当前统计窗口的结束时间。这时结果表的字段定义如下：

[
	user: VARCHAR, //用户名
	endT: TIMESTAMP, //窗口结束时间
	cnt: BIGINT. //用户访问url的次数

]
  • 与之前的分组聚合一样，当原始动态表不停地插入新的数据时，查询得到的结果result会持续地进行更改。比如时间戳在12:00:00到12:59:59之间有四条数据，其中Alice三次点击、Bob一次点击，所以当水位线达到13:00:00时窗口关闭，输出到结果表中的就是新增两条数据[Alice,13:00:00,3]和[Bob,13:00:00,1]。同理，当下一个小时的窗口关闭时，也会将统计结果追加到result表后面，而不会更新之前的数据。
  • 我们发现，由于窗口的统计结果是一次性写入结果表的，所以结果表的更新日志流中只会包含插入INSERT操作，而没有更新UPDATE操作，所以这里的持续查询，依然是一个追加(Append)查询。结果表result如果转换成DataStream，可以直接调用toDataStream()方法。

七、将动态表转换为流

  • 与关系型数据库中的表一样，动态表也可以通过插入(Insert)、更新(Update)、删除(Delete)操作，进行持续的更改。将动态表转换为流或将其写入外部系统时，就需要对这些更改操作进行编码，通过发送编码消息的方式告诉外部系统要执行的操作。
  • 在Flink中，Table API和SQL支持三种编码方式：
  1. 仅追加流(Append-only)：仅通过插入Insert更改来修改的动态表，可以直接转换为仅追加流。这个流中发出的数据，其实就是动态表中新增的每一行。
  2. 撤回流：撤回流是包含两类消息的流，添加(add)消息和撤回(retract)消息。
  3. 具体的编码规则是：INSERT插入操作编码为add消息。DELETE删除操作编码为retract消息。而UPDATE更新操作则编码为被更改行的retract消息，和更新后行的add消息。这样，我们可以通过编码后的消息指明所有的增删改操作，一个动态表就可以转换为撤回流了。
  4. 可以看到，更新操作对于撤回流来说，对应着两个消息，之前数据的撤回(删除)和新数据的插入。

将动态表转换为撤回流的过程：

  • 用+代表add消息(对应插入INSERT操作)
  • 用-代表retract消息(对应删除DELETE操作)
  • 当Alice的第一个点击事件到来时，结果表新增一条数据[Alice，1]
  • 当Alice的第二个点击事件到来时，结果表会将[Alice,1]更新为[Alice,2]，对应的编码就是删除[Alice,1]、插入[Alice,2]。这样当一个外部系统收到这样的两条消息时，就知道要对Alice的点击统计次数进行更新了。

八、更新插入流(Upsert)

  • 更新插入流只包含两种类型的消息：更新插入(upsert)和删除(delete)消息。
  • 所谓upsert其实就是update和insert的合成词，所以对于更新插入流来说，INSERT插入操作和UPDATE更新操作，统一被编码为upsert消息。
  • DELETE删除操作则被编码为delete消息。

既然更新插入流中不区分插入(insert)和更新(update)，自然会想到一个问题，如果希望更新一行数据时，怎么保证最后做的操作不是插入呢？

这就需要动态表中必须有唯一的键(key)。通过这个key进行查询，如果存在对应的数据就做更新(update)，如果不存在就直接插入(insert)。这是一个动态表可以转换为更新插入流的必要条件。当然，收到这条流中数据的外部系统，也需要知道这唯一的键(key)，这样才能正确地处理消息。

将动态表转换为更新插入流的过程：

  • 可以看到，更新插入流跟撤回流的主要区别在于，更新操作由于有key的存在，

阅读量：1698

点赞量：0

收藏量:0