FlinkSQL | 流处理中的特殊概念

一、前言

        上一篇文章，为大家介绍了关于 FlinkSQL 的背景，常见使用以及一些小技巧。学完之后，对于FlinkSQL只能算是简单入了个门。不过不用担心，本篇文章，博主将为大家带来关于 FlinkSQL中流处理的特殊概念，喜欢的话，记得看完点个赞|ू･ω･` )

二、流处理中的特殊概念

        Table API和SQL，本质上还是基于关系型表的操作方式；而关系型表、关系代数，以及SQL本身，一般是有界的，更适合批处理的场景。这就导致在进行流处理的过程中，理解会稍微复杂一些，需要引入一些特殊概念

2.1 流处理和关系代数（表，及SQL）的区别

        可以看到，其实关系代数（主要就是指关系型数据库中的表）和SQL，主要就是针对批处理的，这和流处理有天生的隔阂。
        

2.2 动态表（Dynamic Tables）

        因为流处理面对的数据，是连续不断的，这和我们熟悉的关系型数据库中保存的“表”完全不同。所以，如果我们把流数据转换成Table，然后执行类似于table的 select 操作，结果就不是一成不变的，而是随着新数据的到来，会不停更新。

        我们可以随着新数据的到来，不停地在之前的基础上更新结果。这样得到的表，在Flink Table API 概念里，就叫做 “动态表” （Dynamic Tables）

        动态表是 Flink 对流数据的 Table API 和 SQL 支持的核心概念。与表示批处理数据的静态表不同，动态表是随时间变化的。动态表可以像静态的批处理表一样进行查询，查询一个动态表会产生持续查询（Continuous Query）。连续查询永远不会终止，并会生成另一个动态表。查询（Query）会不断更新其动态结果表，以反映其动态输入表上的更改。
        

2.3 流式持续查询的过程

        下图显示了流、动态表和连续查询的关系：

        流式持续查询的过程为：

1. 流被转换为动态表
2. 对动态表计算连续查询，生成新的动态表
3. 生成的动态表被转换回流

2.3.1 将流转换成表（Table）

        为了处理带有关系查询的流，必须先将其转换为表

        从概念上讲，流的每个数据记录，都被解释为对结果表的插入（Insert）修改。因为流是持续不断的，而且之前的输出结果无法改变。本质上，我们其实是从一个、只有插入操作的 changelog（更新日志）流，来构建一个表

        为了更好地说明动态表和持续查询的概念，我们来举一个具体的例子

        比如，我们现在的输入数据，就是用户在网站上的访问行为，数据类型（Schema）如下：

[
  user:  VARCHAR,   // 用户名
  cTime: TIMESTAMP, // 访问某个URL的时间戳
  url:   VARCHAR    // 用户访问的URL
]

        下图显示了如何将访问URL事件流，或者叫点击事件流（左侧）转换为表（右侧）。
        

        随着插入更多的访问事件流记录，生成的表将不断增长。
        

2.3.2 持续查询（Continuous Query）

        持续查询，会在动态表上做计算处理，并作为结果生成新的动态表。与批处理查询不同，连续查询从不终止，并根据输入表上的更新更新其结果表。

        在任何时间点，连续查询的结果在语义上，等同于在输入表的快照上，以批处理模式执行的同一查询的结果。

        在下面的示例中，我们展示了对点击事件流中的一个持续查询。

        这个Query很简单，是一个分组聚合做 count 统计的查询。它将用户字段上的 clicks 表分组，并统计访问的 url 数。图中显示了随着时间的推移，当 clicks 表被其他行更新时如何计算查询。

2.3.3 将动态表转换成流

        与常规的数据库表一样，动态表可以通过插入（Insert）、更新（Update）和删除（Delete）更改，进行持续的修改。将动态表转换为流或将其写入外部系统时，需要对这些更改进行编码。Flink的Table API和SQL支持三种方式对动态表的更改进行编码：

• 仅追加（Append-only）流

        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，就是动态表中新增的每一行。

• 撤回（Retract）流

        Retract流是包含两类消息的流，添加（Add）消息和撤回（Retract）消息。

        动态表通过将 INSERT 编码为 add 消息、DELETE 编码为retract消息、UPDATE 编码为被更改行（前一行）的 retract 消息和更新后行（新行）的 add 消息，转换为 retract 流。

        下图显示了将动态表转换为 Retract 流的过程。

• Upsert（更新插入）流

        Upsert 流包含两种类型的消息：Upsert 消息和 delete 消息。转换为 upsert 流的动态表，需要有唯一的键（key）。

        通过将 INSERT 和 UPDATE 更改编码为 upsert 消息，将DELETE更改编码为DELETE消息，就可以将具有唯一键（Unique Key）的动态表转换为流。

        下图显示了将动态表转换为 upsert 流的过程。

        这些概念我们之前都已提到过。需要注意的是，在代码里将动态表转换为DataStream时，仅支持 Append 和Retract流 。而向外部系统输出动态表的TableSink接口，则可以有不同的实现，比如之前我们讲到的ES，就可以有Upsert模式。

2.4 时间特性

        基于时间的操作（比如 Table API 和 SQL 中窗口操作），需要定义相关的时间语义和时间数据来源的信息。所以，Table可以提供一个逻辑上的时间字段，用于在表处理程序中，指示时间和访问相应的时间戳。

        时间属性，可以是每个表 schema 的一部分。一旦定义了时间属性，它就可以作为一个字段引用，并且可以在基于时间的操作中使用。

        时间属性的行为类似于常规时间戳，可以访问，并且进行计算。

2.4.1 处理时间（Processing Time）

        处理时间语义下，允许表处理程序根据机器的本地时间生成结果。它是时间的最简单概念。它既不需要提取时间戳，也不需要生成watermark。

        定义处理时间属性有三种方法：在 DataStream 转化时直接指定；在定义 Table Schema 时指定；在创建表的 DDL 中指定。

2.4.1.1 DataStream转化成Table时指定

        由 DataStream 转换成表时，可以在后面指定字段名来定义Schema。在定义 Schema 期间，可以使用 .proctime ，定义处理时间字段。

        注意，这个 proctime 属性只能通过附加逻辑字段，来扩展物理schema 。因此，只能在 schema 定义的末尾定义它。

        代码如下：

// 定义好 DataStream
val inputStream: DataStream[String] = env.readTextFile("\\sensor.txt")
val dataStream: DataStream[SensorReading] = inputStream
  .map(data => {
    val dataArray = data.split(",")
    SensorReading(dataArray(0), dataArray(1).toLong, dataArray(2).toDouble)
  })

// 将 DataStream转换为 Table，并指定时间字段
val sensorTable = tableEnv.fromDataStream(dataStream, 'id, 'temperature, 'timestamp, 'pt.proctime)

2.4.1.2 定义Table Schema 时指定

        这种方法其实也很简单，只要在定义 Schema 的时候，加上一个新的字段，并指定成 proctime 就可以了。

        代码如下：

tableEnv.connect(
  new FileSystem().path("..\\sensor.txt"))
  .withFormat(new Csv())
  .withSchema(new Schema()
    .field("id", DataTypes.STRING())
    .field("timestamp", DataTypes.BIGINT())
    .field("temperature", DataTypes.DOUBLE())
    .field("pt", DataTypes.TIMESTAMP(3))
      .proctime()    // 指定 pt字段为处理时间
  ) // 定义表结构
  .createTemporaryTable("inputTable") // 创建临时表

2.4.1.3 创建表的DDL中指定

        在创建表的DDL中，增加一个字段并指定成 proctime，也可以指定当前的时间字段。

        代码如下：

val sinkDDL: String =
  """
    |create table dataTable (
    |  id varchar(20) not null,
    |  ts bigint,
    |  temperature double,
    |  pt AS PROCTIME()
    |) with (
    |  'connector.type' = 'filesystem',
    |  'connector.path' = 'file:///D:\\..\\sensor.txt',
    |  'format.type' = 'csv'
    |)
  """.stripMargin

tableEnv.sqlUpdate(sinkDDL) // 执行 DDL

        注意：运行这段DDL，必须使用Blink Planner

2.4.2 事件时间（Event Time）

        事件时间语义，允许表处理程序根据每个记录中包含的时间生成结果。这样即使在有乱序事件或者延迟事件时，也可以获得正确的结果。

        为了处理无序事件，并区分流中的准时和迟到事件；Flink需要从事件数据中，提取时间戳，并用来推进事件时间的进展（watermark）。

2.4.2.1 DataStream转化成Table时指定

        在 DataStream 转换成 Table，schema 的定义期间，使用 .rowtime 可以定义事件时间属性。注意，必须在转换的数据流中分配时间戳和watermark

        在将数据流转换为表时，有两种定义时间属性的方法。根据指定的 .rowtime 字段名是否存在于数据流的架构中，timestamp 字段可以：

• 作为新字段追加到schema
• 替换现有字段

        在这两种情况下，定义的事件时间戳字段，都将保存 DataStream 中事件时间戳的值。

        代码如下：

val inputStream: DataStream[String] = env.readTextFile("\\sensor.txt")
val dataStream: DataStream[SensorReading] = inputStream
    .map(data => {
        val dataArray = data.split(",")
        SensorReading(dataArray(0), dataArray(1).toLong, dataArray(2).toDouble)
      })
    .assignAscendingTimestamps(_.timestamp * 1000L)

// 将 DataStream转换为 Table，并指定时间字段
val sensorTable = tableEnv.fromDataStream(dataStream, 'id, 'timestamp.rowtime, 'temperature)
// 或者，直接追加字段
val sensorTable2 = tableEnv.fromDataStream(dataStream, 'id, 'temperature, 'timestamp, 'rt.rowtime)

2.4.2.2 定义Table Schema时指定

        这种方法只要在定义 Schema 的时候，将事件时间字段，并指定成 rowtime 就可以了。

        代码如下：

tableEnv.connect(new FileSystem().path("sensor.txt"))
      .withFormat(new Csv())
      .withSchema(new Schema()
        .field("id", DataTypes.STRING())
        .field("timestamp", DataTypes.BIGINT())
        .rowtime(new Rowtime()
          .timestampsFromField("timestamp") // 从字段中提取时间戳
          .watermarksPeriodicBounded(1000) // watermark 延迟 1 秒 )
        )
        .field("temperature", DataTypes.DOUBLE())) // 定义表结构
      .createTemporaryTable("inputTable") // 创建临时表

2.4.3 创建表的 DDL 中指定

        事件时间属性，是使用 watermark 语句，定义现有事件时间字段上的 watermark 生成表达式，该表达式将事件时间字段标记为事件时间属性

        代码如下：

val sinkDDL: String =
"""
|create table dataTable (
|  id varchar(20) not null,
|  ts bigint,
|  temperature double,
|  rt AS TO_TIMESTAMP( FROM_UNIXTIME(ts) ),
|  watermark for rt as rt - interval '1' second
|) with (
|  'connector.type' = 'filesystem',
|  'connector.path' = 'file:///D:\\..\\sensor.txt',
|  'format.type' = 'csv'
|)
""".stripMargin
tableEnv.sqlUpdate(sinkDDL) // 执行 DDL

        这里 FROM_UNIXTIME 是系统内置的时间函数，用来将一个整数（秒数）转换成“YYYY-MM-DD hh:mm:ss”格式（默认，也可以作为第二个String参数传入）的日期时间字符串（date time string）；然后再用TO_TIMESTAMP将其转换成Timestamp

巨人的肩膀

1、http://www.atguigu.com/
2、https://www.bilibili.com/video/BV12k4y1z7LM?from=search&seid=953051020130358915
3、https://blog.csdn.net/u013411339/article/details/93267838

小结

        本篇文章在前一篇关于FlinkSQL的基础之上，引入了流处理中的一些特殊概念，如果没有Flink基础的同学可能会理解起来比较吃力，建议去看看菌哥之前写的文章或者私信笔者具体的疑惑。学习时间语义，要配合窗口操作才能发挥作用，下一篇文章，将为大家带来关于FlinkSQL窗口的具体内容，敬请期待 |ू･ω･` )你知道的越多，你不知道的也越多，我是Alice，我们下一期见！
        

文章持续更新，可以微信搜一搜「 猿人菌 」第一时间阅读，思维导图，大数据书籍，大数据高频面试题，海量一线大厂面经等你来领取，顺便关注下这个在大数据领域冉冉升起的新星！