Flink-v1.12官方网站翻译-P003-Real Time Reporting with the Table API

利用表格API进行实时报告

Apache Flink提供的Table API是一个统一的、关系型的API，用于批处理和流处理，即在无边界的、实时的流或有边界的、批处理的数据集上以相同的语义执行查询，并产生相同的结果。Flink中的Table API通常用于简化数据分析、数据管道化和ETL应用的定义。

你将建设什么？

在本教程中，您将学习如何构建一个实时的仪表盘，以按账户跟踪金融交易。该管道将从Kafka读取数据，并将结果写入MySQL，通过Grafana可视化。

先决条件

本演练假设你对Java或Scala有一定的熟悉，但即使你来自不同的编程语言，你也应该能够跟上。它还假设你熟悉基本的关系概念，如SELECT和GROUP BY子句。

救命，我被卡住了!

如果你遇到困难，请查看社区支持资源。特别是Apache Flink的用户邮件列表，一直是Apache项目中最活跃的一个，也是快速获得帮助的好方法。

如果在windows上运行docker，而你的数据生成器容器却无法启动，那么请确保你使用的shell是正确的。例如docker-entrypoint.sh for table-walkthrough_data-generator_1容器需要使用bash。如果不可用，它会抛出一个错误standard_init_linux.go:211: exec用户进程引起 "no such file or directory"。一个变通的方法是在docker-entrypoint.sh的第一行将shell切换为sh。

如何跟进

如果你想跟着走，你需要一台电脑与。

        Java 8或11
        Maven
        Docker
所需的配置文件可在flink-playgrounds资源库中获得。下载后，在IDE中打开项目flink-playground/table-walkthrough，并导航到文件SpendReport。

EnvironmentSettings settings = EnvironmentSettings.newInstance().build();
TableEnvironment tEnv = TableEnvironment.create(settings);

tEnv.executeSql("CREATE TABLE transactions (
" +
    "    account_id  BIGINT,
" +
    "    amount      BIGINT,
" +
    "    transaction_time TIMESTAMP(3),
" +
    "    WATERMARK FOR transaction_time AS transaction_time - INTERVAL '5' SECOND
" +
    ") WITH (
" +
    "    'connector' = 'kafka',
" +
    "    'topic'     = 'transactions',
" +
    "    'properties.bootstrap.servers' = 'kafka:9092',
" +
    "    'format'    = 'csv'
" +
    ")");

tEnv.executeSql("CREATE TABLE spend_report (
" +
    "    account_id BIGINT,
" +
    "    log_ts     TIMESTAMP(3),
" +
    "    amount     BIGINT
," +
    "    PRIMARY KEY (account_id, log_ts) NOT ENFORCED" +
    ") WITH (
" +
    "   'connector'  = 'jdbc',
" +
    "   'url'        = 'jdbc:mysql://mysql:3306/sql-demo',
" +
    "   'table-name' = 'spend_report',
" +
    "   'driver'     = 'com.mysql.jdbc.Driver',
" +
    "   'username'   = 'sql-demo',
" +
    "   'password'   = 'demo-sql'
" +
    ")");

Table transactions = tEnv.from("transactions");
report(transactions).executeInsert("spend_report");

　　

拆解代码

执行环境

前两行设置了你的表环境（TableEnvironment）。表环境是你如何为你的Job设置属性，指定你是在写批处理还是流式应用，以及创建你的源。本演练创建了一个使用流式执行的标准表环境。

EnvironmentSettings settings = EnvironmentSettings.newInstance().build();
TableEnvironment tEnv = TableEnvironment.create(settings);

注册表格

接下来，在当前目录中注册了表，您可以使用这些表连接到外部系统，以便读写批处理和流数据。表源提供对存储在外部系统中的数据的访问，如数据库、键值存储、消息队列或文件系统。表汇向外部存储系统发出一个表。根据源和汇的类型，它们支持不同的格式，如CSV、JSON、Avro或Parquet。

tEnv.executeSql("CREATE TABLE transactions (
" +
     "    account_id  BIGINT,
" +
     "    amount      BIGINT,
" +
     "    transaction_time TIMESTAMP(3),
" +
     "    WATERMARK FOR transaction_time AS transaction_time - INTERVAL '5' SECOND
" +
     ") WITH (
" +
     "    'connector' = 'kafka',
" +
     "    'topic'     = 'transactions',
" +
     "    'properties.bootstrap.servers' = 'kafka:9092',
" +
     "    'format'    = 'csv'
" +
     ")");

　　

注册了两个表：一个是交易输入表，一个是消费报告输出表。交易（transaction）表让我们可以读取信用卡交易，其中包含账户ID（account_id）、时间戳（transaction_time）和美元金额（金额）。该表是在一个名为transaction的Kafka主题上的逻辑视图，包含CSV数据。

tEnv.executeSql("CREATE TABLE spend_report (
" +
    "    account_id BIGINT,
" +
    "    log_ts     TIMESTAMP(3),
" +
    "    amount     BIGINT
," +
    "    PRIMARY KEY (account_id, log_ts) NOT ENFORCED" +
    ") WITH (
" +
    "    'connector'  = 'jdbc',
" +
    "    'url'        = 'jdbc:mysql://mysql:3306/sql-demo',
" +
    "    'table-name' = 'spend_report',
" +
    "    'driver'     = 'com.mysql.jdbc.Driver',
" +
    "    'username'   = 'sql-demo',
" +
    "    'password'   = 'demo-sql'
" +
    ")");

　　

第二张表spend_report，存储了最终的汇总结果。其底层存储是MySql数据库中的一张表。

查询

配置好环境和注册好表后，你就可以构建你的第一个应用程序了。从TableEnvironment中，你可以从一个输入表中读取它的行，然后使用executeInsert将这些结果写入一个输出表。报表函数是你实现业务逻辑的地方。它目前还没有被实现。

Table transactions = tEnv.from("transactions");
report(transactions).executeInsert("spend_report");

测试

该项目包含一个二次测试类SpendReportTest，用于验证报表的逻辑。它以批处理模式创建了一个表格环境。

EnvironmentSettings settings = EnvironmentSettings.newInstance().inBatchMode().build();
TableEnvironment tEnv = TableEnvironment.create(settings); 

　　

Flink的独特属性之一是它在批处理和流式处理之间提供一致的语义。这意味着您可以在静态数据集上以批处理模式开发和测试应用程序，并以流式应用程序的形式部署到生产中。

尝试一

现在有了Job设置的骨架，你就可以添加一些业务逻辑了。目标是建立一个报告，显示每个账户在一天中每个小时的总支出。这意味着时间戳列需要从毫秒到小时的颗粒度进行舍入。

Flink支持用纯SQL或使用Table API开发关系型应用。Table API是一个受SQL启发的流畅的DSL，可以用Python、Java或Scala编写，并支持强大的IDE集成。就像SQL查询一样，Table程序可以选择所需的字段，并通过你的键进行分组。这些功能，加上内置的函数，如floor和sum，你可以写这个报告。

public static Table report(Table transactions) {
    return transactions.select(
            $("account_id"),
            $("transaction_time").floor(TimeIntervalUnit.HOUR).as("log_ts"),
            $("amount"))
        .groupBy($("account_id"), $("log_ts"))
        .select(
            $("account_id"),
            $("log_ts"),
            $("amount").sum().as("amount"));
}

用户自定义函数

Flink包含有限的内置函数，有时你需要用用户定义的函数来扩展它。如果地板不是预定义的，你可以自己实现它。

import java.time.LocalDateTime;
import java.time.temporal.ChronoUnit;

import org.apache.flink.table.annotation.DataTypeHint;
import org.apache.flink.table.functions.ScalarFunction;

public class MyFloor extends ScalarFunction {

    public @DataTypeHint("TIMESTAMP(3)") LocalDateTime eval(
        @DataTypeHint("TIMESTAMP(3)") LocalDateTime timestamp) {

        return timestamp.truncatedTo(ChronoUnit.HOURS);
    }
}

然后迅速将其集成到你的应用程序中。

public static Table report(Table transactions) {
    return transactions.select(
            $("account_id"),
            call(MyFloor.class, $("transaction_time")).as("log_ts"),
            $("amount"))
        .groupBy($("account_id"), $("log_ts"))
        .select(
            $("account_id"),
            $("log_ts"),
            $("amount").sum().as("amount"));
}

这个查询会消耗事务表的所有记录，计算报表，并以高效、可扩展的方式输出结果。使用该实现运行测试将通过。

 添加窗口

基于时间的数据分组是数据处理中的典型操作，尤其是在处理无限流时。基于时间的分组被称为窗口，Flink提供了灵活的窗口语义。最基本的窗口类型称为Tumble窗口，它有一个固定的大小，其桶不重叠。

public static Table report(Table transactions) {
    return transactions
        .window(Tumble.over(lit(1).hour()).on($("transaction_time")).as("log_ts"))
        .groupBy($("account_id"), $("log_ts"))
        .select(
            $("account_id"),
            $("log_ts").start().as("log_ts"),
            $("amount").sum().as("amount"));
}

这就定义了你的应用程序使用基于时间戳列的一小时翻滚窗口。因此，时间戳为2019-06-01 01:23:47的行被放在2019-06-01 01:00:00窗口中。

基于时间的聚合是独一无二的，因为在连续流应用中，时间与其他属性不同，一般是向前移动的。与 floor 和你的 UDF 不同，窗口函数是内在的，它允许运行时应用额外的优化。在批处理上下文中，窗口提供了一个方便的API，用于通过时间戳属性对记录进行分组。

用这个实现运行测试也会通过。

再一次，用流处理

就是这样，一个功能齐全、有状态的分布式流式应用! 查询持续消耗Kafka的事务流，计算每小时的花费，并在结果准备好后立即发出。由于输入是无限制的，所以查询一直在运行，直到手动停止。而且由于Job使用了基于时间窗口的聚合，所以当框架知道某个窗口不会再有记录到达时，Flink可以进行特定的优化，比如状态清理。

表游乐场是完全docker化的，可以作为流媒体应用在本地运行。该环境包含一个Kafka主题、一个连续数据生成器、MySql和Grafana。

从table-walkthrough文件夹内启动docker-compose脚本。

$ docker-compose build
$ docker-compose up -d

你可以通过Flink控制台查看正在运行的作业信息。

 

 从MySQL内部探究结果。

$ docker-compose exec mysql mysql -Dsql-demo -usql-demo -pdemo-sql

mysql> use sql-demo;
Database changed

mysql> select count(*) from spend_report;
+----------+
| count(*) |
+----------+
|      110 |
+----------+

最后，去Grafana看看完全可视化的结果吧!