Apache Flink提供了两种顶层的关系型API,分别为Table API和SQL,Flink通过Table API&SQL实现了批流统一。其中Table API是用于Scala和Java的语言集成查询API,它允许以非常直观的方式组合关系运算符(例如select,where和join)的查询。Flink SQL基于Apache Calcite 实现了标准的SQL,用户可以使用标准的SQL处理数据集。Table API和SQL与Flink的DataStream和DataSet API紧密集成在一起,用户可以实现相互转化,比如可以将DataStream或者DataSet注册为table进行操作数据。值得注意的是,Table API and SQL目前尚未完全完善,还在积极的开发中,所以并不是所有的算子操作都可以通过其实现。

依赖

从Flink1.9开始,Flink为Table & SQL API提供了两种planner,分别为Blink planner和old planner,其中old planner是在Flink1.9之前的版本使用。主要区别如下:

尖叫提示:对于生产环境,目前推荐使用old planner.

  • flink-table-common: 通用模块,包含 Flink Planner 和 Blink Planner 一些共用的代码
  • flink-table-api-java: java语言的Table & SQL API,仅针对table(处于早期的开发阶段,不推荐使用)
  • flink-table-api-scala: scala语言的Table & SQL API,仅针对table(处于早期的开发阶段,不推荐使用)
  • flink-table-api-java-bridge: java语言的Table & SQL API,支持DataStream/DataSet API(推荐使用)
  • flink-table-api-scala-bridge: scala语言的Table & SQL API,支持DataStream/DataSet API(推荐使用)
  • flink-table-planner:planner 和runtime. planner为Flink1,9之前的old planner(推荐使用)
  • flink-table-planner-blink: 新的Blink planner.
  • flink-table-runtime-blink: 新的Blink runtime.
  • flink-table-uber: 将上述的API模块及old planner打成一个jar包,形如flink-table-*.jar,位与/lib目录下
  • flink-table-uber-blink:将上述的API模块及Blink 模块打成一个jar包,形如fflink-table-blink-*.jar,位与/lib目录下

Blink planner和old planner有许多不同的特点,具体列举如下:

  • Blink planner将批处理作业看做是流处理作业的特例。所以,不支持Table 与DataSet之间的转换,批处理的作业也不会被转成DataSet程序,而是被转为DataStream程序。
  • Blink planner不支持 BatchTableSource,使用的是有界的StreamTableSource。
  • Blink planner仅支持新的 Catalog,不支持ExternalCatalog (已过时)。
  • 对于FilterableTableSource的实现,两种Planner是不同的。old planner会谓词下推到PlannerExpression(未来会被移除),而Blink planner 会谓词下推到 Expression(表示一个产生计算结果的逻辑树)。
  • 仅仅Blink planner支持key-value形式的配置,即通过Configuration进行参数设置。
  • 关于PlannerConfig的实现,两种planner有所不同。
  • Blink planner 会将多个sink优化成一个DAG(仅支持TableEnvironment,StreamTableEnvironment不支持),old planner总是将每一个sink优化成一个新的DAG,每一个DAG都是相互独立的。
  • old planner不支持catalog统计,Blink planner支持catalog统计。

根据使用的语言不同,可以选择下面的依赖,包括scala版和java版,如下:

<!-- java版 -->
<dependency>
<groupId>org.apache.flink</groupId>
<artifactId>flink-table-api-java-bridge_2.11</artifactId>
<version>1.10.0</version>
<scope>provided</scope>
</dependency>
<!-- scala版 -->
<dependency>
<groupId>org.apache.flink</groupId>
<artifactId>flink-table-api-scala-bridge_2.11</artifactId>
<version>1.10.0</version>
<scope>provided</scope>
</dependency>

除此之外,如果需要在本地的IDE中运行Table API & SQL的程序,则需要添加下面的pom依赖:

<!-- Flink 1.9之前的old planner -->
<dependency>
<groupId>org.apache.flink</groupId>
<artifactId>flink-table-planner_2.11</artifactId>
<version>1.10.0</version>
<scope>provided</scope>
</dependency>
<!-- 新的Blink planner -->
<dependency>
<groupId>org.apache.flink</groupId>
<artifactId>flink-table-planner-blink_2.11</artifactId>
<version>1.10.0</version>
<scope>provided</scope>
</dependency>

另外,如果需要实现自定义的格式(比如和kafka交互)或者用户自定义函数,需要添加如下依赖:

<dependency>
<groupId>org.apache.flink</groupId>
<artifactId>flink-table-common</artifactId>
<version>1.10.0</version>
<scope>provided</scope>
</dependency>

Table API & SQL的编程模板

所有的Table API&SQL的程序(无论是批处理还是流处理)都有着相同的形式,下面将给出通用的编程结构形式:

// 创建一个TableEnvironment对象,指定planner、处理模式(batch、streaming)
TableEnvironment tableEnv = ...;
// 创建一个表
tableEnv.connect(...).createTemporaryTable("table1");
// 注册一个外部的表
tableEnv.connect(...).createTemporaryTable("outputTable");
// 通过Table API的查询创建一个Table 对象
Table tapiResult = tableEnv.from("table1").select(...);
// 通过SQL查询的查询创建一个Table 对象
Table sqlResult = tableEnv.sqlQuery("SELECT ... FROM table1 ... ");
// 将结果写入TableSink
tapiResult.insertInto("outputTable");
// 执行
tableEnv.execute("java_job");

注意:Table API & SQL的查询可以相互集成,另外还可以在DataStream或者DataSet中使用Table API & SQL的API,实现DataStreams、 DataSet与Table之间的相互转换。

创建TableEnvironment

TableEnvironment是Table API & SQL程序的一个入口,主要包括如下的功能:

  • 在内部的catalog中注册Table
  • 注册catalog
  • 加载可插拔模块
  • 执行SQL查询
  • 注册用户定义函数
  • DataStreamDataSet与Table之间的相互转换
  • 持有对ExecutionEnvironmentStreamExecutionEnvironment的引用

一个Table必定属于一个具体的TableEnvironment,不可以将不同TableEnvironment的表放在一起使用(比如join,union等操作)。

TableEnvironment是通过调用 BatchTableEnvironment.create() 或者StreamTableEnvironment.create()的静态方法进行创建的。另外,默认两个planner的jar包都存在与classpath下,所有需要明确指定使用的planner。

// **********************
// FLINK 流处理查询
// **********************
import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;
import org.apache.flink.table.api.EnvironmentSettings;
import org.apache.flink.table.api.java.StreamTableEnvironment;

EnvironmentSettings fsSettings = EnvironmentSettings.newInstance().useOldPlanner().inStreamingMode().build();
StreamExecutionEnvironment fsEnv = StreamExecutionEnvironment.getExecutionEnvironment();
StreamTableEnvironment fsTableEnv = StreamTableEnvironment.create(fsEnv, fsSettings);
//或者TableEnvironment fsTableEnv = TableEnvironment.create(fsSettings);

// ******************
// FLINK 批处理查询
// ******************
import org.apache.flink.api.java.ExecutionEnvironment;
import org.apache.flink.table.api.java.BatchTableEnvironment;

ExecutionEnvironment fbEnv = ExecutionEnvironment.getExecutionEnvironment();
BatchTableEnvironment fbTableEnv = BatchTableEnvironment.create(fbEnv);

// **********************
// BLINK 流处理查询
// **********************
import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;
import org.apache.flink.table.api.EnvironmentSettings;
import org.apache.flink.table.api.java.StreamTableEnvironment;

StreamExecutionEnvironment bsEnv = StreamExecutionEnvironment.getExecutionEnvironment();
EnvironmentSettings bsSettings = EnvironmentSettings.newInstance().useBlinkPlanner().inStreamingMode().build();
StreamTableEnvironment bsTableEnv = StreamTableEnvironment.create(bsEnv, bsSettings);
// 或者 TableEnvironment bsTableEnv = TableEnvironment.create(bsSettings);

// ******************
// BLINK 批处理查询
// ******************
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);

在catalog中创建表

临时表与永久表

表可以分为临时表和永久表两种,其中永久表需要一个catalog(比如Hive的Metastore)俩维护表的元数据信息,一旦永久表被创建,只要连接到该catalog就可以访问该表,只有显示删除永久表,该表才可以被删除。临时表的生命周期是Flink Session,这些表不能够被其他的Flink Session访问,这些表不属于任何的catalog或者数据库,如果与临时表相对应的数据库被删除了,该临时表也不会被删除。

创建表

虚表(Virtual Tables)

一个Table对象相当于SQL中的视图(虚表),它封装了一个逻辑执行计划,可以通过一个catalog创建,具体如下:

// 获取一个TableEnvironment
TableEnvironment tableEnv = ...;
// table对象,查询的结果集
Table projTable = tableEnv.from("X").select(...);
// 注册一个表,名称为 "projectedTable"
tableEnv.createTemporaryView("projectedTable", projTable);

外部数据源表(Connector Tables)

可以把外部的数据源注册成表,比如可以读取MySQL数据库数据、Kafka数据等

tableEnvironment
.connect(...)
.withFormat(...)
.withSchema(...)
.inAppendMode()
.createTemporaryTable("MyTable")

扩展创建表的标识属性

表的注册总是包含三部分标识属性:catalog、数据库、表名。用户可以在内部设置一个catalog和一个数据库作为当前的catalog和数据库,所以对于catalog和数据库这两个标识属性是可选的,即如果不指定,默认使用的是“current catalog”和 “current database”。

TableEnvironment tEnv = ...;
tEnv.useCatalog("custom_catalog");//设置catalog
tEnv.useDatabase("custom_database");//设置数据库
Table table = ...;
// 注册一个名为exampleView的视图,catalog名为custom_catalog
// 数据库的名为custom_database
tableEnv.createTemporaryView("exampleView", table);

// 注册一个名为exampleView的视图,catalog的名为custom_catalog
// 数据库的名为other_database
tableEnv.createTemporaryView("other_database.exampleView", table);

// 注册一个名为'View'的视图,catalog的名称为custom_catalog
// 数据库的名为custom_database,'View'是保留关键字,需要使用``(反引号)
tableEnv.createTemporaryView("`View`", table);

// 注册一个名为example.View的视图,catalog的名为custom_catalog,
// 数据库名为custom_database
tableEnv.createTemporaryView("`example.View`", table);

// 注册一个名为'exampleView'的视图, catalog的名为'other_catalog'
// 数据库名为other_database'
tableEnv.createTemporaryView("other_catalog.other_database.exampleView", table);

查询表

Table API

Table API是一个集成Scala与Java语言的查询API,与SQL相比,它的查询不是一个标准的SQL语句,而是由一步一步的操作组成的。如下展示了一个使用Table API实现一个简单的聚合查询。

// 获取TableEnvironment
TableEnvironment tableEnv = ...;
//注册Orders表

// 查询注册的表
Table orders = tableEnv.from("Orders");
// 计算操作
Table revenue = orders
.filter("cCountry === 'FRANCE'")
.groupBy("cID, cName")
.select("cID, cName, revenue.sum AS revSum");

SQL

Flink SQL依赖于Apache Calcite,其实现了标准的SQL语法,如下案例:

// 获取TableEnvironment
TableEnvironment tableEnv = ...;

//注册Orders表

// 计算逻辑同上面的Table API
Table revenue = tableEnv.sqlQuery(
"SELECT cID, cName, SUM(revenue) AS revSum " +
"FROM Orders " +
"WHERE cCountry = 'FRANCE' " +
"GROUP BY cID, cName"
);

// 注册"RevenueFrance"外部输出表
// 计算结果插入"RevenueFrance"表
tableEnv.sqlUpdate(
"INSERT INTO RevenueFrance " +
"SELECT cID, cName, SUM(revenue) AS revSum " +
"FROM Orders " +
"WHERE cCountry = 'FRANCE' " +
"GROUP BY cID, cName"
);

输出表

一个表通过将其写入到TableSink,然后进行输出。TableSink是一个通用的支持多种文件格式(CSV、Parquet, Avro)和多种外部存储系统(JDBC, Apache HBase, Apache Cassandra, Elasticsearch)以及多种消息对列(Apache Kafka, RabbitMQ)的接口。

批处理的表只能被写入到 BatchTableSink,流处理的表需要指明AppendStreamTableSink、RetractStreamTableSink或者 UpsertStreamTableSink

// 获取TableEnvironment
TableEnvironment tableEnv = ...;

// 创建输出表
final Schema schema = new Schema()
.field("a", DataTypes.INT())
.field("b", DataTypes.STRING())
.field("c", DataTypes.LONG());

tableEnv.connect(new FileSystem("/path/to/file"))
.withFormat(new Csv().fieldDelimiter('|').deriveSchema())
.withSchema(schema)
.createTemporaryTable("CsvSinkTable");

// 计算结果表
Table result = ...
// 输出结果表到注册的TableSink
result.insertInto("CsvSinkTable");

Table API & SQL底层的转换与执行

上文提到了Flink提供了两种planner,分别为old planner和Blink planner,对于不同的planner而言,Table API & SQL底层的执行与转换是有所不同的。

Old planner

根据是流处理作业还是批处理作业,Table API &SQL会被转换成DataStream或者DataSet程序。一个查询在内部表示为一个逻辑查询计划,会被转换为两个阶段:

  • 1.逻辑查询计划优化
  • 2.转换成DataStream或者DataSet程序

上面的两个阶段只有下面的操作被执行时才会被执行:

  • 当一个表被输出到TableSink时,比如调用了Table.insertInto()方法
  • 当执行更新查询时,比如调用TableEnvironment.sqlUpdate()方法
  • 当一个表被转换为DataStream或者DataSet时

一旦执行上述两个阶段,Table API & SQL的操作会被看做是普通的DataStream或者DataSet程序,所以当StreamExecutionEnvironment.execute()或者ExecutionEnvironment.execute() 被调用时,会执行转换后的程序。

无论是批处理作业还是流处理作业,如果使用的是Blink planner,底层都会被转换为DataStream程序。在一个查询在内部表示为一个逻辑查询计划,会被转换成两个阶段:

  • 1.逻辑查询计划优化
  • 2.转换成DataStream程序

对于TableEnvironment and StreamTableEnvironment而言,一个查询的转换是不同的

首先对于TableEnvironment,当TableEnvironment.execute()方法执行时,Table API & SQL的查询才会被转换,因为TableEnvironment会将多个sink优化为一个DAG。

对于StreamTableEnvironment,转换发生的时间与old planner相同。

与DataStream & DataSet API集成

对于Old planner与Blink planner而言,只要是流处理的操作,都可以与DataStream API集成,仅仅只有Old planner才可以与DataSet API集成,由于Blink planner的批处理作业会被转换成DataStream程序,所以不能够与DataSet API集成。值得注意的是,下面提到的table与DataSet之间的转换仅适用于Old planner。

Table API & SQL的查询很容易与DataStream或者DataSet程序集成,并可以将Table API & SQL的查询嵌入DataStream或者DataSet程序中。DataStream或者DataSet可以转换成表,反之,表也可以被转换成DataStream或者DataSet。

从DataStream或者DataSet中注册临时表(视图)

尖叫提示:只能将DataStream或者DataSet转换为临时表(视图)

下面演示DataStream的转换,对于DataSet的转换类似。

// 获取StreamTableEnvironment
StreamTableEnvironment tableEnv = ...;
DataStream<Tuple2<Long, String>> stream = ...
// 将DataStream注册为一个名为myTable的视图,其中字段分别为"f0", "f1"
tableEnv.createTemporaryView("myTable", stream);
// 将DataStream注册为一个名为myTable2的视图,其中字段分别为"myLong", "myString"
tableEnv.createTemporaryView("myTable2", stream, "myLong, myString");

将DataStream或者DataSet转化为Table对象

可以直接将DataStream或者DataSet转换为Table对象,之后可以使用Table API进行查询操作。下面演示DataStream的转换,对于DataSet的转换类似。

// 获取StreamTableEnvironment
StreamTableEnvironment tableEnv = ...;
DataStream<Tuple2<Long, String>> stream = ...
// 将DataStream转换为Table对象,默认的字段为"f0", "f1"
Table table1 = tableEnv.fromDataStream(stream);
// 将DataStream转换为Table对象,默认的字段为"myLong", "myString"
Table table2 = tableEnv.fromDataStream(stream, "myLong, myString");

将表转换为DataStream或者DataSet

当将Table转为DataStream或者DataSet时,需要指定DataStream或者DataSet的数据类型。通常最方便的数据类型是row类型,Flink提供了很多的数据类型供用户选择,具体包括Row、POJO、样例类、Tuple和原子类型。

将表转换为DataStream

一个流处理查询的结果是动态变化的,所以将表转为DataStream时需要指定一个更新模式,共有两种模式:Append ModeRetract Mode

  • Append Mode

如果动态表仅只有Insert操作,即之前输出的结果不会被更新,则使用该模式。如果更新或删除操作使用追加模式会失败报错

  • Retract Mode

始终可以使用此模式。返回值是boolean类型。它用true或false来标记数据的插入和撤回,返回true代表数据插入,false代表数据的撤回。

// 获取StreamTableEnvironment. 
StreamTableEnvironment tableEnv = ...;
// 包含两个字段的表(String name, Integer age)
Table table = ...
// 将表转为DataStream,使用Append Mode追加模式,数据类型为Row
DataStream<Row> dsRow = tableEnv.toAppendStream(table, Row.class);
// 将表转为DataStream,使用Append Mode追加模式,数据类型为定义好的TypeInformation
TupleTypeInfo<Tuple2<String, Integer>> tupleType = new TupleTypeInfo<>(
Types.STRING(),
Types.INT());
DataStream<Tuple2<String, Integer>> dsTuple =
tableEnv.toAppendStream(table, tupleType);
// 将表转为DataStream,使用的模式为Retract Mode撤回模式,类型为Row
// 对于转换后的DataStream<Tuple2<Boolean, X>>,X表示流的数据类型,
// boolean值表示数据改变的类型,其中INSERT返回true,DELETE返回的是false
DataStream<Tuple2<Boolean, Row>> retractStream =
tableEnv.toRetractStream(table, Row.class);

将表转换为DataSet

// 获取BatchTableEnvironment
BatchTableEnvironment tableEnv = BatchTableEnvironment.create(env);
// 包含两个字段的表(String name, Integer age)
Table table = ...
// 将表转为DataSet数据类型为Row
DataSet<Row> dsRow = tableEnv.toDataSet(table, Row.class);
// 将表转为DataSet,通过TypeInformation定义Tuple2<String, Integer>数据类型
TupleTypeInfo<Tuple2<String, Integer>> tupleType = new TupleTypeInfo<>(
Types.STRING(),
Types.INT());
DataSet<Tuple2<String, Integer>> dsTuple =
tableEnv.toDataSet(table, tupleType);

表的Schema与数据类型之间的映射

表的Schema与数据类型之间的映射有两种方式:分别是基于字段下标位置的映射和基于字段名称的映射。

基于字段下标位置的映射

该方式是按照字段的顺序进行一一映射,使用方式如下:

// 获取StreamTableEnvironment
StreamTableEnvironment tableEnv = ...;
DataStream<Tuple2<Long, Integer>> stream = ...
// 将DataStream转为表,默认的字段名为"f0"和"f1"
Table table = tableEnv.fromDataStream(stream);
// 将DataStream转为表,选取tuple的第一个元素,指定一个名为"myLong"的字段名
Table table = tableEnv.fromDataStream(stream, "myLong");
// 将DataStream转为表,为tuple的第一个元素指定名为"myLong",为第二个元素指定myInt的字段名
Table table = tableEnv.fromDataStream(stream, "myLong, myInt");

基于字段名称的映射

基于字段名称的映射方式支持任意的数据类型包括POJO类型,可以很灵活地定义表Schema映射,所有的字段被映射成一个具体的字段名称,同时也可以使用”as”为字段起一个别名。其中Tuple元素的第一个元素为f0,第二个元素为f1,以此类推。

// 获取StreamTableEnvironment
StreamTableEnvironment tableEnv = ...;
DataStream<Tuple2<Long, Integer>> stream = ...
// 将DataStream转为表,默认的字段名为"f0"和"f1"
Table table = tableEnv.fromDataStream(stream);
// 将DataStream转为表,选择tuple的第二个元素,指定一个名为"f1"的字段名
Table table = tableEnv.fromDataStream(stream, "f1");
// 将DataStream转为表,交换字段的顺序
Table table = tableEnv.fromDataStream(stream, "f1, f0");
// 将DataStream转为表,交换字段的顺序,并为f1起别名为"myInt",为f0起别名为"myLong
Table table = tableEnv.fromDataStream(stream, "f1 as myInt, f0 as myLong");

原子类型

Flink将Integer, Double, String或者普通的类型称之为原子类型,一个数据类型为原子类型的DataStream或者DataSet可以被转成单个字段属性的表,这个字段的类型与DataStream或者DataSet的数据类型一致,这个字段的名称可以进行指定。

//获取StreamTableEnvironment
StreamTableEnvironment tableEnv = ...;
// 数据类型为原子类型Long
DataStream<Long> stream = ...
// 将DataStream转为表,默认的字段名为"f0"
Table table = tableEnv.fromDataStream(stream);
// 将DataStream转为表,指定字段名为myLong"
Table table = tableEnv.fromDataStream(stream, "myLong");

Tuple类型

Tuple类型的DataStream或者DataSet都可以转为表,可以重新设定表的字段名(即根据tuple元素的位置进行一一映射,转为表之后,每个元素都有一个别名),如果不为字段指定名称,则使用默认的名称(java语言默认的是f0,f1,scala默认的是_1),用户也可以重新排列字段的顺序,并为每个字段起一个别名。

// 获取StreamTableEnvironment
StreamTableEnvironment tableEnv = ...;
//Tuple2<Long, String>类型的DataStream
DataStream<Tuple2<Long, String>> stream = ...
// 将DataStream转为表,默认的字段名为 "f0", "f1"
Table table = tableEnv.fromDataStream(stream);
// 将DataStream转为表,指定字段名为 "myLong", "myString"(按照Tuple元素的顺序位置)
Table table = tableEnv.fromDataStream(stream, "myLong, myString");
// 将DataStream转为表,指定字段名为 "f0", "f1",并且交换顺序
Table table = tableEnv.fromDataStream(stream, "f1, f0");
// 将DataStream转为表,只选择Tuple的第二个元素,指定字段名为"f1"
Table table = tableEnv.fromDataStream(stream, "f1");
// 将DataStream转为表,为Tuple的第二个元素指定别名为myString,为第一个元素指定字段名为myLong
Table table = tableEnv.fromDataStream(stream, "f1 as 'myString', f0 as 'myLong'");

POJO类型

当将POJO类型的DataStream或者DataSet转为表时,如果不指定表名,则默认使用的是POJO字段本身的名称,原始字段名称的映射需要指定原始字段的名称,可以为其起一个别名,也可以调换字段的顺序,也可以只选择部分的字段。

// 获取StreamTableEnvironment
StreamTableEnvironment tableEnv = ...;
//数据类型为Person的POJO类型,字段包括"name"和"age"
DataStream<Person> stream = ...
// 将DataStream转为表,默认的字段名称为"age", "name"
Table table = tableEnv.fromDataStream(stream);
// 将DataStream转为表,为"age"字段指定别名myAge, 为"name"字段指定别名myName
Table table = tableEnv.fromDataStream(stream, "age as myAge, name as myName");
// 将DataStream转为表,只选择一个name字段
Table table = tableEnv.fromDataStream(stream, "name");
// 将DataStream转为表,只选择一个name字段,并起一个别名myName
Table table = tableEnv.fromDataStream(stream, "name as myName");

Row类型

Row类型的DataStream或者DataSet转为表的过程中,可以根据字段的位置或者字段名称进行映射,同时也可以为字段起一个别名,或者只选择部分字段。

// 获取StreamTableEnvironment
StreamTableEnvironment tableEnv = ...;
// Row类型的DataStream,通过RowTypeInfo指定两个字段"name"和"age"
DataStream<Row> stream = ...
// 将DataStream转为表,默认的字段名为原始字段名"name"和"age"
Table table = tableEnv.fromDataStream(stream);
// 将DataStream转为表,根据位置映射,为第一个字段指定myName别名,为第二个字段指定myAge别名
Table table = tableEnv.fromDataStream(stream, "myName, myAge");
// 将DataStream转为表,根据字段名映射,为name字段起别名myName,为age字段起别名myAge
Table table = tableEnv.fromDataStream(stream, "name as myName, age as myAge");
// 将DataStream转为表,根据字段名映射,只选择name字段
Table table = tableEnv.fromDataStream(stream, "name");
// 将DataStream转为表,根据字段名映射,只选择name字段,并起一个别名"myName"
Table table = tableEnv.fromDataStream(stream, "name as myName");

查询优化

Old planner

Apache Flink利用Apache Calcite来优化和转换查询。当前执行的优化包括投影和过滤器下推,去相关子查询以及其他类型的查询重写。Old Planner目前不支持优化JOIN的顺序,而是按照查询中定义的顺序执行它们。

通过提供一个CalciteConfig对象,可以调整在不同阶段应用的优化规则集。这可通过调用CalciteConfig.createBuilder()方法来进行创建,并通过调用tableEnv.getConfig.setPlannerConfig(calciteConfig)方法将该对象传递给TableEnvironment。

Apache Flink利用并扩展了Apache Calcite来执行复杂的查询优化。这包括一系列基于规则和基于成本的优化(cost_based),例如:

  • 基于Apache Calcite的去相关子查询
  • 投影裁剪
  • 分区裁剪
  • 过滤器谓词下推
  • 过滤器下推
  • 子计划重复数据删除以避免重复计算
  • 特殊的子查询重写,包括两个部分:
    • 将IN和EXISTS转换为左半联接( left semi-join)
    • 将NOT IN和NOT EXISTS转换为left anti-join
  • 调整join的顺序,需要启用 table.optimizer.join-reorder-enabled

注意: IN / EXISTS / NOT IN / NOT EXISTS当前仅在子查询重写的结合条件下受支持。

查询优化器不仅基于计划,而且还可以基于数据源的统计信息以及每个操作的细粒度开销(例如io,cpu,网络和内存),从而做出更加明智且合理的优化决策。

高级用户可以通过CalciteConfig对象提供自定义优化规则,通过调用tableEnv.getConfig.setPlannerConfig(calciteConfig),将参数传递给TableEnvironment。

查看执行计划

SQL语言支持通过explain来查看某条SQL的执行计划,Flink Table API也可以通过调用explain()方法来查看具体的执行计划。该方法返回一个字符串用来描述三个部分计划,分别为:

  1. 关系查询的抽象语法树,即未优化的逻辑查询计划,
  2. 优化的逻辑查询计划
  3. 实际执行计划
StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
StreamTableEnvironment tEnv = StreamTableEnvironment.create(env);
DataStream<Tuple2<Integer, String>> stream1 = env.fromElements(new Tuple2<>(1, "hello"));
DataStream<Tuple2<Integer, String>> stream2 = env.fromElements(new Tuple2<>(1, "hello"));
Table table1 = tEnv.fromDataStream(stream1, "count, word");
Table table2 = tEnv.fromDataStream(stream2, "count, word");
Table table = table1
.where("LIKE(word, 'F%')")
.unionAll(table2);
// 查看执行计划
String explanation = tEnv.explain(table);
System.out.println(explanation);

执行计划的结果为:

== 抽象语法树 ==
LogicalUnion(all=[true])
LogicalFilter(condition=[LIKE($1, _UTF-16LE'F%')])
FlinkLogicalDataStreamScan(id=[1], fields=[count, word])
FlinkLogicalDataStreamScan(id=[2], fields=[count, word])

== 优化的逻辑执行计划 ==
DataStreamUnion(all=[true], union all=[count, word])
DataStreamCalc(select=[count, word], where=[LIKE(word, _UTF-16LE'F%')])
DataStreamScan(id=[1], fields=[count, word])
DataStreamScan(id=[2], fields=[count, word])

== 物理执行计划 ==
Stage 1 : Data Source
content : collect elements with CollectionInputFormat

Stage 2 : Data Source
content : collect elements with CollectionInputFormat

Stage 3 : Operator
content : from: (count, word)
ship_strategy : REBALANCE

Stage 4 : Operator
content : where: (LIKE(word, _UTF-16LE'F%')), select: (count, word)
ship_strategy : FORWARD

Stage 5 : Operator
content : from: (count, word)
ship_strategy : REBALANCE

小结

本文主要介绍了Flink TableAPI &SQL,首先介绍了Flink Table API &SQL的基本概念 ,然后介绍了构建Flink Table API & SQL程序所需要的依赖,接着介绍了Flink的两种planner,还介绍了如何注册表以及DataStream、DataSet与表的相互转换,最后介绍了Flink的两种planner对应的查询优化并给出了一个查看执行计划的案例。