写在前面
本小节主要阐明了FlinkSQL在界说表时间的一些根本规则,其中包罗:
1、Catalog为核心的临时表、永久表、视图的关系
2、Table对象和SQL界说表的方式
3、表界说过程中的schema、format、watermark、connector的根本利用方式
4、以kafka connector为例,具体阐明了如何建表并获取元数据的过程
【这边并没有按照视频推导,而是按照官方文档自己一步步完成的,这个可以点个赞】
【碰到题目要学会看日记,无论是否为SQL,日记很重要】
难度自己不大,主要在于如何灵活运用,实在本质上在于对于官方文档的利用。
1、表的概述以及类别
- 表的表示结构
catalog name:元数据空间,常用于标识不同的“源”,比如hive catalog,inner catalog等;使得Flink里面创建的表hive中能查到,但是不一定可以取数,原因在于这里不同的“源”的界说在hive中没有,不一定可以查到。更多细节参考补充阐明。
database name:通常语义中的“库”
table name:通常语义中的“表”
- 表与视图
FlinkSQL中的表,可以是Virtual的(view视图)和regular的(table通例表)
table形貌了一个物理上的外部数据源,如文件、数据库表、kafka消息topic
view则基于表创建,代表一个或多个表上的一段计算逻辑(就是对一段查询筹划的逻辑封装)
(不管是table照旧view,在tableAPI中得到的都是table对象)
- 临时表与永久表
临时表(视图):创建时带temporary关键字(create temporary view,create temporary table);表 schema 只维护在所属 flink session 运行时内存中;当所属的 flink session 结束后表信息将不复存在;且该表无法在 flink session 间共享;
永久表(视图):创建时不带temporary关键字(create view,create table);表 schema 可记载在外部持久化的元数据管理器中(比如 hive 的 metastore);当所属 flink session 结束后,该表信息不会丢失;且在不同 flink session 中都可访问到该表的信息。
注:永久表的元数据如果不持久化,也没有办法持久。
2、表的的界说概述
下面内容简单相识即可,本质上照旧对建表API的利用,实际运用过程中注意Stream、Table、SQL之间的切换方式即可。
2.1、基于TableAPI创建[Table对象]
- Table table = tableEnv.from("test-table");//通过在env的catalog中注册的表名,获取Table对象//通过在env的catalog中注册的表名,获取Table对象
复制代码
- 从 TableDescriptor(毗连器/format/schema/options),本质上照旧from方法
- Table table = tableEnv.from(TableDescriptor
- .forConnector("kafka")
- .schema(Schema.newBuilder()
- .column("id", DataTypes.INT())
- .column("name", DataTypes.STRING())
- .column("age", DataTypes.INT())
- .column("gender", DataTypes.STRING())
- .build())
- .format("json")
- .option("topic", "testTopic")
- .option("properties.bootstrap.servers", "192.168.247.129:9092")
- .option("properties.group.id", "testGroup")
- .option("scan.startup.mode", "earliest-offset")
- .option("json.fail-on-missing-field", "false")
- .option("json.ignore-parse-errors", "true")
- .build());
复制代码
- 从 DataStream获取
这里 主动推断 schema(反射手段),如果必要自界说的话,看看Schema的利用大概是一个很不错的选择,通过SQL创建的篇章里面给了一个简单的例子。
- DataBean bean1 = new DataBean(1, "s1", "e1", "pg1", 1000);
- DataBean bean2 = new DataBean(2, "s2", "e3", "pg1", 1000);
- DataStreamSource<DataBean> dataStream1 = env.fromElements(bean1, bean2);
复制代码
- 从 Table对象上的查询 api生成
通过 Table上调用查询 api,生成新的 Table对象(本质上就是 view)
- Table table = table3.select($("guid"), $("uuid"));
复制代码
- Table table2 = tableEnv.fromValues(
- DataTypes.ROW(
- DataTypes.FIELD("id", DataTypes.INT()),
- DataTypes.FIELD("name", DataTypes.STRING())),
- Row.of(1, "jack")
- );
复制代码 2.2、基于TableSQL创建[不返回Table对象]
- tableEnv.createTemporaryView("t1",table2);
复制代码
- tableEnv.createTemporaryView("t1",table2);
复制代码
- DataBean bean1 = new DataBean(1, "s1", "e1", "pg1", 1000);
- DataBean bean2 = new DataBean(1, "s1", "e1", "pg1", 1000);
- DataStreamSource<DataBean> dataStream1 = tableEnv.fromElements(bean1, bean2);
- Schema schema = Schema.Builder.column...build();
- tenv.createTemporaryView("t1",dataStream1,schema);
复制代码
- tenv.createTable("t1", TableDescriptor.forConnector("filesystem")
- .option("path", "file:///d:/a.txt")
- .format("csv")
- .schema(Schema.newBuilder()
- .column("guid",DataTypes.STRING())
- .column("name",DataTypes.STRING())
- .column("age",DataTypes.STRING())
- .build())
- .build());
复制代码
- tableEnv.executeSql(
- " CREATE TABLE KafkaTable ( "
- + " `user_id` BIGINT, "
- + " `item_id` BIGINT, "
- + " `behavior` STRING, "
- + " `ts` TIMESTAMP(3) METADATA FROM 'timestamp' "
- + " ) WITH ( "
- + " 'connector' = 'kafka', "
- + " 'topic' = 'user_behavior', "
- + " 'properties.bootstrap.servers' = 'localhost:9092', "
- + " 'properties.group.id' = 'testGroup', "
- + " 'scan.startup.mode' = 'earliest-offset', "
- + " 'format' = 'csv' "
- + " ) "
- );
复制代码 3、catalog详解
3.1、什么是catalog
一句话:catalog就是一个元数据空间,简单说就是记载、获取元数据(表界说信息)的实体;
flinkSQL在运行时,可以拥有多个catalog,它们由catalogManager模块来注册、管理;
CatalogManager中可以注册多个元数据空间;
flinkSQL环境创建之初,就会初始化一个默认的元数据空间
空间名称:default_catalog
空间实现类:GenericInMemoryCatalog,默认的元数据空间对象
元数据空间管理对象:CatalogManager
①:用于记载Session中所有的Catalog
②:初始化一个默认的Catalog
③:初始化用于记载Session中注册的临时表
3.2、深入测试catalog
- // 创建一个hive元数据空间的实现对象
- HiveCatalog hiveCatalog = new HiveCatalog("hive", "default", "conf");
- // 将hive元数据空间对象注册到环境中
- tableEnv.registerCatalog("myHiveCatalog",hiveCatalog);
复制代码
- 实验分别在不同的Catalog中创建表、视图、临时表
- //1、尝试在HiveCatalog中建表
- tableEnv.executeSql("CREATE TABLE IF NOT EXISTS myHiveCatalog.`default`.t_kafka (...)");
- //2、默认在DefaultCatalog中建表
- tableEnv.executeSql("CREATE TABLE t_kafka2 (...) ");
- //3、在HiveCatalog中创建视图
- tableEnv.executeSql("CREATE VIEW IF NOT EXISTS myHiveCatalog.`default`.t_kafka_view ...");
- //4、创建临时表,指定HiveCatalog
- tableEnv.executeSql("create temporary table myHiveCatalog.`default`.test_temporary_hive...");
复制代码
- 查看CatalogManager,得到Catalog的结果,临时表单独存在在temporaryTables
3.3、临时表与永久表的底层差异
结论1:如果利用hive元数据空间窗口表、视图,则:
- 永久表(视图)的元信息,都会被写入 hive的元数据管理器中,从而可以实现永久存在
- 临时表(视图)的元信息,并不会写入 hive的元数据管理其中,而是放在 catalogManager的一个 temporaryTables的内存 hashmap中记载
- 临时表空间中的表名(全名)如果与 hive空间中的表名雷同,则查询时会优先选择临时表空间的表
结论 2:如果选择 GenericInMemoryCatalog元数据空间来创建表、视图,则:
- 永久表(视图)的元信息,都会被写入 GenericInMemoryCatalog的元数据管理器中(内存中)
- 临时表(视图)的元信息,放在 catalogManager的一个 temporaryTables的内存 hashmap中记载
- 无论永久照旧临时,当 flink的运行 session结束后,所创建的表(永久、临时)都将不复存在
3.4、如何理解hive catalog
注:本质区别,这也阐明之前为啥有的时间进行查询的时间必要切换查询引擎
flinksql利用 hive catalog来建表(查询、修改、删除表),本质上只是利用了 hive的 metastore服务;
更具体来说,flinksql只是把 flinksql的表界说信息,按照 hive元数据的情势,托管到 hive的 metastore中而已!
固然,hive中也能看到这些托管的表信息,但是,并不能利用它底层的 mapreduce大概 spark引擎来查询这些表;
因为 mapreduce大概 spark引擎,并不能理解 flinksql表界说中的信息,也无法为这些界说信息提供相应的组件去读取数据(比如,mr大概 spark就没有 flinksql中的各种 connector组件)
4、表界说详解
4.1、schema字段界说详解
- physical column,物理字段:源自于“外部存储”体系自己 schema中的字段
如 kafka消息的 key、value(json格式)中的字段;mysql表中的字段;hive表中的字段;parquet文件中的字段……
- computed column,表达式字段(逻辑字段):在物理字段上施加一个 sql表达式,并将表达式结果界说为一个字段
- metadata column,元数据字段:泉源于 connector从外部存储体系中获取到的“外部体系元信息”。比如,kafka的消息,通常意义上的数据内容是在 record的 key和 value中的,而实质上(底层角度来看),kafka中的每一条 record,不但带了 key和 value数据内容,还带了这条 record所属的 topic,所属的 partition,地点的 offset,以及 record的 timetamp和 timestamp范例等“元信息”,而 flink的 connector可以获取并暴露这些元信息,并允许用户将这些信息界说成 flinksql表中的字段;
- 主键约束:flinkSQL自己也支持主键约束,这个目前没有效到,感觉应该可以类别Mysql的主键约束理解。
4.2、format组件
connector毗连器在对接外部存储时,根据外部存储中的数据格式不同,必要用到不同的 format组件;
format组件的作用就是:告诉毗连器,如何分析外部存储中的数据及映射到表 schema
这里枚举常见的两种format
json
- flink官网文档:https://nightlies.apache.org/flink/flink-docs-release-1.15/docs/connectors/table/formats/json/
- 假定有如下的json格式的数据:{"id":1,"friends":[{"name":"a","info":{"addr":"bj","gender":"male"}},{"name":"b","info":{"addr":"sh","gender":"female"}}]}
- flinkSQL语句
- tableEnvironment.executeSql(
- " CREATE TABLE t_json( "
- + " id INT, "
- + " friends ARRAY<ROW<name STRING,info MAP<STRING,STRING>>> "
- + " "
- + " )WITH( "
- + " 'connector' = 'filesystem', "
- + " 'path' = 'input/json', "
- + " 'format' = 'json' "
- + " ) "
- );
- tableEnvironment.executeSql("DESC t_json").print();
- tableEnvironment.executeSql(
- " SELECT id "
- + " , friend.name "
- + " , friend.info['gender'] "
- + " , friend.info['addr'] "
- + " FROM t_json, "
- + " UNNEST(friends) AS friend "
- ).print();
复制代码
csv
- flink官网文档:https://nightlies.apache.org/flink/flink-docs-release-1.15/docs/connectors/table/formats/csv/
- 假定命据格式如下:
|1|,|zs|,|18|
#哈哈哈哈
|2|,|ls|,|20|
|3|,|ww|,\N
- flinkSQL语句
- tableEnvironment.executeSql(
- " CREATE TABLE t_csv ( "
- + " id INT, "
- + " name STRING, "
- + " age INT "
- + " "
- + " )WITH( "
- + " 'connector' = 'filesystem', "
- + " 'path' = 'input/csv', "
- + " 'format' = 'csv', "
- + " 'csv.quote-character' = '|', "
- + " 'csv.ignore-parse-errors' = 'true', "
- + " 'csv.allow-comments' = 'true', "
- + " 'csv.null-literal' = '\\N', "
- + " 'format' = 'csv' "
- + " ) "
- );
- tableEnvironment.executeSql("DESC t_csv").print();
- tableEnvironment.executeSql(
- " SELECT id "
- + " , name "
- + " , age "
- + " FROM t_csv "
- ).print();
复制代码
4.3、 watermark与time属性详解
时间属性界说,主要是用于各类基于时间的运算操纵(如基于时间窗口的查询计算)
4.3.1、界说水位线
- 表界说
注:这里的时间范例必须为Timestamp
- 查询结果
4.3.2、表与流之间 WaterMark
WaterMark和转换之前的WaterMark计算规则保持一致
- 流转表
流转表的过程中,无论“源流”是否存在 watermark,都不会主动传递 watermark
如需时间运算(如时间窗口等),必要在转换界说中显式声明 watermark策略
- 先设法界说一个 timestamp(3)大概 timestamp_ltz(3)范例的字段(可以来自于数据字段,也可以来自于一个元数据: rowtime
- 然后基于该字段,用 watermarkExpression声明 watermark策略
- 表转流
前提:源表界说了 wartermark策略;
则将表转成流时,将会主动传递源表的 watermark;
4.4、connector详解
connector常是用于对接外部存储建表(源表或目标表)时的映射器、桥接器;
connector本质上是对 flink的 table source /table sink算子的封装;参考链接:https://nightlies.apache.org/flink/flink-docs-release-1.18/docs/connectors/table/overview/
连机器利用的核心要素:
- 导入毗连器 jar包依赖
- 指定毗连器范例名
- 指定毗连器所需的参数(不同毗连器有不同的参数设置),如:format
- 获取毗连器所提供的元数据,如:schema
Flink支持的毗连器有很多种,包罗:Filesystem、Elasticsearch、MongoDB、Apache Kafka、Apache HBase…
以kafka毗连器举例阐明其在FlinkSQL中的过程:
- // 创建生产者实例
- Producer<String, String> producer = new KafkaProducer(props);
- // 创建消息,并添加头部信息
- ProducerRecord<String, String> record = new ProducerRecord("connector_test",
- "{"k1":13,"k2":23}",
- "{"k1":"value_1","k2":"value_2","eventID":"002","eventTime":1708759402246}");
- record.headers().add("head1", "headValue1".getBytes());
- // 发送消息
- producer.send(record);
- System.out.println(record);
- // 关闭生产者
- producer.close();
复制代码 存在的题目:
- kafka的消息中有 json格式的 key(key内容必要映射到表 schema中)
- kafka的消息中有 json格式的 value(value内容必要映射到表 schema中)
- key和 value的 json数据内容中还有同名的字段
- kafka的消息中有 header(header内容必要映射到表 schema中)
- 创建FlinkSQL表
不带key开头的format默认只对value生效:
- CREATE TABLE KafkaSourceTable (
- `meta_time` TIMESTAMP(3) METADATA FROM 'timestamp',
- `partition` BIGINT METADATA VIRTUAL,
- `offset` BIGINT METADATA VIRTUAL,
- `headers` MAP<STRING,BYTES> METADATA FROM 'headers'
- `inKey_k1` STRING,
- `inKey_k2` STRING,
- `k1` STRING,
- `K2` STRING,
- `eventTime` BIGINT,
- `eventID` BIGINT
- ) WITH (
- 'connector' = 'kafka',
- 'topic' = 'connector_test',
- 'properties.bootstrap.servers' = '123.56.100.37:9092',
- 'properties.group.id' = 'testGroup',
- 'scan.startup.mode' = 'earliest-offset',
- 'format' = 'json',
- 'json.ignore-parse-errors' = 'true',
- 'json.fail-on-missing-field' = 'true',
- 'key.fields'='inKey_k1;inKey_k2',
- 'key.fields-prefix' = 'inKey_',
- 'value.fields-include' = 'EXCEPT_KEY'
- );
复制代码
免责声明:如果侵犯了您的权益,请联系站长,我们会及时删除侵权内容,谢谢合作!更多信息从访问主页:qidao123.com:ToB企服之家,中国第一个企服评测及商务社交产业平台。 |