记录使用FlinkSql进行实时工作流开发

引言

在大数据时代，实时数据分析和处理变得越来越重要。Apache Flink，作为流处理领域的佼佼者，提供了一套强大的工具集来处理无界和有界数据流。其中，Flink SQL是其生态系统中一个重要的组成部分，允许用户以SQL语句的形式执行复杂的数据流操作，极大地简化了实时数据处理的开发流程。

什么是Apache Flink？

Apache Flink是一个开源框架，用于处理无边界（无尽）和有边界（有限）数据流。它提供了低延迟、高吞吐量和状态一致性，使开发者能够构建复杂的实时应用和微服务。Flink的核心是流处理引擎，它支持事件时间处理、窗口操作以及精确一次的状态一致性。

为什么选择Flink SQL？

易用性：Flink SQL使得非专业程序员也能快速上手，使用熟悉的SQL语法进行实时数据查询和处理。
灵活性：可以无缝地将SQL与Java/Scala API结合使用，为用户提供多种编程模型的选择。
性能：利用Flink的高性能流处理引擎，Flink SQL能够实现实时响应和低延迟处理。
集成能力：支持多种数据源和数据接收器，如Kafka、JDBC、HDFS等，易于集成到现有的数据生态系统中。

Flink SQL实战

常用的Connector

在配置FlinkSQL实时开发时，使用mysql-cdc、Kafka、jdbc和rabbitmq作为连接器是一个很常见的场景。以下是详细的配置说明，你可以基于这些信息来撰写你的博客：

1. MySQL-CDC 连接器配置

MySQL-CDC（Change Data Capture）连接器用于捕获MySQL数据库中的变更数据。配置示例如下：

CREATE TABLE mysql_table (
    -- 定义表结构
    id INT,
    name STRING,
    -- 其他列
) WITH (
    'connector' = 'mysql-cdc',  			-- 使用mysql-cdc连接器
    'hostname' = 'mysql-host',  			-- MySQL服务器主机名
    'port' = '3306',            			-- MySQL端口号
    'username' = 'user',        			-- MySQL用户名
    'password' = 'password',    			-- MySQL密码
    'database-name' = 'db',     			-- 数据库名
    'table-name' = 'table'      			-- 表名
  	'server-time-zone' = 'GMT+8',           -- 服务器时区
    'debezium.snapshot.mode' = 'initial',  	-- 初始快照模式，initial表示从头开始读取所有数据；latest-offset表示从最近的偏移量开始读取；timestamp则可以指定一个时间戳，从该时间戳之后的数据开始读取。
    'scan.incremental.snapshot.enabled' = 'true'	-- 可选，设置为true时，Flink会尝试维护一个数据库表的增量快照。这意味着Flink不会每次都重新读取整个表，而是只读取自上次读取以来发生变化的数据。这样可以显著提高读取效率，尤其是在处理大量数据且频繁更新的场景下。
    'scan.incremental.snapshot.chunk.size' = '1024'  -- 可选， 增量快照块大小
    'debezium.snapshot.locking.mode' = 'none', 		 -- 可选，控制在快照阶段锁定表的方式，以防止数据冲突。none表示不锁定，lock-tables表示锁定整个表，transaction表示使用事务来锁定。
    'debezium.properties.include-schema-changes' = 'true',  -- 可选，如果设置为true，则在CDC事件中会包含模式变更信息。
    'debezium.properties.table.whitelist' = 'mydatabase.mytable',  -- 可选，指定要监控的表的白名单。如果table-name未设置，可以通过这个属性来指定。
   	'debezium.properties.database.history' = 'io.debezium.relational.history.FileDatabaseHistory'  -- 可选，设置数据库历史记录的实现类，通常使用FileDatabaseHistory来保存历史记录，以便在重启后能恢复状态。
);

2. Kafka 连接器配置

Kafka连接器用于读写Kafka主题中的数据。配置示例如下：

CREATE TABLE kafka_table (
    -- 定义表结构
    id INT,
    name STRING,
    -- 其他列
) WITH (
    'connector' = 'kafka',      -- 使用kafka连接器
    'topic' = 'topic_name',     -- Kafka主题名
    'properties.bootstrap.servers' = 'kafka-broker:9092',  -- Kafka服务器地址
    'format' = 'json'           -- 数据格式，例如json
    'properties.group.id' = 'flink-consumer-group',  -- 消费者组ID
    'scan.startup.mode' = 'earliest-offset',  -- 启动模式（earliest-offset, latest-offset, specific-offset, timestamp）
    'format' = 'json',  -- 数据格式
    'json.fail-on-missing-field' = 'false',  -- 是否在字段缺失时失败
    'json.ignore-parse-errors' = 'true',     -- 是否忽略解析错误
    'properties.security.protocol' = 'SASL_SSL', -- 安全协议（可选）
    'properties.sasl.mechanism' = 'PLAIN',       -- SASL机制（可选）
    'properties.sasl.jaas.config' = 'org.apache.kafka.common.security.plain.PlainLoginModule required username="user" password="password";'  -- SASL配置（可选）
);

3. JDBC 连接器配置

JDBC连接器用于与其他关系型数据库进行交互。配置示例如下：

CREATE TABLE jdbc_table (
    -- 定义表结构
    id INT,
    name STRING,
    -- 其他列
) WITH (
    'connector' = 'jdbc',       -- 使用jdbc连接器
    'url' = 'jdbc:mysql://mysql-host:3306/db',  -- JDBC连接URL
    'table-name' = 'table_name', -- 数据库表名
    'username' = 'user',        -- 数据库用户名
    'password' = 'password'     -- 数据库密码
    'driver' = 'com.mysql.cj.jdbc.Driver',   -- JDBC驱动类
    'lookup.cache.max-rows' = '5000',        -- 可选，查找缓存的最大行数
    'lookup.cache.ttl' = '10min',            -- 可选，查找缓存的TTL（时间到期）
    'lookup.max-retries' = '3',              -- 可选，查找的最大重试次数
    'sink.buffer-flush.max-rows' = '1000',   -- 可选，缓冲区刷新最大行数
    'sink.buffer-flush.interval' = '2s'      -- 可选，缓冲区刷新间隔
);

4. RabbitMQ 连接器配置

RabbitMQ连接器用于与RabbitMQ消息队列进行交互。配置示例如下：

CREATE TABLE rabbitmq_table (
    -- 定义表结构
    id INT,
    name STRING,
    -- 其他列
) WITH (
    'connector' = 'rabbitmq',   -- 使用rabbitmq连接器
    'host' = 'rabbitmq-host',   -- RabbitMQ主机名
    'port' = '5672',            -- RabbitMQ端口号
    'username' = 'user',        -- RabbitMQ用户名
    'password' = 'password',    -- RabbitMQ密码
    'queue' = 'queue_name',     -- RabbitMQ队列名
    'exchange' = 'exchange_name' -- RabbitMQ交换机名
    'routing-key' = 'routing_key',   -- 路由键
    'delivery-mode' = '2',           -- 投递模式（2表示持久）
    'format' = 'json',               -- 数据格式
    'json.fail-on-missing-field' = 'false',  -- 是否在字段缺失时失败
    'json.ignore-parse-errors' = 'true'      -- 是否忽略解析错误
);

5. REST Lookup 连接器配置

REST Lookup 连接器允许在 SQL 查询过程中，通过 REST API 进行查找操作。

CREATE TABLE rest_table (
    id INT,
    name STRING,
    price DECIMAL(10, 2),
    PRIMARY KEY (id) NOT ENFORCED
) WITH (
    'connector' = 'rest-lookup',
    'url' = 'http://api.example.com/user/{id}',  -- REST API URL，使用占位符 {product_id}
    'lookup-method' = 'POST'	-- 'GET' 或 'POST'
    'format' = 'json',  -- 数据格式
    'asyncPolling' = 'false'	-- 可选，指定查找操作是否使用异步轮询模式。默认值为 'false'。当设置为 'true' 时，查找操作会以异步方式执行，有助于提高性能。
    'gid.connector.http.source.lookup.header.Content-Type' = 'application/json'	-- 可选，设置 Content-Type 请求头。用于指定请求体的媒体类型。例如，设置为 application/json 表示请求体是 JSON 格式。
    'gid.connector.http.source.lookup.header.Origin' = '*'	-- 可选，设置 Origin 请求头。通常用于跨域请求。
    'gid.connector.http.source.lookup.header.X-Content-Type-Options' = 'nosniff'	-- 可选，设置 X-Content-Type-Options 请求头。用于防止 MIME 类型混淆攻击。
	'json.fail-on-missing-field' = 'false',  -- 可选，是否在字段缺失时失败
	'json.ignore-parse-errors' = 'true'  -- 可选，是否忽略解析错误
    'lookup.cache.max-rows' = '5000',  -- 可选，查找缓存的最大行数
    'lookup.cache.ttl' = '10min',  -- 可选，查找缓存的TTL（时间到期）
    'lookup.max-retries' = '3'  -- 可选，查找的最大重试次数
);

6. HDFS 连接器配置

HDFS connector用于读取或写入Hadoop分布式文件系统中的数据。

创建HDFS Source

CREATE TABLE hdfsSource (
   line STRING
) WITH (
   'connector' = 'filesystem',
   'path' = 'hdfs://localhost:9000/data/input',		-- HDFS上的路径。
   'format' = 'csv'		-- 文件格式。
);

创建HDFS Sink

CREATE TABLE hdfsSink (
   line STRING
) WITH (
   'connector' = 'filesystem',
   'path' = 'hdfs://localhost:9000/data/output',
   'format' = 'csv'
);

FlinkSql数据类型

在FlinkSQL中，数据类型的选择和定义是非常重要的，因为它们直接影响数据的存储和处理方式。FlinkSQL提供了多种数据类型，可以满足各种业务需求。以下是FlinkSQL中的常见数据类型及其详细介绍：

1. 基本数据类型

• BOOLEAN: 布尔类型，表示TRUE或FALSE。

  CREATE TABLE example_table (
      is_active BOOLEAN
  );
  

• TINYINT: 8位带符号整数，范围是-128到127。

  CREATE TABLE example_table (
      tiny_value TINYINT
  );
  

• SMALLINT: 16位带符号整数，范围是-32768到32767。

  CREATE TABLE example_table (
      small_value SMALLINT
  );
  

• INT: 32位带符号整数，范围是-2147483648到2147483647。

  CREATE TABLE example_table (
      int_value INT
  );
  

• BIGINT: 64位带符号整数，范围是-9223372036854775808到9223372036854775807。

  CREATE TABLE example_table (
      big_value BIGINT
  );
  

• FLOAT: 单精度浮点数。

  CREATE TABLE example_table (
      float_value FLOAT
  );
  

• DOUBLE: 双精度浮点数。

  CREATE TABLE example_table (
      double_value DOUBLE
  );
  

• DECIMAL(p, s): 精确数值类型，p表示总精度，s表示小数位数。

  CREATE TABLE example_table (
      decimal_value DECIMAL(10, 2)
  );
  

2. 字符串数据类型

• CHAR(n): 定长字符串，n表示字符串的长度。

  CREATE TABLE example_table (
      char_value CHAR(10)
  );
  

• VARCHAR(n): 可变长字符串，n表示最大长度。

  CREATE TABLE example_table (
      varchar_value VARCHAR(255)
  );
  

• STRING: 可变长字符串，无长度限制。

  CREATE TABLE example_table (
      string_value STRING
  );
  

3. 日期和时间数据类型

• DATE: 日期类型，格式为YYYY-MM-DD。

  CREATE TABLE example_table (
      date_value DATE
  );
  

• TIME§: 时间类型，格式为HH:MM:SS，p表示秒的小数位精度。

  CREATE TABLE example_table (
      time_value TIME(3)
  );
  

• TIMESTAMP§: 时间戳类型，格式为YYYY-MM-DD HH:MM:SS.sss，p表示秒的小数位精度。

  CREATE TABLE example_table (
      timestamp_value TIMESTAMP(3)
  );
  

• TIMESTAMP§ WITH LOCAL TIME ZONE: 带有本地时区的时间戳类型。

  CREATE TABLE example_table (
      local_timestamp_value TIMESTAMP(3) WITH LOCAL TIME ZONE
  );
  

4. 复杂数据类型

• ARRAY: 数组类型，T表示数组中的元素类型。

  CREATE TABLE example_table (
      array_value ARRAY<INT>
  );
  

• MAP<K, V>: 键值对映射类型，K表示键的类型，V表示值的类型。

  CREATE TABLE example_table (
      map_value MAP<STRING, INT>
  );
  

• ROW<…>: 行类型，可以包含多个字段，每个字段可以有不同的类型。

  CREATE TABLE example_table (
      row_value ROW<name STRING, age INT>
  );
  

5. 特殊数据类型

• BINARY(n): 定长字节数组，n表示长度。

  CREATE TABLE example_table (
      binary_value BINARY(10)
  );
  

• VARBINARY(n): 可变长字节数组，n表示最大长度。

  CREATE TABLE example_table (
      varbinary_value VARBINARY(255)
  );
  

数据类型的使用示例

以下是一个包含各种数据类型的表的定义示例：

CREATE TABLE example_table (
    id INT,
    name STRING,
    is_active BOOLEAN,
    salary DECIMAL(10, 2),
    birth_date DATE,
    join_time TIMESTAMP(3),
    preferences ARRAY<STRING>,
    attributes MAP<STRING, STRING>,
    address ROW<street STRING, city STRING, zip INT>
);

为了详细介绍 Flink SQL 中所有内置函数，以下是它们的分类、功能描述以及使用案例：

1. 数学函数

• ABS(x)

  • 描述：返回 x 的绝对值。
  • 示例：SELECT ABS(-5); 返回 5。

• CEIL(x)

  • 描述：返回不小于 x 的最小整数。
  • 示例：SELECT CEIL(4.3); 返回 5。

• FLOOR(x)

  • 描述：返回不大于 x 的最大整数。
  • 示例：SELECT FLOOR(4.7); 返回 4。

• EXP(x)

  • 描述：返回 e 的 x 次方。
  • 示例：SELECT EXP(1); 返回 2.71828。

• LOG(x)

  • 描述：返回 x 的自然对数。
  • 示例：SELECT LOG(2.71828); 返回 1。

• LOG2(x)

  • 描述：返回 x 以 2 为底的对数。
  • 示例：SELECT LOG2(8); 返回 3。

• LOG10(x)

  • 描述：返回 x 以 10 为底的对数。
  • 示例：SELECT LOG10(100); 返回 2。

• POWER(x, y)

  • 描述：返回 x 的 y 次方。
  • 示例：SELECT POWER(2, 3); 返回 8。

• SQRT(x)

  • 描述：返回 x 的平方根。
  • 示例：SELECT SQRT(16); 返回 4。

2. 字符串函数

• LENGTH(str)

  • 描述：返回字符串 str 的长度。
  • 示例：SELECT LENGTH('Flink'); 返回 5。

• UPPER(str)

  • 描述：将字符串转为大写。
  • 示例：SELECT UPPER('flink'); 返回 ‘FLINK’。

• LOWER(str)

  • 描述：将字符串转为小写。
  • 示例：SELECT LOWER('FLINK'); 返回 ‘flink’。

• SUBSTRING(str, pos, len)

  • 描述：返回从字符串 str 的 pos 位置开始长度为 len 的子字符串。
  • 示例：SELECT SUBSTRING('Flink', 1, 2); 返回 ‘Fl’。

• CONCAT(str1, str2, …)

  • 描述：将多个字符串连接成一个字符串。
  • 示例：SELECT CONCAT('Hello', ' ', 'World'); 返回 ‘Hello World’。
  • 注意: 在拼接数值时需要将进行转换CAST(数字 AS STRING)

• TRIM(str)

  • 描述：去除字符串两端的空白字符。
  • 示例：SELECT TRIM(' Flink '); 返回 ‘Flink’。

3. 日期时间函数

• CURRENT_TIMESTAMP()

  • 描述：返回当前的时间戳。
  • 示例：SELECT CURRENT_TIMESTAMP(); 返回类似 ‘2024-08-07 12:34:56.789’。

• CURRENT_DATE()

  • 描述：返回当前的日期。
  • 示例：SELECT CURRENT_DATE(); 返回类似 ‘2024-08-07’。

• DATE_FORMAT(timestamp, format)

  • 描述：格式化日期时间戳为指定格式的字符串。
  • 示例：SELECT DATE_FORMAT(TIMESTAMP '2024-08-07 12:34:56', 'yyyy-MM-dd HH:mm:ss'); 返回 ‘2024-08-07 12:34:56’。

• TIMESTAMPDIFF(unit, ts1, ts2)

  • 描述：返回两个时间戳之间的差值，单位可以是 DAY、HOUR、MINUTE 等。
  • 示例：SELECT TIMESTAMPDIFF(DAY, TIMESTAMP '2024-08-01 00:00:00', TIMESTAMP '2024-08-07 00:00:00'); 返回 6。

4. 聚合函数

• COUNT(expr)

  • 描述：计算符合条件的行数。
  • 示例：SELECT COUNT(*) FROM table; 返回表中的行数。

• SUM(expr)

  • 描述：计算 expr 的总和。
  • 示例：SELECT SUM(salary) FROM employees; 返回员工薪资的总和。

• AVG(expr)

  • 描述：计算 expr 的平均值。
  • 示例：SELECT AVG(salary) FROM employees; 返回员工薪资的平均值。

• MIN(expr)

  • 描述：返回 expr 的最小值。
  • 示例：SELECT MIN(salary) FROM employees; 返回员工薪资的最小值。

• MAX(expr)

  • 描述：返回 expr 的最大值。
  • 示例：SELECT MAX(salary) FROM employees; 返回员工薪资的最大值。

5. 条件函数

• CASE WHEN condition THEN result [WHEN …] [ELSE result] END
  • 描述：类似于编程语言中的条件语句，根据条件返回不同的结果。
  • 示例：SELECT CASE WHEN salary > 5000 THEN 'High' ELSE 'Low' END FROM employees; 根据薪资返回 ‘High’ 或 ‘Low’。

除了上述基本的数学、字符串、日期时间和聚合函数外，Flink SQL 还提供了一些实际使用中的实用功能，这些功能在数据处理和分析中非常有用。以下是一些实用功能的介绍和示例：

高阶函数

1. 窗口函数

窗口函数允许用户在指定的窗口范围内进行计算，如滑动窗口、滚动窗口和会话窗口。以下是几种常见的窗口函数：

• TUMBLE

  • 描述：创建一个固定大小的滚动窗口。
  • 示例：

    SELECT TUMBLE_START(ts, INTERVAL '10' MINUTE) AS window_start,
           COUNT(*) AS cnt
    FROM table
    GROUP BY TUMBLE(ts, INTERVAL '10' MINUTE);
    

• HOP

  • 描述：创建一个滑动窗口。
  • 示例：

    SELECT HOP_START(ts, INTERVAL '5' MINUTE, INTERVAL '10' MINUTE) AS window_start,
           COUNT(*) AS cnt
    FROM table
    GROUP BY HOP(ts, INTERVAL '5' MINUTE, INTERVAL '10' MINUTE);
    

• SESSION

  • 描述：创建一个会话窗口。
  • 示例：

    SELECT SESSION_START(ts, INTERVAL '15' MINUTE) AS window_start,
           COUNT(*) AS cnt
    FROM table
    GROUP BY SESSION(ts, INTERVAL '15' MINUTE);
    

2. 集合操作函数

集合操作函数用于对多个表进行集合运算，如 UNION、INTERSECT 和 EXCEPT。

• UNION

  • 描述：合并两个表，去重。
  • 示例：

    SELECT * FROM table1
    UNION
    SELECT * FROM table2;
    

• UNION ALL

  • 描述：合并两个表，不去重。
  • 示例：

    SELECT * FROM table1
    UNION ALL
    SELECT * FROM table2;
    

• INTERSECT

  • 描述：返回两个表的交集。
  • 示例：

    SELECT * FROM table1
    INTERSECT
    SELECT * FROM table2;
    

• EXCEPT

  • 描述：返回存在于第一个表但不存在于第二个表的记录。
  • 示例：

    SELECT * FROM table1
    EXCEPT
    SELECT * FROM table2;
    

3. JSON 函数

Flink SQL 支持处理 JSON 数据的函数，非常适用于处理嵌套结构的数据。

• JSON_VALUE(json_string, path)

  • 描述：从 JSON 字符串中提取指定路径的值。
  • 示例：

    SELECT JSON_VALUE('{"name": "John", "age": 30}', '$.name') AS name;
    

• JSON_QUERY(json_string, path)

  • 描述：从 JSON 字符串中提取指定路径的子 JSON。
  • 示例：

    SELECT JSON_QUERY('{"name": "John", "info": {"age": 30, "city": "New York"}}', '$.info') AS info;
    

4. 数据类型转换函数

这些函数用于在不同的数据类型之间进行转换。

• CAST(expr AS type)

  • 描述：将 expr 转换为指定的数据类型。
  • 示例：

    SELECT CAST('2024-08-07' AS TIMESTAMP) AS ts;
    

• TRY_CAST(expr AS type)

  • 描述：尝试将 expr 转换为指定的数据类型，如果失败则返回 NULL。
  • 示例：

    SELECT TRY_CAST('abc' AS INT) AS number;  -- 返回 NULL
    

5. 复杂类型函数

处理数组、映射等复杂数据类型的函数。

• ARRAY

  • 描述：创建一个数组。
  • 示例：

    SELECT ARRAY[1, 2, 3] AS numbers;
    

• CARDINALITY(array)

  • 描述：返回数组的元素个数。
  • 示例：

    SELECT CARDINALITY(ARRAY[1, 2, 3]) AS size;
    

• ELEMENT(array, index)

  • 描述：返回数组中指定索引的元素。
  • 示例：

    SELECT ELEMENT(ARRAY[1, 2, 3], 2) AS second_element;  -- 返回 2
    

6. 用户自定义函数 (UDF)

Flink SQL 允许用户定义自己的函数以满足特定需求。

• 创建和使用 UDF
  • 示例：

    // Java 代码示例
    public static class MyUdf extends ScalarFunction {
        public int eval(int x) {
            return x * x;
        }
    }
    
    // 注册和使用 UDF
    tableEnv.createTemporarySystemFunction("MyUdf", MyUdf.class);
    tableEnv.sqlQuery("SELECT MyUdf(age) FROM people");