3 Paimon数据湖中的表类型详解_paimon表和hive区别

最新推荐文章于 2024-05-17 10:37:44 发布

2401_84164672

最新推荐文章于 2024-05-17 10:37:44 发布

阅读量569

点赞数 15

文章标签： hive hadoop 数据仓库

本文链接：https://blog.csdn.net/2401_84164672/article/details/138234088

版权

  //Row.ofKind(RowKind.DELETE, "jack", Int.box(11))//-D
)(Types.ROW_NAMED(Array("name", "age"),Types.STRING,Types.INT))


//将DataStream转换为Table
val schema = Schema.newBuilder()
  .column("name", DataTypes.STRING().notNull())//主键非空
  .column("age", DataTypes.INT())
  .primaryKey("name")//指定主键
  .build()
val table = tEnv.fromChangelogStream(dataStream,schema,ChangelogMode.all())

//创建Paimon类型的Catalog
tEnv.executeSql(
  """
    |CREATE CATALOG paimon_catalog WITH (
    |    'type'='paimon',
    |    'warehouse'='hdfs://bigdata01:9000/paimon'
    |)
    |""".stripMargin)
tEnv.executeSql("USE CATALOG paimon_catalog")

//注册临时表
tEnv.createTemporaryView("t1",table)

//创建Paimon类型的表
tEnv.executeSql(
  """
    |-- 注意：这里的表名使用反引号进行转义，否则会导致SQL DDL语句解析失败。
    |CREATE TABLE IF NOT EXISTS `changelog_input` (
    |    name STRING,
    |    age INT,
    |    PRIMARY KEY (name) NOT ENFORCED
    |) WITH (
    |    'changelog-producer' = 'input'
    |)
    |""".stripMargin)

//向Paimon表中写入数据
tEnv.executeSql(
  """
    |INSERT INTO `changelog_input`
    |SELECT name,age FROM t1
    |""".stripMargin)

}


注意：在执行代码的时候通过修改`env.fromElements(...)`中的注释来实现实时产生多种类型数据的效果。


接下来创建Object：`FlinkDataStreamReadFromPaimonForInput`


这个Object负责从Paimon表中实时读取数据。


代码如下：

package tech.xuwei.paimon.changelogproducer.input

import org.apache.flink.api.common.RuntimeExecutionMode
import org.apache.flink.configuration.{Configuration, RestOptions}
import org.apache.flink.streaming.api.scala.StreamExecutionEnvironment
import org.apache.flink.table.api.bridge.scala.StreamTableEnvironment

/**

使用Flink DataStream API从Paimon表中读取数据
Created by xuwei
*/
object FlinkDataStreamReadFromPaimonForInput {
def main(args: Array[String]): Unit = {
val conf = new Configuration()
//指定WebUI界面的访问端口，默认就是8081
conf.setString(RestOptions.BIND_PORT,“8081”)
//为了便于在本地通过页面观察任务执行情况，所以开启本地WebUI功能
val env = StreamExecutionEnvironment.createLocalEnvironmentWithWebUI(conf)
env.setRuntimeMode(RuntimeExecutionMode.STREAMING)

//禁用Chain，把多个算子拆分开单独执行，便于在开发和测试阶段观察，正式执行时不需要禁用Chain
env.disableOperatorChaining()

val tEnv = StreamTableEnvironment.create(env)

//创建Paimon类型的Catalog
tEnv.executeSql(
“”"
|CREATE CATALOG paimon_catalog WITH (
| ‘type’=‘paimon’,
| ‘warehouse’=‘hdfs://bigdata01:9000/paimon’
|)
|“”".stripMargin)
tEnv.executeSql(“USE CATALOG paimon_catalog”)

//执行SQL查询，打印输出结果
val execSql =
“”"
|SELECT * FROM changelog_input – 此时默认只能查到数据的最新值
|-- /*+ OPTIONS(‘scan.mode’=‘from-snapshot’,‘scan.snapshot-id’ = ‘1’) */ – 通过动态表选项来指定数据读取(扫描)模式，以及从哪里开始读取
|“”".stripMargin
val table = tEnv.sqlQuery(execSql)
table.execute().print()

}


接下来先运行`FlinkDataStreamWriteToPaimonForInput`向Paimon表中写入`+I`类型的数据。


再运行`FlinkDataStreamReadFromPaimonForInput`负责读取数据。  
 此时可以看到控制台输出如下结果：

±—±-------------------------------±------------+
| op | name | age |
±—±-------------------------------±------------+
| +I | jack | 10 |


来看一下这个Flink任务的Web UI界面  
 ![在这里插入图片描述](https://img-blog.csdnimg.cn/426d219dcf2844b0a56ca8dac531ec25.png#pic_center)


在这可以发现，此时这个任务中没有产生Changelog Normalize物化节点，因为我们在Paimon表中指定了`changelog-producer=input`，所以这个Paimon表内部会自己存储Changelog数据。


此时到这个Paimon表的hdfs数据目录中查看一下：

[root@bigdata04 ~]# hdfs dfs -ls /paimon/default.db/changelog_input/bucket-0
Found 2 items
-rw-r–r-- 3 yehua supergroup 566 2028-12-11 11:14 /paimon/default.db/changelog_input/bucket-0/changelog-bc3740e4-6adf-4e94-9d4e-c1ece10ed114-0.orc
-rw-r–r-- 3 yehua supergroup 566 2028-12-11 11:14 /paimon/default.db/changelog_input/bucket-0/data-bc3740e4-6adf-4e94-9d4e-c1ece10ed114-1.orc


在这里可以发现里面有两个文件，一个以data开头的文件，里面存储的是数据自身。还有一个以changelog开头的文件，里面存储的是changelog变更数据。


修改`FlinkDataStreamWriteToPaimonForInput`中的代码，继续执行，向Paimon表中写入`-U`类型的数据。

//手工构造一个Changelog DataStream 数据流
val dataStream = env.fromElements(
//Row.ofKind(RowKind.INSERT, “jack”, Int.box(10))//+I
Row.ofKind(RowKind.UPDATE_BEFORE, “jack”, Int.box(10))//-U
//Row.ofKind(RowKind.UPDATE_AFTER, “jack”, Int.box(11))//+U
//Row.ofKind(RowKind.DELETE, “jack”, Int.box(11))//-D
)(Types.ROW_NAMED(Array(“name”, “age”),Types.STRING,Types.INT))


此时可以在`FlinkDataStreamReadFromPaimonForInput`的控制台看到如下结果：

| -U | jack | 10 |


再修改`FlinkDataStreamWriteToPaimonForInput`中的代码，继续执行，向Paimon表中写入`+U`类型的数据。

//手工构造一个Changelog DataStream 数据流
val dataStream = env.fromElements(
//Row.ofKind(RowKind.INSERT, “jack”, Int.box(10))//+I
//Row.ofKind(RowKind.UPDATE_BEFORE, “jack”, Int.box(10))//-U
Row.ofKind(RowKind.UPDATE_AFTER, “jack”, Int.box(11))//+U
//Row.ofKind(RowKind.DELETE, “jack”, Int.box(11))//-D
)(Types.ROW_NAMED(Array(“name”, “age”),Types.STRING,Types.INT))


此时可以在`FlinkDataStreamReadFromPaimonForInput`的控制台看到如下结果：

| +U | jack | 11 |


再修改`FlinkDataStreamWriteToPaimonForInput`中的代码，继续执行，向Paimon表中写入`-D`类型的数据。

//手工构造一个Changelog DataStream 数据流
val dataStream = env.fromElements(
//Row.ofKind(RowKind.INSERT, “jack”, Int.box(10))//+I
//Row.ofKind(RowKind.UPDATE_BEFORE, “jack”, Int.box(10))//-U
//Row.ofKind(RowKind.UPDATE_AFTER, “jack”, Int.box(11))//+U
Row.ofKind(RowKind.DELETE, “jack”, Int.box(11))//-D
)(Types.ROW_NAMED(Array(“name”, “age”),Types.STRING,Types.INT))


此时可以在`FlinkDataStreamReadFromPaimonForInput`的控制台看到如下结果：

| -D | jack | 11 |


下面我们停止`FlinkDataStreamReadFromPaimonForInput`这个实时读取任务。


停止了之后，修改一下代码，因为默认只会读取最新的数据快照

val execSql =
“”"
|SELECT * FROM changelog_input – 此时默认只能查到数据的最新值
|/*+ OPTIONS(‘scan.mode’=‘from-snapshot’,‘scan.snapshot-id’ = ‘1’) */ – 通过动态表选项来指定数据读取(扫描)模式，以及从哪里开始读取
|“”".stripMargin


再重新运行`FlinkDataStreamReadFromPaimonForNone`这个实时读取任务，可以看到这个结果：

±—±-------------------------------±------------+
| op | name | age |
±—±-------------------------------±------------+
| +I | jack | 10 |
| -U | jack | 10 |
| +U | jack | 11 |
| -D | jack | 11 |


注意：此时可以看到完整的数据变更情况，这是依赖于Paimon表中存储的changelog文件实现的，没有依赖于Flink任务中的`Changelog Normalize`物化节点。


所以说，如果我们数据源中可以提供完整的changelog数据，那么建议给存储数据的Paimon表设置`changelog-producer=input`，这样下游任务读取这个Paimon表的时候就可以直接从表中changelog文件里面获取变更数据了，不需要自己维护，效率比较高。


###### （3）Lookup


如果数据源中没有提供完整的 Changelog，并且我们也不想让下游任务在读取数据时通过Changelog Normalize物化节点来生成，那么这个时候我们可以考虑在Paimon表中配置 `changelog-producer=lookup`。


这样可以通过Lookup(查找)的方式在向Paimon表中写入数据的时候生成 Changelog。


但是需要注意：Lookup这种方式目前处于实验阶段，还没有经过大量的生产环境验证。


![在这里插入图片描述](https://img-blog.csdnimg.cn/1fbd5376a423421d8e721e725743ceb7.png#pic_center)


看这个图，此时这个数据源中没有提供完整的Changelog，这个数据源可以是任意类型的数据源，数据源中可能只有`+I、+U、-D`类型的数据，缺少了`-U`类型的数据。


但是由于我们在Paimon表中设置了`changelog-producer=lookup`，所以在通过`SinkWriter`向Paimon表中写入数据的时候，底层会通过Lookup的方式查找表中已有的数据，自动生成`Changelog File`，补全`-U`类型的变更日志。


这样下游任务在读取这个Paimon表的时候就可以直接从表对应的`Changelog File`中读取到完整的`+I、-U、+U、-D`类型的数据了。


下面我们来具体演示一下建表语句中指定`changelog-producer=lookup`时的效果


创建package：`tech.xuwei.paimon.changelogproducer.lookup`


基于创建Object：`FlinkDataStreamWriteToPaimonForLookup`


这个Object负责向Paimon表中模拟写入数据。


代码如下：

package tech.xuwei.paimon.changelogproducer.lookup

import org.apache.flink.api.common.RuntimeExecutionMode
import org.apache.flink.api.common.typeinfo.Types
import org.apache.flink.streaming.api.scala.StreamExecutionEnvironment
import org.apache.flink.table.api.bridge.scala.StreamTableEnvironment
import org.apache.flink.table.api.{DataTypes, Schema}
import org.apache.flink.table.connector.ChangelogMode
import org.apache.flink.types.{Row, RowKind}

/**

使用Flink DataStream API向Paimon表中写入数据
Created by xuwei
*/
object FlinkDataStreamWriteToPaimonForLookup {
def main(args: Array[String]): Unit = {
//获取执行环境
val env = StreamExecutionEnvironment.getExecutionEnvironment
env.setRuntimeMode(RuntimeExecutionMode.STREAMING)
val tEnv = StreamTableEnvironment.create(env)

//手工构造一个Changelog DataStream 数据流
val dataStream = env.fromElements(
Row.ofKind(RowKind.INSERT, “jack”, Int.box(10))//+I
//Row.ofKind(RowKind.UPDATE_AFTER, “jack”, Int.box(11))//+U
//Row.ofKind(RowKind.DELETE, “jack”, Int.box(11))//-D
)(Types.ROW_NAMED(Array(“name”, “age”),Types.STRING,Types.INT))

//将DataStream转换为Table
val schema = Schema.newBuilder()
.column(“name”, DataTypes.STRING().notNull())//主键非空
.column(“age”, DataTypes.INT())
.primaryKey(“name”)//指定主键
.build()
val table = tEnv.fromChangelogStream(dataStream,schema,ChangelogMode.all())

//创建Paimon类型的Catalog
tEnv.executeSql(
“”"
|CREATE CATALOG paimon_catalog WITH (
| ‘type’=‘paimon’,
| ‘warehouse’=‘hdfs://bigdata01:9000/paimon’
|)
|“”".stripMargin)
tEnv.executeSql(“USE CATALOG paimon_catalog”)

//注册临时表
tEnv.createTemporaryView(“t1”,table)

//创建Paimon类型的表
tEnv.executeSql(
“”"
|-- 注意：这里的表名使用反引号进行转义，否则会导致SQL DDL语句解析失败。
|CREATE TABLE IF NOT EXISTS changelog_lookup (
| name STRING,
| age INT,
| PRIMARY KEY (name) NOT ENFORCED
|) WITH (
| ‘changelog-producer’ = ‘lookup’
|)
|“”".stripMargin)

//向Paimon表中写入数据
tEnv.executeSql(
“”"
|INSERT INTO changelog_lookup
|SELECT name,age FROM t1
|“”".stripMargin)
}

}


注意：在执行代码的时候通过修改`env.fromElements(...)`中的注释来实现实时产生多种类型数据的效果。


接下来创建Object：`FlinkDataStreamReadFromPaimonForLookup`


这个Object负责从Paimon表中实时读取数据。


代码如下：

package tech.xuwei.paimon.changelogproducer.lookup

/**

使用Flink DataStream API从Paimon表中读取数据
Created by xuwei
*/
object FlinkDataStreamReadFromPaimonForLookup {
def main(args: Array[String]): Unit = {
val conf = new Configuration()
//指定WebUI界面的访问端口，默认就是8081
conf.setString(RestOptions.BIND_PORT,“8081”)
//为了便于在本地通过页面观察任务执行情况，所以开启本地WebUI功能
val env = StreamExecutionEnvironment.createLocalEnvironmentWithWebUI(conf)
env.setRuntimeMode(RuntimeExecutionMode.STREAMING)

//禁用Chain，把多个算子拆分开单独执行，便于在开发和测试阶段观察，正式执行时不需要禁用Chain
env.disableOperatorChaining()

val tEnv = StreamTableEnvironment.create(env)

//创建Paimon类型的Catalog
tEnv.executeSql(
“”"
|CREATE CATALOG paimon_catalog WITH (
| ‘type’=‘paimon’,
| ‘warehouse’=‘hdfs://bigdata01:9000/paimon’
|)
|“”".stripMargin)
tEnv.executeSql(“USE CATALOG paimon_catalog”)

//执行SQL查询，打印输出结果
val execSql =
“”"
|SELECT * FROM changelog_lookup – 此时默认只能查到数据的最新值
|-- /*+ OPTIONS(‘scan.mode’=‘from-snapshot’,‘scan.snapshot-id’ = ‘1’) */ – 通过动态表选项来指定数据读取(扫描)模式，以及从哪里开始读取
|“”".stripMargin
val table = tEnv.sqlQuery(execSql)
table.execute().print()

}


接下来先运行`FlinkDataStreamWriteToPaimonForLookup`向Paimon表中写入+I类型的数据。


再运行`FlinkDataStreamReadFromPaimonForLookup`负责读取数据。  
 此时可以看到控制台输出如下结果：

±—±-------------------------------±------------+
| op | name | age |
±—±-------------------------------±------------+
| +I | jack | 10 |


来看一下这个Flink任务的Web UI界面  
 ![在这里插入图片描述](https://img-blog.csdnimg.cn/896ac30e704548078972651a826ca196.png#pic_center)


在这可以发现，此时这个任务中没有产生`Changelog Normalize`物化节点，因为我们在Paimon表中指定了`changelog-producer=lookup`，Changelog数据会在我们向Paimon表中写入数据的时候通过Lookup产生。


到这个Paimon表的hdfs数据目录里面查看一下：

[root@bigdata04 ~]# hdfs dfs -ls /paimon/default.db/changelog_lookup/bucket-0
Found 3 items
-rw-r–r-- 3 yehua supergroup 566 2028-12-11 12:01 /paimon/default.db/changelog_lookup/bucket-0/changelog-edb23cdc-09be-4437-b2ac-716e06e25c6d-1.orc
-rw-r–r-- 3 yehua supergroup 566 2028-12-11 12:01 /paimon/default.db/changelog_lookup/bucket-0/data-edb23cdc-09be-4437-b2ac-716e06e25c6d-0.orc
-rw-r–r-- 3 yehua supergroup 566 2028-12-11 12:01 /paimon/default.db/changelog_lookup/bucket-0/data-f07e00b5-a815-4d64-b8d6-1b8a2e64dab6-0.orc


在这可以发现，里面有1个changelog开头的文件，这个就是Lookup产生的。


修改`FlinkDataStreamWriteToPaimonForLookup`中的代码，继续执行，向Paimon表中写入`+U`类型的数据。

//手工构造一个Changelog DataStream 数据流
val dataStream = env.fromElements(
//Row.ofKind(RowKind.INSERT, “jack”, Int.box(10))//+I
Row.ofKind(RowKind.UPDATE_AFTER, “jack”, Int.box(11))//+U
//Row.ofKind(RowKind.DELETE, “jack”, Int.box(11))//-D
)(Types.ROW_NAMED(Array(“name”, “age”),Types.STRING,Types.INT))


此时可以在`FlinkDataStreamReadFromPaimonForLookup`的控制台看到如下结果：

| -U | jack | 10 |
| +U | jack | 11 |


注意：虽然我们向Paimon表中只写入了+U类型的数据，但是Lookup在生成changelog的时候会自动补全`-U`类型的数据。


后面的`-D`类型的数据就不再演示了，效果和前面是一样的。


所以说，Lookup这种方式属于一种折中方案，数据源里面无法提供完整的changelog变更日志，所以无法使用Input，但是我们还想摆脱昂贵的`Changelog Normalize`物化节点，这个时候就可以考虑Lookup了。


最后还需要注意，Lookup这种方式虽然不需要产生`Changelog Normalize`物化节点，但是他在生成Changelog的时候依然会消耗一部分资源的，因为它需要触发数据查找这个过程，只不过消耗的资源比`Changelog Normalize`物化节点这种方式低一些。


###### （4）Full Compaction


如果你的数据源无法提供完整的changelog变更日志数据，并且你觉得Lookup这种方式还是比较消耗资源，此时可以考虑使用`Full Compaction`这种方式，在创建Paimon表的时候指定`changelog-producer=full-compaction`。


Full Compaction这种方式可以解耦写入数据和生成changelog这两个步骤。  
 也就是说我们会先把数据写入到Paimon表中，当表中的数据触发完全压缩之后，Paimon 会比较两次完全压缩之间的结果并生成差异作为changelog(变更日志)，生成changelog的延迟会受到完全压缩频率的影响。


通过指定`full-compaction.delta-commits`表属性，表示在增量提交Checkpoint后将会触发完全压缩。默认情况下值为1，所以每次提交Checkpoint都会进行完全压缩并生成changelog。  
 这样其实对生成changelog的延迟没有特别大的影响。


Full Compaction这种方式可以为任何类型的数据源生成完整的changelog变更日志。但是它没有Input方式的效率高，并且生成changelog的延迟可能会比较高。


不过Full Compaction这种方式解耦了写入数据和生成changelog这两个步骤，他的资源消耗比Lookup这种方式要低一些。  
 ![在这里插入图片描述](https://img-blog.csdnimg.cn/5973104d317d4ca4a04174ad93ede03d.png#pic_center)


看这个图，此时这个数据源中没有提供完整的Changelog，这个数据源可以是任意类型的数据源，数据源中可能只有`+I、+U、-D`的数据，缺少了`-U`类型的数据。


但是由于我们在Paimon表中设置了`changelog-producer=full-compaction`，所以Paimon会周期性的比较两次完全压缩(Full Compaction)之间的结果并生成差异作为changelog(变更日志)，并且在Changelog中补全缺失的变更日志。


这样下游任务在读取这个Paimon表的时候就可以从表对应的Changelog File中读取到完整的`+I、-U、+U、-D`类型的数据了。


下面我们来具体演示一下建表语句中指定`changelog-producer=full-compaction`时的效果


创建package：`tech.xuwei.paimon.changelogproducer.fullcompaction`


创建object：`FlinkDataStreamWriteToPaimonForFullcompaction`


这个Object负责向Paimon表中模拟写入数据。


代码如下：

package tech.xuwei.paimon.changelogproducer.fullcompaction

/**

使用Flink DataStream API向Paimon表中写入数据
Created by xuwei
*/
object FlinkDataStreamWriteToPaimonForFullcompaction {
def main(args: Array[String]): Unit = {
//获取执行环境
val env = StreamExecutionEnvironment.getExecutionEnvironment
env.setRuntimeMode(RuntimeExecutionMode.STREAMING)
val tEnv = StreamTableEnvironment.create(env)

//手工构造一个Changelog DataStream 数据流
val dataStream = env.fromElements(
Row.ofKind(RowKind.INSERT, “jack”, Int.box(10))//+I
//Row.ofKind(RowKind.UPDATE_AFTER, “jack”, Int.box(11))//+U
//Row.ofKind(RowKind.DELETE, “jack”, Int.box(11))//-D
)(Types.ROW_NAMED(Array(“name”, “age”),Types.STRING,Types.INT))

//将DataStream转换为Table
val schema = Schema.newBuilder()
.column(“name”, DataTypes.STRING().notNull())//主键非空
.column(“age”, DataTypes.INT())
.primaryKey(“name”)//指定主键
.build()
val table = tEnv.fromChangelogStream(dataStream,schema,ChangelogMode.all())

//创建Paimon类型的Catalog
tEnv.executeSql(
“”"
|CREATE CATALOG paimon_catalog WITH (
| ‘type’=‘paimon’,
| ‘warehouse’=‘hdfs://bigdata01:9000/paimon’
|)
|“”".stripMargin)
tEnv.executeSql(“USE CATALOG paimon_catalog”)

//注册临时表
tEnv.createTemporaryView(“t1”,table)

//创建Paimon类型的表
tEnv.executeSql(
“”"
|-- 注意：这里的表名使用反引号进行转义，否则会导致SQL DDL语句解析失败。
|CREATE TABLE IF NOT EXISTS changelog_fullcompaction (
| name STRING,
| age INT,
| PRIMARY KEY (name) NOT ENFORCED
|) WITH (
| ‘changelog-producer’ = ‘full-compaction’,
| ‘full-compaction.delta-commits’ = ‘1’
|)
|“”".stripMargin)

//向Paimon表中写入数据
tEnv.executeSql(
“”"
|INSERT INTO changelog_fullcompaction
|SELECT name,age FROM t1
|“”".stripMargin)
}

}


注意：在执行代码的时候通过修改`env.fromElements(...)`中的注释来实现实时产生多种类型数据的效果。


接下来创建Object：`FlinkDataStreamReadFromPaimonForFullcompaction`


这个Object负责从Paimon表中实时读取数据。


代码如下：

package tech.xuwei.paimon.changelogproducer.fullcompaction

/**

使用Flink DataStream API从Paimon表中读取数据
Created by xuwei
*/
object FlinkDataStreamReadFromPaimonForFullcompaction {
def main(args: Array[String]): Unit = {
val conf = new Configuration()
//指定WebUI界面的访问端口，默认就是8081
conf.setString(RestOptions.BIND_PORT,“8081”)
//为了便于在本地通过页面观察任务执行情况，所以开启本地WebUI功能
val env = StreamExecutionEnvironment.createLocalEnvironmentWithWebUI(conf)
env.setRuntimeMode(RuntimeExecutionMode.STREAMING)

//禁用Chain，把多个算子拆分开单独执行，便于在开发和测试阶段观察，正式执行时不需要禁用Chain
env.disableOperatorChaining()

val tEnv = StreamTableEnvironment.create(env)

//创建Paimon类型的Catalog
tEnv.executeSql(
“”"
|CREATE CATALOG paimon_catalog WITH (
| ‘type’=‘paimon’,
| ‘warehouse’=‘hdfs://bigdata01:9000/paimon’
|)
|“”".stripMargin)
tEnv.executeSql(“USE CATALOG paimon_catalog”)

//执行SQL查询，打印输出结果
val execSql =
“”"
|SELECT * FROM changelog_fullcompaction – 此时默认只能查到数据的最新值
|–/*+ OPTIONS(‘scan.mode’=‘from-snapshot’,‘scan.snapshot-id’ = ‘1’) */ – 通过动态表选项来指定数据读取(扫描)模式，以及从哪里开始读取
|“”".stripMargin
val table = tEnv.sqlQuery(execSql)
table.execute().print()

}


接下来先运行`FlinkDataStreamWriteToPaimonForFullcompaction`向Paimon表中写入`+I`类型的数据。


再运行`FlinkDataStreamReadFromPaimonForFullcompaction`负责读取数据。  
 此时可以看到控制台输出如下结果：

±—±-------------------------------±------------+
| op | name | age |
±—±-------------------------------±------------+
| +I | jack | 10 |


来看一下这个Flink任务的Web UI界面  
 ![在这里插入图片描述](https://img-blog.csdnimg.cn/50edb2b1d63141cf836e64cfbbdf7f61.png#pic_center)


在这可以发现，此时这个任务中没有产生`Changelog Normalize`物化节点，其实只有我们把`Changelog Producer`设置为`none`的时候Flink任务才会产生`Changelog Normalize`物化节点。


那此时我们到这个Paimon表的hdfs数据目录里面查看一下有没有产生changelog文件：

[root@bigdata04 ~]# hdfs dfs -ls /paimon/default.db/changelog_fullcompaction/bucket-0
Found 3 items
-rw-r–r-- 3 yehua supergroup 566 2028-12-11 16:20 /paimon/default.db/changelog_fullcompaction/bucket-0/changelog-264c4b74-10dd-493d-95e0-8f5760e90dc8-1.orc
-rw-r–r-- 3 yehua supergroup 566 2028-12-11 16:20 /paimon/default.db/changelog_fullcompaction/bucket-0/data-264c4b74-10dd-493d-95e0-8f5760e90dc8-0.orc
-rw-r–r-- 3 yehua supergroup 566 2028-12-11 16:20 /paimon/default.db/changelog_fullcompaction/bucket-0/data-d7adcc2a-804a-4a13-876a-fb77dc4a0952-0.orc


在这可以发现，里面有1个changelog开头的文件，这个就是Full Compaction这种方式产生的。


修改`FlinkDataStreamWriteToPaimonForFullcompaction`中的代码，继续执行，向Paimon表中写入`+U`类型的数据。


此时可以在`FlinkDataStreamReadFromPaimonForFullcompaction`的控制台看到如下结果：

| -U | jack | 10 |
| +U | jack | 11 |


注意：这块可能会有一些延迟，具体的延迟程度要看完全压缩触发的频率，我们前面指定了`full-compaction.delta-commits`的值为1，表示在每次提交Checkpoint都会进行完全压缩并生成changelog，所以目前的延迟是比较低的。


但是我们需要注意：完全压缩是一个资源密集型的过程，会消耗一定的`CPU`和`磁盘IO`，因此过于频繁的完全压缩可能会导致写入速度变慢，所以这块也需要均衡考虑。


后面的`-D`类型的数据就不再演示了，效果和前面是一样的。


（5）总结  
 咱们前面一共讲了4种Changelog Producer。


* 在实际工作中None这种方式基本上是不使用的，成本太高。
* 如果数据源是完整的CDC数据，直接使用Input这种方式即可，成本最低，效率最高。
* 如果数据源中无法提供完整的Changelog，此时可以考虑使用Lookup和Full Compaction。
* 如果你觉得使用Lookup来实时生成 Changelog 成本过大，可以考虑通过Full Compaction和对应较大的延迟，以非常低的成本生成 Changelog。


##### 3.2.1.3 Merge Engines


Merge Engines：可以翻译为合并引擎。


针对多条相同主键的数据，Paimon主键表收到之后，应该如何进行合并处理？


针对这块的处理逻辑，Paimon提供了参数`merge-engine`，通过这个参数来指定如何合并数据。


`merge-engine`一共支持3种取值：


* deduplicate：默认值，表示去重，也就是说主键表默认只会保留相同主键最新的数据。
* partial-update：表示局部更新，通过相同主键的多条数据来更新不同字段的值。
* aggregation：表示聚合，可以对相同主键的多条数据根据指定的字段进行聚合。


下面我们来详细分析一下这几种合并引擎。


###### （1）Deduplicate


如果我们在Paimon中创建主键表时不指定`merge-engine`参数，那么默认值就是`deduplicate` 。


此时只保留主键最新的数据，之前表中相同主键的数据会被丢弃。


注意：如果主键最新的数据是`-D`类型的，那么这个主键的所有数据都会被删除。


下面我们来具体演示一下。  
 核心的思路是这样的：我们通过数据源模拟产生2条相同主键的+I类型的数据，依次写入到主键表中，最终发现主键表中只会保留最新的那一条数据。


创建package：`tech.xuwei.paimon.mergeengine.deduplicate`  
 创建object：`FlinkDataStreamWriteToPaimonForDeduplicate`


这个Object负责向Paimon表中模拟写入数据。  
 代码如下：

package tech.xuwei.paimon.mergeengine.deduplicate

/**

使用Flink DataStream API向Paimon表中写入数据
Created by xuwei
*/
object FlinkDataStreamWriteToPaimonForDeduplicate {
def main(args: Array[String]): Unit = {
//获取执行环境
val env = StreamExecutionEnvironment.getExecutionEnvironment
env.setRuntimeMode(RuntimeExecutionMode.STREAMING)
val tEnv = StreamTableEnvironment.create(env)

//手工构造一个Changelog DataStream 数据流
val dataStream = env.fromElements(
Row.ofKind(RowKind.INSERT, “jack”, Int.box(10))//+I
//Row.ofKind(RowKind.INSERT, “jack”, Int.box(12))//+I
)(Types.ROW_NAMED(Array(“name”, “age”),Types.STRING,Types.INT))

//将DataStream转换为Table
val schema = Schema.newBuilder()
.column(“name”, DataTypes.STRING().notNull())//主键非空
.column(“age”, DataTypes.INT())
.primaryKey(“name”)//指定主键
.build()
val table = tEnv.fromChangelogStream(dataStream,schema,ChangelogMode.all())

//创建Paimon类型的Catalog
tEnv.executeSql(
“”"
|CREATE CATALOG paimon_catalog WITH (
| ‘type’=‘paimon’,
| ‘warehouse’=‘hdfs://bigdata01:9000/paimon’
|)
|“”".stripMargin)
tEnv.executeSql(“USE CATALOG paimon_catalog”)

//注册临时表
tEnv.createTemporaryView(“t1”,table)

//创建Paimon类型的表
tEnv.executeSql(
“”"
|-- 注意：这里的表名使用反引号进行转义，否则会导致SQL DDL语句解析失败。
|CREATE TABLE IF NOT EXISTS merge_engine_deduplicate (
| name STRING,
| age INT,
| PRIMARY KEY (name) NOT ENFORCED
|) WITH (
| ‘merge-engine’ = ‘deduplicate’ – 注意：值为deduplicate时这一行配置可以省略不写
|)
|“”".stripMargin)

//向Paimon表中写入数据
tEnv.executeSql(
“”"
|INSERT INTO merge_engine_deduplicate
|SELECT name,age FROM t1
|“”".stripMargin)
}

}


注意：在执行代码的时候通过修改`env.fromElements(...)`中的注释来实现实时产生多条`+I`类型数据的效果。


接下来创建Object：`FlinkDataStreamReadFromPaimonForDeduplicate`


这个Object负责从Paimon表中实时读取数据。


代码如下：

package tech.xuwei.paimon.mergeengine.deduplicate

/**

使用Flink DataStream API从Paimon表中读取数据
Created by xuwei
*/
object FlinkDataStreamReadFromPaimonForDeduplicate {
def main(args: Array[String]): Unit = {
val conf = new Configuration()
//指定WebUI界面的访问端口，默认就是8081
conf.setString(RestOptions.BIND_PORT,“8081”)
//为了便于在本地通过页面观察任务执行情况，所以开启本地WebUI功能
val env = StreamExecutionEnvironment.createLocalEnvironmentWithWebUI(conf)
env.setRuntimeMode(RuntimeExecutionMode.STREAMING)

//禁用Chain，把多个算子拆分开单独执行，便于在开发和测试阶段观察，正式执行时不需要禁用Chain
env.disableOperatorChaining()

val tEnv = StreamTableEnvironment.create(env)

//创建Paimon类型的Catalog
tEnv.executeSql(
“”"
|CREATE CATALOG paimon_catalog WITH (
| ‘type’=‘paimon’,
| ‘warehouse’=‘hdfs://bigdata01:9000/paimon’
|)
|“”".stripMargin)
tEnv.executeSql(“USE CATALOG paimon_catalog”)

//执行SQL查询，打印输出结果
val execSql =
“”"
|SELECT * FROM merge_engine_deduplicate – 此时默认只能查到数据的最新值
|-- /*+ OPTIONS(‘scan.mode’=‘from-snapshot’,‘scan.snapshot-id’ = ‘1’) */ – 通过动态表选项来指定数据读取(扫描)模式，以及从哪里开始读取
|“”".stripMargin
val table = tEnv.sqlQuery(execSql)
table.execute().print()

}


接下来先运行`FlinkDataStreamWriteToPaimonForDeduplicate`向Paimon表中写入一条`+I`类型的数据。


再运行`FlinkDataStreamReadFromPaimonForDeduplicate`负责读取数据。  
 此时可以看到控制台输出如下结果：

±—±-------------------------------±------------+
| op | name | age |
±—±-------------------------------±------------+
| +I | jack | 10 |


修改`FlinkDataStreamWriteToPaimonForDeduplicate`中的代码，继续执行，向Paimon表中写入第2条`+I`类型的数据。  
 注意：这两条数据的主键是相同的。

//手工构造一个Changelog DataStream 数据流
val dataStream = env.fromElements(
//Row.ofKind(RowKind.INSERT, “jack”, Int.box(10))//+I
//Row.ofKind(RowKind.INSERT, “jack”, Int.box(12))//+I
)(Types.ROW_NAMED(Array(“name”, “age”),Types.STRING,Types.INT))


此时可以在`FlinkDataStreamReadFromPaimonForDeduplicate`的控制台看到如下结果：

| -U | jack | 10 |
| +U | jack | 12 |


从这可以看出来，之前的数据被删除了，新增了一条年龄为12的数据。  
 所以`deduplicate`这种表引擎只会保留相同主键最新的数据。


###### （2）Partial Update


如果我们在Paimon中创建主键表时指定`merge-engine`的值为`partial-update`，那么就可以实现局部更新数据字段的效果。


举个例子：使用多个 Flink流任务去更新同一张表，每个流任务只更新一张表的部分列，最终实现一行完整数据的更新。对于需要构建宽表的业务场景，使用`partial-update`是非常合适的，并且构建宽表的操作也比较简单。



> 
> 注意：这里所说的多个Flink 流任务并不是指多个Flink Job并发写同一张Paimon表，这样比较麻烦。目前推荐的是将多个Flink流任务 `UNION ALL` 起来，最终启动一个Flink Job 向Paimon表中写入数据。
> 
> 
> 


还有一点需要注意的是：`partial-update`这种表引擎不支持流读，需要结合`Lookup`或者`full-compaction`变更日志生产者一起使用才可以支持流读。


同时由于`partial-update`不能接收和处理`DELETE`消息，为了避免接收到DELETE消息报错，需要在建表语句中配置`partial-update.ignore-delete= true`表示忽略 DELETE消息。


下面我们来具体演示一下：


核心思路是这样的，准备模拟产生3条+I类型的数据，数据内容大致是这样的。

<jack, 10, 175, null>
<jack, null, null, beijing>
<jack, 11, null, null>


将这3条数据写入到Paimon主键表之后，会得到什么结果呢？  
 结果是这样的：`<jack, 11, 175, beijing>`


为什么呢？因为`null`字段不会覆盖更新字段的值。


创建package：`tech.xuwei.paimon.mergeengine.partialupdate`  
 创建object：`FlinkDataStreamWriteToPaimonForPartialupdate`


这个Object负责向Paimon表中模拟写入数据。  
 代码如下：

package tech.xuwei.paimon.mergeengine.partialupdate

/**

使用Flink DataStream API向Paimon表中写入数据
Created by xuwei
*/
object FlinkDataStreamWriteToPaimonForPartialupdate {
def main(args: Array[String]): Unit = {
//获取执行环境
val env = StreamExecutionEnvironment.getExecutionEnvironment
env.setRuntimeMode(RuntimeExecutionMode.STREAMING)
val tEnv = StreamTableEnvironment.create(env)

//手工构造一个Changelog DataStream 数据流
val dataStream = env.fromElements(
Row.ofKind(RowKind.INSERT, “jack”, Int.box(10),Int.box(175),null)//+I
//Row.ofKind(RowKind.INSERT, “jack”, null,null,“beijing”)//+I
//Row.ofKind(RowKind.INSERT, “jack”, Int.box(11),null,null)//+I
)(Types.ROW_NAMED(Array(“name”, “age”, “height”, “city”),Types.STRING,Types.INT,Types.INT,Types.STRING))

//将DataStream转换为Table
val schema = Schema.newBuilder()
.column(“name”, DataTypes.STRING().notNull())//主键非空
.column(“age”, DataTypes.INT())
.column(“height”, DataTypes.INT())
.column(“city”, DataTypes.STRING())
.primaryKey(“name”)//指定主键
.build()
val table = tEnv.fromChangelogStream(dataStream,schema,ChangelogMode.all())

//创建Paimon类型的Catalog
tEnv.executeSql(
“”"
|CREATE CATALOG paimon_catalog WITH (
| ‘type’=‘paimon’,
| ‘warehouse’=‘hdfs://bigdata01:9000/paimon’
|)
|“”".stripMargin)
tEnv.executeSql(“USE CATALOG paimon_catalog”)

//注册临时表
tEnv.createTemporaryView(“t1”,table)

//创建Paimon类型的表
tEnv.executeSql(
“”"
|-- 注意：这里的表名使用反引号进行转义，否则会导致SQL DDL语句解析失败。
|CREATE TABLE IF NOT EXISTS merge_engine_partialupdate (
| name STRING,
| age INT,
| height INT,
| city STRING,
| PRIMARY KEY (name) NOT ENFORCED
|) WITH (
| ‘merge-engine’ = ‘partial-update’,
| ‘partial-update.ignore-delete’ = ‘true’
|)
|“”".stripMargin)

//向Paimon表中写入数据
tEnv.executeSql(
“”"
|INSERT INTO merge_engine_partialupdate
|SELECT name,age,height,city FROM t1
|“”".stripMargin)
}

}


注意：在执行代码的时候通过修改`env.fromElements(...)`中的注释来实现实时产生多条`+I`类型数据的效果。


接下来创建Object：`FlinkDataStreamReadFromPaimonForPartialupdate`


这个Object负责从Paimon表中实时读取数据。


代码如下：

package tech.xuwei.paimon.mergeengine.partialupdate

/**

使用Flink DataStream API从Paimon表中读取数据
Created by xuwei
*/
object FlinkDataStreamReadFromPaimonForPartialupdate {
def main(args: Array[String]): Unit = {
val conf = new Configuration()
//指定WebUI界面的访问端口，默认就是8081
conf.setString(RestOptions.BIND_PORT,“8081”)
//为了便于在本地通过页面观察任务执行情况，所以开启本地WebUI功能
val env = StreamExecutionEnvironment.createLocalEnvironmentWithWebUI(conf)
env.setRuntimeMode(RuntimeExecutionMode.STREAMING)

//禁用Chain，把多个算子拆分开单独执行，便于在开发和测试阶段观察，正式执行时不需要禁用Chain
env.disableOperatorChaining()

val tEnv = StreamTableEnvironment.create(env)

//创建Paimon类型的Catalog
tEnv.executeSql(
“”"
|CREATE CATALOG paimon_catalog WITH (
| ‘type’=‘paimon’,
| ‘warehouse’=‘hdfs://bigdata01:9000/paimon’
|)
|“”".stripMargin)
tEnv.executeSql(“USE CATALOG paimon_catalog”)

//执行SQL查询，打印输出结果
val execSql =
“”"
|SELECT * FROM merge_engine_partialupdate – 此时默认只能查到数据的最新值
|-- /*+ OPTIONS(‘scan.mode’=‘from-snapshot’,‘scan.snapshot-id’ = ‘1’) */ – 通过动态表选项来指定数据读取(扫描)模式，以及从哪里开始读取
|“”".stripMargin
val table = tEnv.sqlQuery(execSql)
table.execute().print()

}


接下来先运行`FlinkDataStreamWriteToPaimonFoPartialupdate`向Paimon表中写入一条`+I`类型的数据。


再运行`FlinkDataStreamReadFromPaimonForPartialupdate`负责读取数据。  
 结果发现代码报错了，错误日志如下：

Exception in thread “main” java.lang.RuntimeException: Partial update streaming reading is not supported. You can use ‘lookup’ or ‘full-compaction’ changelog producer to support streaming reading.
at org.apache.paimon.flink.utils.TableScanUtils.streamingReadingValidate(TableScanUtils.java:45)
at org.apache.paimon.flink.source.FlinkSourceBuilder.build(FlinkSourceBuilder.java:170)
at org.apache.paimon.flink.source.AbstractDataTableSource.configureSource(AbstractDataTableSource.java:233)
at org.apache.paimon.flink.source.AbstractDataTableSource.lambda$getScanRuntimeProvider$0(AbstractDataTableSource.java:210)
at org.apache.paimon.flink.PaimonDataStreamScanProvider.produceDataStream(PaimonDataStreamScanProvider.java:44)


通过错误日志可以看出来，`Partial update`表引擎默认不支持流读，我们现在在代码中指定了运行模式为`STREAMING`，就是流式读取的意思。


我们可以在表中指定使用`lookup`或者`full-compaction`变更日志生产者来支持流读。



> 
> 注意：如果不需要流读的话，可以在代码中指定运行模式为`BATCH`，此时执行是不报错的。
> 
> 
> 


如果想要使用流读，就需要在建表语中修改变更日志生产者了。


`merge_engine_partialupdate`这个表我们已经创建过了，所以我们需要删除这个表。其实有一种快捷方式，我们直接到HDFS中删除这个表对应的目录其实就可以了。  
 ![在这里插入图片描述](https://img-blog.csdnimg.cn/8876889bd285490cbf826c9b6e5c29c0.png#pic_center)


接下来继续重新运行`FlinkDataStreamWriteToPaimonForPartialupdate`向Paimon表中写入一条`+I`类型的数据。


再运行`FlinkDataStreamReadFromPaimonForPartialupdate`负责读取数据。  
 此时可以看到控制台输出如下结果：

±—±-------------------------------±------------±------------±-------------------------------+
| op | name | age | height | city |
±—±-------------------------------±------------±------------±-------------------------------+
| +I | jack | 10 | 175 | |


注意：此时`city`字段的值为`null`。


修改`FlinkDataStreamWriteToPaimonForDeduplicate`中的代码，继续执行，向Paimon表中写入第2条`+I`类型的数据。  
 注意：这条数据的主键和前面的数据是相同的。

//手工构造一个Changelog DataStream 数据流
val dataStream = env.fromElements(
//Row.ofKind(RowKind.INSERT, “jack”, Int.box(10),Int.box(175),null)//+I
Row.ofKind(RowKind.INSERT, “jack”, null,null,“beijing”)//+I
//Row.ofKind(RowKind.INSERT, “jack”, Int.box(11),null,null)//+I
)(Types.ROW_NAMED(Array(“name”, “age”, “height”, “city”),Types.STRING,Types.INT,Types.INT,Types.STRING))


此时可以在`FlinkDataStreamReadFromPaimonForPartialupdate`的控制台看到如下结果：

| -U | jack | 10 | 175 | |
| +U | jack | 10 | 175 | beijing |


在这里看到最新数据中的`city`字段有值了，其实刚才这一条数据相当于局部更新了`city`字段的值。  
 注意：其他几个为null的字段不会覆盖之前的字段的值，那也就意味着，如果我们指定了字段的值为null，说明不需要覆盖更新这个字段的值。


修改`FlinkDataStreamWriteToPaimonForDeduplicate`中的代码，继续执行，向Paimon表中写入第3条`+I`类型的数据。  
 注意：这条数据的主键和前面的数据是相同的。

//手工构造一个Changelog DataStream 数据流
val dataStream = env.fromElements(
//Row.ofKind(RowKind.INSERT, “jack”, Int.box(10),Int.box(175),null)//+I
//Row.ofKind(RowKind.INSERT, “jack”, null,null,“beijing”)//+I
Row.ofKind(RowKind.INSERT, “jack”, Int.box(11),null,null)//+I
)(Types.ROW_NAMED(Array(“name”, “age”, “height”, “city”),Types.STRING,Types.INT,Types.INT,Types.STRING))


此时可以在`FlinkDataStreamReadFromPaimonForPartialupdate`的控制台看到如下结果：

| -U | jack | 10 | 175 | beijing |
| +U | jack | 11 | 175 | beijing |


在这里可以发现，`age`字段的值被修改为了`11`，其他字段的值没变。


这样我们就实现了局部更新数据字段的效果，这种业务场景和构建宽表的场景是非常类似的，所以`Partial Update`这个表引擎适合用于构建宽表的业务场景。


###### （3）Aggregation


如果我们在Paimon中创建主键表时指定`merge-engine`的值为`aggregation`，那么就可以实现指定列数据预聚合的效果了。


此时可以通过聚合函数做一些预聚合，除了主键以外的每个列都可以指定一个聚合函数，相同主键的数据就可以按照列上指定的聚合函数进行相应的预聚合；


常见的聚合函数包括`sum、max、min`等。


如果没有给列指定聚合函数，则默认使用`last-non-null-value`这个聚合函数，此时表示只保存最新非空值，空值不会覆盖。


注意：除了`sum`这个聚合函数，其他的聚合函数都不支持读取回撤数据，为了避免接收到DELETE和UPDATE BEFORE类型的消息报错，我们需要在建表语句中给指定字段进行配置`fields.${field_name}.ignore-retract = true` 忽略回撤数据。


还有一点需要注意：Aggregation表引擎也需要和`Lookup`或者`full-compaction`变更日志生产者一起使用。


下面我们来具体演示一下：


核心思路是这样的，准备模拟产生2条+I类型的数据，数据内容大致是这样的。

<1, 3.4, 10>
<1, 2.12, 15>


解释：`<商品id(id)，商品价格(price)，商品数量(count)>`


针对商品价格，我们希望统计最大值，针对商品数量，我们希望统计累加的和。


将这2条数据写入到Paimon主键表之后，会得到什么结果呢？  
 结果是这样的：`<1,3.4,25>`


创建package：`tech.xuwei.paimon.mergeengine.Aggregation`  
 创建object：`FlinkDataStreamWriteToPaimonForAggregation`


这个Object负责向Paimon表中模拟写入数据。  
 代码如下：

package tech.xuwei.paimon.mergeengine.aggregation

/**

使用Flink DataStream API向Paimon表中写入数据
Created by xuwei
*/
object FlinkDataStreamWriteToPaimonForAggregation {
def main(args: Array[String]): Unit = {
//获取执行环境
val env = StreamExecutionEnvironment.getExecutionEnvironment
env.setRuntimeMode(RuntimeExecutionMode.STREAMING)
val tEnv = StreamTableEnvironment.create(env)

//手工构造一个Changelog DataStream 数据流
val dataStream = env.fromElements(
Row.ofKind(RowKind.INSERT, “1”, Double.box(3.4), Int.box(10))//+I
//Row.ofKind(RowKind.INSERT, “1”, Double.box(2.12), Int.box(15))//+I
)(Types.ROW_NAMED(Array(“id”, “price”, “count”),Types.STRING,Types.DOUBLE,Types.INT))

//将DataStream转换为Table
val schema = Schema.newBuilder()
.column(“id”, DataTypes.STRING().notNull())//主键非空
.column(“price”, DataTypes.DOUBLE())
.column(“count”, DataTypes.INT())
.primaryKey(“id”)//指定主键
.build()
val table = tEnv.fromChangelogStream(dataStream,schema,ChangelogMode.all())

//创建Paimon类型的Catalog
tEnv.executeSql(
“”"
|CREATE CATALOG paimon_catalog WITH (
| ‘type’=‘paimon’,
| ‘warehouse’=‘hdfs://bigdata01:9000/paimon’
|)
|“”".stripMargin)
tEnv.executeSql(“USE CATALOG paimon_catalog”)

//注册临时表
tEnv.createTemporaryView(“t1”,table)

//创建Paimon类型的表
tEnv.executeSql(
“”"
|-- 注意：这里的表名使用反引号进行转义，否则会导致SQL DDL语句解析失败。
|CREATE TABLE IF NOT EXISTS merge_engine_aggregation (
| id STRING,
| price DOUBLE,
| count INT,
| PRIMARY KEY (id) NOT ENFORCED
|) WITH (
| ‘changelog-producer’ = ‘lookup’,-- 注意：aggregation表引擎需要和lookup或者full-compaction一起使用时才支持流读
| ‘merge-engine’ = ‘aggregation’,
| ‘fields.price.aggregate-function’ = ‘max’,
| ‘fields.count.aggregate-function’ = ‘sum’,
| ‘fields.price.ignore-retract’ = ‘true’
|)
|“”".stripMargin)

//向Paimon表中写入数据
tEnv.executeSql(
“”"
|INSERT INTO merge_engine_aggregation
|SELECT id,price,count FROM t1
|“”".stripMargin)
}

}


注意：count字段需要加反引号转义，否则SQL会报错。


注意：在执行代码的时候通过修改`env.fromElements(...)`中的注释来实现实时产生多条`+I`类型数据的效果。


接下来创建Object：`FlinkDataStreamReadFromPaimonForAggregation`


这个Object负责从Paimon表中实时读取数据。


代码如下：

package tech.xuwei.paimon.mergeengine.aggregation

/**

使用Flink DataStream API从Paimon表中读取数据
Created by xuwei
*/
object FlinkDataStreamReadFromPaimonForAggregation {
def main(args: Array[String]): Unit = {
val conf = new Configuration()
//指定WebUI界面的访问端口，默认就是8081
conf.setString(RestOptions.BIND_PORT,“8081”)
//为了便于在本地通过页面观察任务执行情况，所以开启本地WebUI功能
val env = StreamExecutionEnvironment.createLocalEnvironmentWithWebUI(conf)
env.setRuntimeMode(RuntimeExecutionMode.STREAMING)

//禁用Chain，把多个算子拆分开单独执行，便于在开发和测试阶段观察，正式执行时不需要禁用Chain
env.disableOperatorChaining()

val tEnv = StreamTableEnvironment.create(env)

//创建Paimon类型的Catalog
tEnv.executeSql(
“”"
|CREATE CATALOG paimon_catalog WITH (
| ‘type’=‘paimon’,
| ‘warehouse’=‘hdfs://bigdata01:9000/paimon’
|)
|“”".stripMargin)
tEnv.executeSql(“USE CATALOG paimon_catalog”)

//执行SQL查询，打印输出结果
val execSql =
“”"
|SELECT * FROM merge_engine_aggregation – 此时默认只能查到数据的最新值
|-- /*+ OPTIONS(‘scan.mode’=‘from-snapshot’,‘scan.snapshot-id’ = ‘1’) */ – 通过动态表选项来指定数据读取(扫描)模式，以及从哪里开始读取
|“”".stripMargin
val table = tEnv.sqlQuery(execSql)
table.execute().print()

}


接下来首先运行`FlinkDataStreamWriteToPaimonForAggregation`向Paimon表中写入一条+I类型的数据。


再运行`FlinkDataStreamReadFromPaimonForAggregation`负责读取数据。  
 此时可以看到控制台输出如下结果：

±—±-------------------------------±-------------------------------±------------+
| op | id | price | count |
±—±-------------------------------±-------------------------------±------------+
| +I | 1 | 3.4 | 10 |


修改`FlinkDataStreamWriteToPaimonForAggregation`中的代码，继续执行，向Paimon表中写入第2条`+I`类型的数据。  
 注意：这条数据的主键和前面的数据是相同的。

//手工构造一个Changelog DataStream 数据流
val dataStream = env.fromElements(
//Row.ofKind(RowKind.INSERT, “1”, Double.box(3.4), Int.box(10))//+I
Row.ofKind(RowKind.INSERT, “1”, Double.box(2.12), Int.box(15))//+I
)(Types.ROW_NAMED(Array(“id”, “price”, “count”),Types.STRING,Types.DOUBLE,Types.INT))


此时可以在`FlinkDataStreamReadFromPaimonForPartialupdate`的控制台看到如下结果：

| -U | 1 | 3.4 | 10 |
| +U | 1 | 3.4 | 25 |


此时可以发现，price还是3.4，因为price字段是取的最大值；count字段的值变成了25，因为count字段取的是和。


通过Aggregation这个表引擎，可以实现数据写入的时候直接预聚合，可以简化数据聚合统计这块的操作。


##### 3.2.1.4 Sequence Field


默认情况下，Paimon中的主键表会根据数据的输入顺序确定数据的合并顺序，最后输入的数据会在最后进行合并，但是在分布式计算程序中，肯定会存在数据乱序问题的，这样可能会导致数据合并的结果并不是我们期望的。


在Flink中，针对数据乱序问题是通过watermark解决的。


在Paimon的主键表中，可以通过Sequence Field（序列字段）来解决。


针对咱们前面讲到的使用Partial Update表引擎构建宽表的案例，如果数据的写入顺序出现了错乱，肯定会导致结果异常的。


针对这个需求，这3条数据是这样的，默认情况下这3条数据是按照时间先后顺序产生的

1：<jack, 10, 175, null>
2：<jack, null, null, ‘beijing’>
3：<jack, 11, null, null>


如果他们按照1、2、3的顺序写入Paimon主键表中，那么可以得到我们期望的结果：`<jack, 11, 175, 'beijing'>`


如果先写入了第3条数据，再写入1、2条数据，那么结果就是这样的了：`<jack, 10, 175, 'beijing'>`，这样就不是我们期望看到的结果了。


所以，针对这种问题，可以使用`Sequence Field`来解决。  
 我们可以在建表语句中通过参数`sequence.field`来指定序列字段，一般建议使用时间字段作为序列字段。


这样就算顺序乱了，也不影响最终合并的结果，因为底层在合并数据的时候会把最大值的数据作为最后合并的结果。


下面我们来具体演示一下：


创建package：`tech.xuwei.paimon.sequencefield`


创建object：`FlinkDataStreamWriteToPaimonForSequencefield`


代码中需要用到这几条数据的时间戳：

2023-10-01 10:01:00 1696125660000
2023-10-01 10:01:01 1696125661000
2023-10-01 10:01:02 1696125662000


这个Object负责向Paimon表中模拟写入数据。  
 代码如下：

package tech.xuwei.paimon.sequencefield

/**

使用Flink DataStream API向Paimon表中写入数据
Created by xuwei
*/
object FlinkDataStreamWriteToPaimonForSequencefield {
def main(args: Array[String]): Unit = {
//获取执行环境
val env = StreamExecutionEnvironment.getExecutionEnvironment
env.setRuntimeMode(RuntimeExecutionMode.STREAMING)
val tEnv = StreamTableEnvironment.create(env)

//手工构造一个Changelog DataStream 数据流
val dataStream = env.fromElements(
Row.ofKind(RowKind.INSERT, “jack”, Int.box(11),null,null,Long.box(1696125662000L))//+I
//Row.ofKind(RowKind.INSERT, “jack”, Int.box(10),Int.box(175),null,Long.box(1696125660000L))//+I
//Row.ofKind(RowKind.INSERT, “jack”, null,null,“beijing”,Long.box(1696125661000L))//+I
)(Types.ROW_NAMED(Array(“name”, “age”, “height”, “city”,“ts_millis”),Types.STRING,Types.INT,Types.INT,Types.STRING,Types.LONG))

//将DataStream转换为Table
val schema = Schema.newBuilder()
.column(“name”, DataTypes.STRING().notNull())//主键非空
.column(“age”, DataTypes.INT())
.column(“height”, DataTypes.INT())
.column(“city”, DataTypes.STRING())
.column(“ts_millis”, DataTypes.BIGINT())
.primaryKey(“name”)//指定主键
.build()
val table = tEnv.fromChangelogStream(dataStream,schema,ChangelogMode.all())

//创建Paimon类型的Catalog
tEnv.executeSql(
“”"
|CREATE CATALOG paimon_catalog WITH (
| ‘type’=‘paimon’,
| ‘warehouse’=‘hdfs://bigdata01:9000/paimon’
|)
|“”".stripMargin)
tEnv.executeSql(“USE CATALOG paimon_catalog”)

//注册临时表
tEnv.createTemporaryView(“t1”,table)

//创建Paimon类型的表
tEnv.executeSql(
“”"
|-- 注意：这里的表名使用反引号进行转义，否则会导致SQL DDL语句解析失败。
|CREATE TABLE IF NOT EXISTS sequence_field (
| name STRING,
| age INT,
| height INT,
| city STRING,
| ts_millis BIGINT,
| PRIMARY KEY (name) NOT ENFORCED
|) WITH (
| ‘changelog-producer’ = ‘lookup’,-- 注意：partial-update表引擎需要和lookup或者full-compaction一起使用时才支持流读
| ‘merge-engine’ = ‘partial-update’,
| ‘partial-update.ignore-delete’ = ‘true’,
| ‘sequence.field’ = ‘ts_millis’,
| ‘sequence.auto-padding’ = ‘millis-to-micro’ – 将序列字段的精度补足到微妙
|)
|“”".stripMargin)

//向Paimon表中写入数据
tEnv.executeSql(
“”"
|INSERT INTO sequence_field
|SELECT name,age,height,city,ts_millis FROM t1
|“”".stripMargin)
}

}


注意：在执行代码的时候通过修改`env.fromElements(...)`中的注释来实现实时产生多条`+I`类型数据的效果。


接下来创建Object：`FlinkDataStreamReadFromPaimonForSequencefield`


这个Object负责从Paimon表中实时读取数据。


代码如下：

package tech.xuwei.paimon.sequencefield

/**

使用Flink DataStream API从Paimon表中读取数据
Created by xuwei
*/
object FlinkDataStreamReadFromPaimonForSequencefield {
def main(args: Array[String]): Unit = {
val conf = new Configuration()
//指定WebUI界面的访问端口，默认就是8081
conf.setString(RestOptions.BIND_PORT,“8081”)
//为了便于在本地通过页面观察任务执行情况，所以开启本地WebUI功能
val env = StreamExecutionEnvironment.createLocalEnvironmentWithWebUI(conf)
env.setRuntimeMode(RuntimeExecutionMode.STREAMING)

//禁用Chain，把多个算子拆分开单独执行，便于在开发和测试阶段观察，正式执行时不需要禁用Chain
env.disableOperatorChaining()

val tEnv = StreamTableEnvironment.create(env)

//创建Paimon类型的Catalog
tEnv.executeSql(
“”"
|CREATE CATALOG paimon_catalog WITH (
| ‘type’=‘paimon’,
| ‘warehouse’=‘hdfs://bigdata01:9000/paimon’
|)
|“”".stripMargin)
tEnv.executeSql(“USE CATALOG paimon_catalog”)

//执行SQL查询，打印输出结果
val execSql =
“”"
|SELECT * FROM sequence_field – 此时默认只能查到数据的最新值
|-- /*+ OPTIONS(‘scan.mode’=‘from-snapshot’,‘scan.snapshot-id’ = ‘1’) */ – 通过动态表选项来指定数据读取(扫描)模式，以及从哪里开始读取
|“”".stripMargin
val table = tEnv.sqlQuery(execSql)
table.execute().print()

}


接下来首先运行`FlinkDataStreamWriteToPaimonForSequencefield`向Paimon表中写入一条`+I`类型的数据。


再运行`FlinkDataStreamReadFromPaimonForSequencefield`负责读取数据。  
 此时可以看到控制台输出如下结果：

±—±-------------------------------±------------±------------±-------------------------------±---------------------+
| op | name | age | height | city | ts_millis |
±—±-------------------------------±------------±------------±-------------------------------±---------------------+
| +I | jack | 11 | | | 1696125662000 |


修改`FlinkDataStreamWriteToPaimonForSequencefield`中的代码，继续执行，向Paimon表中写入第2条`+I`类型的数据。  
 注意：这条数据的主键和前面的数据是相同的。

//手工构造一个Changelog DataStream 数据流
val dataStream = env.fromElements(
//Row.ofKind(RowKind.INSERT, “jack”, Int.box(11),null,null,Long.box(1696125662000L))//+I
Row.ofKind(RowKind.INSERT, “jack”, Int.box(10),Int.box(175),null,Long.box(1696125660000L))//+I
//Row.ofKind(RowKind.INSERT, “jack”, null,null,“beijing”,Long.box(1696125661000L))//+I
)(Types.ROW_NAMED(Array(“name”, “age”, “height”, “city”,“ts_millis”),Types.STRING,Types.INT,Types.INT,Types.STRING,Types.LONG))


此时可以在`FlinkDataStreamReadFromPaimonForSequencefield`的控制台看到如下结果：

| -U | jack | 11 | | | 1696125662000 |
| +U | jack | 11 | 175 | | 1696125662000 |


注意：此时age字段的值没有被更新，因为这一条数据的时间没有上一条数据的时间大，因为我们指定了序列字段是`ts_millis`，所以`ts_millis`时间最大值的数据将是最后合并的结果。


其他为`null`的字段的值是可以被覆盖更新的。


修改`FlinkDataStreamWriteToPaimonForSequencefield`中的代码，继续执行，向Paimon表中写入第3条`+I`类型的数据。  
 注意：这条数据的主键和前面的数据是相同的。

//手工构造一个Changelog DataStream 数据流
val dataStream = env.fromElements(
//Row.ofKind(RowKind.INSERT, “jack”, Int.box(11),null,null,Long.box(1696125662000L))//+I
//Row.ofKind(RowKind.INSERT, “jack”, Int.box(10),Int.box(175),null,Long.box(1696125660000L))//+I
Row.ofKind(RowKind.INSERT, “jack”, null,null,“beijing”,Long.box(1696125661000L))//+I
)(Types.ROW_NAMED(Array(“name”, “age”, “height”, “city”,“ts_millis”),Types.STRING,Types.INT,Types.INT,Types.STRING,Types.LONG))


此时可以在`FlinkDataStreamReadFromPaimonForSequencefield`的控制台看到如下结果：

| -U | jack | 11 | 175 | | 1696125662000 |
| +U | jack | 11 | 175 | beijing | 1696125662000 |


这样最终得到的结果就是我们期望的了，这就是`Sequence Field`的典型应用场景了。


#### 3.3 Append Only表(仅追加表)


仅追加表很好理解，只要没有定义主键的表就是仅追加表。


仅追加表采用追加写入的方式，只能支持新增数据，不能更新和删除。


想要创建仅追加表很简单，我们只需要在建表语句中指定这个参数即可： `write-mode = append-only`


仅追加表主要用于无需更新数据的场景，例如数据仓库中ODS层的数据，不需要进行修改，保留数据原始的样子即可，此时推荐采用Paimon中的仅追加表。


仅追加表可以自动压缩表中的小文件，并且提供有序流式读取，我们也可以通过它来替代消息队列。


在实际工作中，除了数据库中的Binlog这种数据，还有大量的日志数据。  
 日志数据其实就属于Append Only数据，这种数据的数据量会非常大，一般情况下，我们会把这些日志数据存储在HDFS这种分布式文件系统中。


当我们在Paimon中使用仅追加表来存储这种数据的时候，数据可以实时写入，并且还可以实时读取；而且对实时资源的消耗也比较低，完全可以替代部分消息队列的场景。


最后，我们还需要注意一点，由于仅追加表没有主键，所以建议在使用的时候指定`bucket-key`，其实就是指定数据分桶(Bucket)的字段。  
 因为Bucket的范围是由数据中一个或多个列的哈希值确定的，我们可以通过`bucket-key`参数来指定分桶字段。  
 如果没有指定分桶字段，则默认会使用整行数据作为分桶字段，这样效率会比较低。


注意：如果是主键表，就算我们没有指定`bucket-key`，也不会使用整行数据作为分桶字段，因为主键表中有主键字段，默认会使用主键字段作为分桶字段。


下面我们来通过一个案例感受一下仅追加表的使用：


创建package：`tech.xuwei.paimon.appendonlytable`


创建object：`FlinkDataStreamWriteToPaimonForAppendonly`


代码如下：

package tech.xuwei.paimon.appendonlytable

/**

仅追加表
Created by xuwei
*/
object FlinkDataStreamWriteToPaimonForAppendonly {
def main(args: Array[String]): Unit = {
//获取执行环境
val env = StreamExecutionEnvironment.getExecutionEnvironment
env.setRuntimeMode(RuntimeExecutionMode.STREAMING)
val tEnv = StreamTableEnvironment.create(env)

//手工构造一个Changelog DataStream 数据流
val dataStream = env.fromElements(
Row.ofKind(RowKind.INSERT, “jack”, Int.box(10)),//+I
Row.ofKind(RowKind.INSERT, “tom”, Int.box(10)),//+I
)(Types.ROW_NAMED(Array(“name”, “age”),Types.STRING,Types.INT))

//将DataStream转换为Table
val schema = Schema.newBuilder()
.column(“name”, DataTypes.STRING())
.column(“age”, DataTypes.INT())
.build()
val table = tEnv.fromChangelogStream(dataStream,schema,ChangelogMode.insertOnly())//仅追加类型的数据

//创建Paimon类型的Catalog
tEnv.executeSql(
“”"
|CREATE CATALOG paimon_catalog WITH (
| ‘type’=‘paimon’,
| ‘warehouse’=‘hdfs://bigdata01:9000/paimon’
|)
|“”".stripMargin)
tEnv.executeSql(“USE CATALOG paimon_catalog”)

//注册临时表
tEnv.createTemporaryView(“t1”,table)

//创建Paimon类型的表
tEnv.executeSql(
“”"
|-- 注意：这里的表名使用反引号进行转义，否则会导致SQL DDL语句解析失败。
|CREATE TABLE IF NOT EXISTS append_only (
| name STRING,
| age INT
|) WITH (
| ‘write-mode’ = ‘append-only’,
| ‘bucket’ = ‘2’
|)
|“”".stripMargin)

//向Paimon表中写入数据
tEnv.executeSql(
“”"
|INSERT INTO append_only
|SELECT name,age FROM t1
|“”".stripMargin)
}

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化资料的朋友，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

/**

仅追加表
Created by xuwei
*/
object FlinkDataStreamWriteToPaimonForAppendonly {
def main(args: Array[String]): Unit = {
//获取执行环境
val env = StreamExecutionEnvironment.getExecutionEnvironment
env.setRuntimeMode(RuntimeExecutionMode.STREAMING)
val tEnv = StreamTableEnvironment.create(env)

//手工构造一个Changelog DataStream 数据流
val dataStream = env.fromElements(
Row.ofKind(RowKind.INSERT, “jack”, Int.box(10)),//+I
Row.ofKind(RowKind.INSERT, “tom”, Int.box(10)),//+I
)(Types.ROW_NAMED(Array(“name”, “age”),Types.STRING,Types.INT))

//将DataStream转换为Table
val schema = Schema.newBuilder()
.column(“name”, DataTypes.STRING())
.column(“age”, DataTypes.INT())
.build()
val table = tEnv.fromChangelogStream(dataStream,schema,ChangelogMode.insertOnly())//仅追加类型的数据

//创建Paimon类型的Catalog
tEnv.executeSql(
“”"
|CREATE CATALOG paimon_catalog WITH (
| ‘type’=‘paimon’,
| ‘warehouse’=‘hdfs://bigdata01:9000/paimon’
|)
|“”".stripMargin)
tEnv.executeSql(“USE CATALOG paimon_catalog”)

//注册临时表
tEnv.createTemporaryView(“t1”,table)

//创建Paimon类型的表
tEnv.executeSql(
“”"
|-- 注意：这里的表名使用反引号进行转义，否则会导致SQL DDL语句解析失败。
|CREATE TABLE IF NOT EXISTS append_only (
| name STRING,
| age INT
|) WITH (
| ‘write-mode’ = ‘append-only’,
| ‘bucket’ = ‘2’
|)
|“”".stripMargin)

//向Paimon表中写入数据
tEnv.executeSql(
“”"
|INSERT INTO append_only
|SELECT name,age FROM t1
|“”".stripMargin)
}

[外链图片转存中…(img-4Azn93JE-1714146208185)]
[外链图片转存中…(img-fcrdEhXk-1714146208186)]

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化资料的朋友，可以戳这里获取

2401_84164672

关注

15
点赞
踩
17

收藏

觉得还不错? 一键收藏
2
评论
3 Paimon数据湖中的表类型详解_paimon表和hive区别

-- /*+ OPTIONS(‘scan.mode’=‘from-snapshot’,‘scan.snapshot-id’ = ‘1’) */ – 通过动态表选项来指定数据读取(扫描)模式，以及从哪里开始读取。|-- /*+ OPTIONS(‘scan.mode’=‘from-snapshot’,‘scan.snapshot-id’ = ‘1’) */ – 通过动态表选项来指定数据读取(扫描)模式，以及从哪里开始读取。
复制链接

扫一扫