共计 10823 个字符,预计需要花费 28 分钟才能阅读完成。
本篇内容介绍了“如何使用 FlinkSQL 内置函数”的有关知识,在实际案例的操作过程中,不少人都会遇到这样的困境,接下来就让丸趣 TV 小编带领大家学习一下如何处理这些情况吧!希望大家仔细阅读,能够学有所成!
前言
Flink Table 和 SQL 内置了很多 SQL 中支持的函数; 如果有无法满足的需要,则可以实现用户自定义的函数 (UDF) 来解决。
一、系统内置函数
Flink Table API 和 SQL 为用户提供了一组用于数据转换的内置函数。SQL 中支持的很多函数,Table API 和 SQL 都已经做了实现,其它还在快速开发扩展中。
以下是一些典型函数的举例,全部的内置函数,可以参考官网介绍。
类型 TableApiSQLAPI 比较函数 ANY1 === ANY2value1 = value2 比较函数 NY1 ANY2value1 value2 逻辑函数 BOOLEAN1 || BOOLEAN2boolean1 OR boolean2 逻辑函数 BOOLEAN.isFalseboolean IS FALSE 逻辑函数!BOOLEANNOT boolean 算术函数 NUMERIC1 + NUMERIC2numeric1 + numeric2 算术函数 NUMERIC1.power(NUMERIC2)POWER(numeric1, numeric2)字符串函数 STRING1 + STRING2string1 || string2 字符串函数 STRING.upperCase()UPPER(string)字符串函数 STRING.charLength()CHAR_LENGTH(string)时间函数 STRING.toDateDATE string 时间函数 STRING.toTimestampTIMESTAMP string 时间函数 currentTime()CURRENT_TIME 时间函数 NUMERIC.daysINTERVAL string range 时间函数 NUMERIC.minutes 聚合函数 FIELD.countCOUNT(*)聚合函数 FIELD.sum0SUM([ALL | DISTINCT] expression)聚合函数 RANK()聚合函数 ROW_NUMBER()
二、Flink UDF
用户定义函数 (User-defined Functions,UDF) 是一个重要的特性,因为它们显著地扩展了查询 (Query) 的表达能力。一些系统内置函数无法解决的需求,我们可以用 UDF 来自定义实现。
2.1 注册用户自定义函数 UDF
在大多数情况下,用户定义的函数必须先注册,然后才能在查询中使用。不需要专门为 Scala 的 Table API 注册函数。
函数通过调用 registerFunction()方法在 TableEnvironment 中注册。当用户定义的函数被注册时,它被插入到 TableEnvironment 的函数目录中,这样 Table API 或 SQL 解析器就可以识别并正确地解释它。
2.2 标量函数(Scalar Functions)
用户定义的标量函数,可以将 0、1 或多个标量值,映射到新的标量值。
为了定义标量函数,必须在 org.apache.flink.table.functions 中扩展基类 Scalar Function,并实现 (一个或多个) 求值 (evaluation,eval) 方法。标量函数的行为由求值方法决定,求值方法必须公开声明并命名为 eval(直接 def 声明,没有 override)。求值方法的参数类型和返回类型,确定了标量函数的参数和返回类型。
在下面的代码中,我们定义自己的 HashCode 函数,在 TableEnvironment 中注册它,并在查询中调用它。
准备数据
sensor_1,1547718199,35.8 sensor_6,1547718201,15.4 sensor_7,1547718202,6.7 sensor_10,1547718205,38.1 sensor_1,1547718206,32 sensor_1,1547718208,36.2 sensor_1,1547718210,29.7 sensor_1,1547718213,30.9
代码如下
package udf import org.apache.flink.streaming.api.scala._ import org.apache.flink.table.api.DataTypes import org.apache.flink.table.api.scala._ import org.apache.flink.table.descriptors.{Csv, FileSystem, Schema} import org.apache.flink.table.functions.ScalarFunction import org.apache.flink.types.Row /** * @Package udf * @File :FlinkSqlUdfHashCode.java * @author 大数据老哥 * @date 2020/12/29 21:58 * @version V1.0 */ object FlinkSqlUdfHashCode { def main(args: Array[String]): Unit = { //1. 构建运行环境 val env = StreamExecutionEnvironment.getExecutionEnvironment env.setParallelism(1) // 设置并行度为 1 //2. 构建 TableEnv val tableEnv = StreamTableEnvironment.create(env) //3. 构建数据源 tableEnv.connect(new FileSystem().path(./data/sensor.txt)) .withFormat(new Csv()) .withSchema(new Schema() .field(id , DataTypes.STRING()) .field(timestamp , DataTypes.INT()) .field(temperature , DataTypes.DOUBLE()) ).createTemporaryTable(sensor) // 转为表 val tableSensor = tableEnv.from(sensor) // 床架转换对象 val code = new HashCode() // 使用 tableAPI 进行测试 val tableRes = tableSensor.select( id, code( id)) tableEnv.registerFunction(code ,code) // 注册 udf val tableSql = tableEnv.sqlQuery( |select |id, |code(id) |from |sensor | .stripMargin) // 输出 tableRes.toAppendStream[Row].print(tableAPI) tableSql.toAppendStream[Row].print(tableSql) env.execute(FlinkSqlUdfHashCode) } class HashCode() extends ScalarFunction { def eval(s: String): String = { s.hashCode.toString } } } 运行结果
2.3 表函数(Table Functions)
与用户定义的标量函数类似,用户定义的表函数,可以将 0、1 或多个标量值作为输入参数;
与标量函数不同的是,它可以返回任意数量的行作为输出,而不是单个值。为了定义一个表函数,必须扩展 org.apache.flink.table.functions 中的基类 TableFunction 并实现 (一个或多个) 求值方法。表函数的行为由其求值方法决定,求值方法必须是 public 的,并命名为 eval。求值方法的参数类型,决定表函数的所有有效参数。
返回表的类型由 TableFunction 的泛型类型确定。求值方法使用 protected collect(T)方法发出输出行。
在 Table API 中,Table 函数需要与.joinLateral 或.leftOuterJoinLateral 一起使用。
joinLateral 算子,会将外部表中的每一行,与表函数 (TableFunction,算子的参数是它的表达式) 计算得到的所有行连接起来。
而 leftOuterJoinLateral 算子,则是左外连接,它同样会将外部表中的每一行与表函数计算生成的所有行连接起来; 并且,对于表函数返回的是空表的外部行,也要保留下来。
在 SQL 中,则需要使用 Lateral Table(),或者带有 ON TRUE 条件的左连接。
下面的代码中,我们将定义一个表函数,在表环境中注册它,并在查询中调用它。
数据准备
hello|word,hello|spark hello|Flink,hello|java,hello| 大数据老哥
编写代码
package udf import org.apache.flink.streaming.api.scala._ import org.apache.flink.table.api.scala._ import org.apache.flink.table.functions.TableFunction import org.apache.flink.types.Row /** * @Package udf * @File :FlinkSqlUDFTableFunction.java * @author 大数据老哥 * @date 2020/12/29 23:10 * @version V1.0 */ object FlinkSqlUDFTableFunction { def main(args: Array[String]): Unit = { //1. 构建运行环境 val env = StreamExecutionEnvironment.getExecutionEnvironment env.setParallelism(1) // 设置并行度为 1 //2. 构建 TableEnv val tableEnv = StreamTableEnvironment.create(env) //3. 构建数据源 val data = env.readTextFile(./data/words.txt) // 解析数据 val wordData: DataStream[String] = data.flatMap(_.split( ,)) // 类型转换 val tableWord = tableEnv.fromDataStream(wordData, id) // 调用 TableFunction val split = new Split() // Table API 方式一 val resTable1 = tableWord. joinLateral(split( id) as(word, length)) .select(id, word, length ) // Table API 方式二 val resTable2 = tableWord. leftOuterJoinLateral(split( id) as(word, length)) .select(id, word, length ) // 将数据注册成表 tableEnv.createTemporaryView(sensor ,tableWord) tableEnv.registerFunction(split ,split) // SQL 方式一 val tableSQL1 = tableEnv.sqlQuery( |select |id, |word, |length |from |sensor ,LATERAL TABLE(split(id)) AS newsensor(word, length) | .stripMargin) // SQL 方式二 val TableSQL2 = tableEnv.sqlQuery( |select |id, |word, |length |from |sensor | LEFT JOIN LATERAL TABLE(split(id)) AS newsensor(word, length) ON TRUE | .stripMargin) // 调用数据 resTable1.toAppendStream[Row].print(resTable1) resTable2.toAppendStream[Row].print(resTable2) tableSQL1.toAppendStream[Row].print(tableSQL1) TableSQL2.toAppendStream[Row].print(TableSQL2) env.execute(FlinkSqlUDFTableFunction) } class Split() extends TableFunction[(String,Int)] { def eval(str: String): Unit = { str.split( \\|).foreach( word = collect((word, word.length)) ) } } }
2.4 聚合函数(Aggregate Functions)
用户自定义聚合函数 (User-Defined Aggregate Functions,UDAGGs) 可以把一个表中的数据,聚合成一个标量值。用户定义的聚合函数,是通过继承 AggregateFunction 抽象类实现的。
上图中显示了一个聚合的例子。
假设现在有一张表,包含了各种饮料的数据。该表由三列 (id、name 和 price)、五行组成数据。现在我们需要找到表中所有饮料的最高价格,即执行 max() 聚合,结果将是一个数值。AggregateFunction 的工作原理如下:
首先,它需要一个累加器,用来保存聚合中间结果的数据结构 (状态)。可以通过调用 AggregateFunction 的 createAccumulator() 方法创建空累加器。
随后,对每个输入行调用函数的 accumulate() 方法来更新累加器。
处理完所有行后,将调用函数的 getValue() 方法来计算并返回最终结果。AggregationFunction 要求必须实现的方法:
除了上述方法之外,还有一些可选择实现的方法。其中一些方法,可以让系统执行查询更有效率,而另一些方法,对于某些场景是必需的。例如,如果聚合函数应用在会话窗口 (session group window) 上下文中,则 merge()方法是必需的。
retract()
merge()
resetAccumulator()
接下来我们写一个自定义 AggregateFunction, 计算一个每个 price 的平均值。
数据准备
1,Latte,6 2,Milk,3 3,Breve,5 4,Mocha,8 5,Tea,4
代码如下
package udf import org.apache.calcite.rel.`type`.{RelDataType, RelDataTypeFactory} import org.apache.flink.streaming.api.scala._ import org.apache.flink.table.api.DataTypes import org.apache.flink.table.api.scala._ import org.apache.flink.table.descriptors.{Csv, FileSystem, Schema} import org.apache.flink.table.functions.AggregateFunction import org.apache.flink.types.Row import java.util /** * @Package udf * @File :FlinkSQUDFAggregateFunction.java * @author 大数据老哥 * @date 2020/12/30 22:06 * @version V1.0 */ object FlinkSQUDFAggregateFunction { def main(args: Array[String]): Unit = { //1. 构建运行环境 val env = StreamExecutionEnvironment.getExecutionEnvironment env.setParallelism(1) // 设置并行度为 1 //2. 构建 TableEnv val tableEnv = StreamTableEnvironment.create(env) //3. 构建数据源 tableEnv.connect(new FileSystem().path(./data/datas)) .withFormat(new Csv) .withSchema(new Schema() .field(id , DataTypes.STRING()) .field(name , DataTypes.STRING()) .field(price , DataTypes.DOUBLE()) ).createTemporaryTable(datas) val AvgTemp = new AvgTemp() val table = tableEnv.from( datas) val resTableApi = table.groupBy(id) .aggregate(AvgTemp( price) as sumprice) .select(id, sumprice) tableEnv.registerFunction(avgTemp ,AvgTemp) val tablesql = tableEnv.sqlQuery( |select |id ,avgTemp(price) |from datas group by id | .stripMargin) resTableApi.toRetractStream[Row].print(resTableApi) tablesql.toRetractStream[Row].print(tablesql) env.execute(FlinkSQUDFAggregateFunction) } class AvgTempAcc { var sum: Double = 0.0 var count: Int = 0 } class AvgTemp extends AggregateFunction[Double, AvgTempAcc] { override def getValue(acc: AvgTempAcc): Double = { acc.sum / acc.count } override def createAccumulator(): AvgTempAcc = new AvgTempAcc() } def accumulate(accumulator: AvgTempAcc, price: Double): Unit = { accumulator.sum += price accumulator.count += 1 } }
2.5 表聚合函数(Table Aggregate Functions)
户定义的表聚合函数(User-Defined Table Aggregate Functions,UDTAGGs),可以把一个表中数据,聚合为具有多行和多列的结果表。这跟 AggregateFunction 非常类似,只是之前聚合结果是一个标量值,现在变成了一张表。
比如现在我们需要找到表中所有饮料的前 2 个最高价格,即执行 top2()表聚合。我们需要检查 5 行中的每一行,得到的结果将是一个具有排序后前 2 个值的表。用户定义的表聚合函数,是通过继承 TableAggregateFunction 抽象类来实现的。TableAggregateFunction 的工作原理如下:
为首先,它同样需要一个累加器 (Accumulator),它是保存聚合中间结果的数据结构。通过调用 TableAggregateFunction 的 createAccumulator() 方法可以创建空累加器。
为随后,对每个输入行调用函数的 accumulate()方法来更新累加器。
为处理完所有行后,将调用函数的 emitValue()方法来计算并返回最终结果。除了上述方法之外,还有一些可选择实现的方法。
retract()
merge()
resetAccumulator()
emitValue()
emitUpdateWithRetract()
接下来我们写一个自定义 TableAggregateFunction,用来提取每个 price 最高的两个平均值。
数据准备
1,Latte,6 2,Milk,3 3,Breve,5 4,Mocha,8 5,Tea,4
代码如下
package udf import org.apache.flink.streaming.api.scala._ import org.apache.flink.table.api.DataTypes import org.apache.flink.table.api.scala._ import org.apache.flink.table.descriptors.{Csv, FileSystem, Schema} import org.apache.flink.table.functions.TableAggregateFunction import org.apache.flink.types.Row import org.apache.flink.util.Collector import udf.FlinkSQUDFAggregateFunction.AvgTemp /** * @Package udf * @File :FlinkSqlUDFTableAggregateFunction.java * @author 大数据老哥 * @date 2020/12/30 22:53 * @version V1.0 */ object FlinkSqlUDFTableAggregateFunction { def main(args: Array[String]): Unit = { //1. 构建运行环境 val env = StreamExecutionEnvironment.getExecutionEnvironment env.setParallelism(1) // 设置并行度为 1 //2. 构建 TableEnv val tableEnv = StreamTableEnvironment.create(env) //3. 构建数据源 tableEnv.connect(new FileSystem().path(./data/datas)) .withFormat(new Csv) .withSchema(new Schema() .field(id , DataTypes.STRING()) .field(name , DataTypes.STRING()) .field(price , DataTypes.DOUBLE()) ).createTemporaryTable(datas) val table = tableEnv.from(datas) val temp = new Top2Temp() val tableApi = table.groupBy( id) .flatAggregate(temp( price) as(tmpprice, rank)) .select(id, tmpprice, rank) tableEnv.registerFunction(temp ,temp) tableApi.toRetractStream[Row].print() env.execute( FlinkSqlUDFTableAggregateFunction) } class Top2TempAcc { var highestPrice: Double = Int.MinValue var secodeHighestPrice: Double = Int.MinValue } class Top2Temp extends TableAggregateFunction[(Double, Int), Top2TempAcc] { override def createAccumulator(): Top2TempAcc = new Top2TempAcc def accumulate(acc: Top2TempAcc, temp: Double): Unit = { if (temp acc.highestPrice) { acc.secodeHighestPrice = acc.highestPrice acc.highestPrice = temp } else if (temp acc.secodeHighestPrice) { acc.highestPrice = temp } } def emitValue(acc: Top2TempAcc, out: Collector[(Double, Int)]): Unit = { out.collect(acc.highestPrice, 1) out.collect(acc.secodeHighestPrice, 2) } } }
“如何使用 FlinkSQL 内置函数”的内容就介绍到这里了,感谢大家的阅读。如果想了解更多行业相关的知识可以关注丸趣 TV 网站,丸趣 TV 小编将为大家输出更多高质量的实用文章!