Table API 和 Flink SQL—第四章 視窗(Windows)
時間語義,要配合視窗操作才能發揮作用。最主要的用途,當然就是開視窗、根據時間段做計算了。下面我們就來看看 Table API 和 SQL 中,怎麼利用時間欄位做視窗操作。
在 Table API 和 SQL 中,主要有兩種視窗:Group Windows 和 Over Windows
4.1 分組視窗(Group Windows)
分組視窗(Group Windows)會根據時間或行計數間隔,將行聚合到有限的組(Group) 中,並對每個組的資料執行一次聚合函式。
Table API 中的 Group Windows 都是使用.window(w:GroupWindow)子句定義的,並且必須由 as 子句指定一個別名。為了按視窗對錶進行分組,視窗的別名必須在group by 子句中,像常規的分組欄位一樣引用。
val table = input .window([w: GroupWindow] as 'w) // 定義視窗,別名 w .groupBy('w, 'a) // 以屬性 a 和視窗 w 作為分組的 key .select('a, 'b.sum) // 聚合欄位 b 的值,求和 val table = input .window([w: GroupWindow] as 'w) .groupBy('w, 'a) .select('a, 'w.start, 'w.end, 'w.rowtime, 'b.count)
Table API 提供了一組具有特定語義的預定義 Window 類,這些類會被轉換為底層
DataStream 或 DataSet 的視窗操作。
Table API 支援的視窗定義,和我們熟悉的一樣,主要也是三種:滾動(Tumbling)、滑動(Sliding)和會話(Session)。
4.1.2 滾動視窗
滾動視窗(Tumbling windows)要用 Tumble 類來定義,另外還有三個方法:
⚫ over:定義視窗長度
⚫ on:用來分組(按時間間隔)或者排序(按行數)的時間欄位
⚫ as:別名,必須出現在後面的 groupBy 中
程式碼如下:
// Tumbling Event-time Window(事件時間欄位 rowtime) .window(Tumble over 10.minutes on 'rowtime as 'w) // Tumbling Processing-time Window(處理時間欄位 proctime) .window(Tumble over 10.minutes on 'proctime as 'w) // Tumbling Row-count Window (類似於計數視窗,按處理時間排序,10 行一組) .window(Tumble over 10.rows on 'proctime as 'w)
4.1.2 滑動視窗 滑動視窗(Sliding windows)要用 Slide 類來定義,另外還有四個方法: ⚫ over:定義視窗長度 ⚫ every:定義滑動步長 ⚫ on:用來分組(按時間間隔)或者排序(按行數)的時間欄位 ⚫ as:別名,必須出現在後面的 groupBy 中
// Sliding Event-time Window .window(Slide over 10.minutes every 5.minutes on 'rowtime as 'w) // Sliding Processing-time window .window(Slide over 10.minutes every 5.minutes on 'proctime as 'w) // Sliding Row-count window .window(Slide over 10.rows every 5.rows on 'proctime as 'w)
4.1.1 會話視窗
會話視窗(Session windows)要用 Session 類來定義,另外還有三個方法:
⚫ withGap:會話時間間隔
⚫ on:用來分組(按時間間隔)或者排序(按行數)的時間欄位
⚫ as:別名,必須出現在後面的 groupBy 中
程式碼如下:
// Session Event-time Window .window(Session withGap 10.minutes on 'rowtime as 'w)
// Session Processing-time Window
.window(Session withGap 10.minutes on 'proctime as 'w)
4.2 Over Windows
Over window 聚合是標準SQL 中已有的(Over 子句),可以在查詢的 SELECT 子句中定義。
Over window 聚合,會針對每個輸入行,計算相鄰行範圍內的聚合。Over windows
使用.window(w:overwindows*)子句定義,並在 select()方法中通過別名來引用。
比如這樣:
val table = input .window([w: OverWindow] as 'w) .select('a, 'b.sum over 'w, 'c.min over 'w)
Table API 提供了 Over 類,來配置 Over 視窗的屬性。可以在事件時間或處理時間,以及指定為時間間隔、或行計數的範圍內,定義 Over windows。
無界的over window 是使用常量指定的。也就是說,時間間隔要指定UNBOUNDED_RANGE, 或者行計數間隔要指定UNBOUNDED_ROW。而有界的 over window 是用間隔的大小指定的。
實際程式碼應用如下:
1) 無界的 over window
// 無界的事件時間 over window (時間欄位 "rowtime") .window(Over partitionBy 'a orderBy 'rowtime preceding UNBOUNDED_RANGE as 'w) //無界的處理時間 over window (時間欄位"proctime") .window(Over partitionBy 'a orderBy 'proctime preceding UNBOUNDED_RANGE as 'w) // 無界的事件時間 Row-count over window (時間欄位 "rowtime") .window(Over partitionBy 'a orderBy 'rowtime preceding UNBOUNDED_ROW as 'w) //無界的處理時間 Row-count over window (時間欄位 "rowtime") .window(Over partitionBy 'a orderBy 'proctime preceding UNBOUNDED_ROW as 'w)
2) 有界的 over window
// 有界的事件時間 over window (時間欄位 "rowtime",之前 1 分鐘) .window(Over partitionBy 'a orderBy 'rowtime preceding 1.minutes as 'w) // 有界的處理時間 over window (時間欄位 "rowtime",之前 1 分鐘) .window(Over partitionBy 'a orderBy 'proctime preceding 1.minutes as 'w) // 有界的事件時間 Row-count over window (時間欄位 "rowtime",之前 10 行) .window(Over partitionBy 'a orderBy 'rowtime preceding 10.rows as 'w) // 有界的處理時間 Row-count over window (時間欄位 "rowtime",之前 10 行)
4.2 SQL 中視窗的定義
我們已經瞭解了在 Table API 裡 window 的呼叫方式,同樣,我們也可以在 SQL 中直接加入視窗的定義和使用。
4.2.1 Group Windows
Group Windows 在 SQL 查詢的Group BY 子句中定義。與使用常規 GROUP BY 子句的查詢一樣,使用GROUP BY 子句的查詢會計算每個組的單個結果行。
SQL 支援以下Group 視窗函式:
⚫ TUMBLE(time_attr, interval)
定義一個滾動視窗,第一個引數是時間欄位,第二個引數是視窗長度。
⚫ HOP(time_attr, interval, interval)
定義一個滑動視窗,第一個引數是時間欄位,第二個引數是視窗滑動步長,第三個是窗
口長度。
⚫ SESSION(time_attr, interval)
定義一個會話視窗,第一個引數是時間欄位,第二個引數是視窗間隔(Gap)。
另外還有一些輔助函式,可以用來選擇Group Window 的開始和結束時間戳,以及時間屬性。
這裡只寫 TUMBLE_*,滑動和會話視窗是類似的(HOP_*,SESSION_*)。
⚫ TUMBLE_START(time_attr, interval)
⚫ TUMBLE_END(time_attr, interval)
⚫ TUMBLE_ROWTIME(time_attr, interval)
⚫ TUMBLE_PROCTIME(time_attr, interval)
4.2.2 Over Windows
由於 Over 本來就是 SQL 內建支援的語法,所以這在SQL 中屬於基本的聚合操作。所有聚合必須在同一視窗上定義,也就是說,必須是相同的分割槽、排序和範圍。目前僅支援在當前行範圍之前的視窗(無邊界和有邊界)。
注意,ORDER BY 必須在單一的時間屬性上指定。
程式碼如下:
SELECT COUNT(amount) OVER ( PARTITION BY user ORDER BY proctime ROWS BETWEEN 2 PRECEDING AND CURRENT ROW) FROM Orders // 也可以做多個聚合 SELECT COUNT(amount) OVER w, SUM(amount) OVER w FROM Orders WINDOW w AS ( PARTITION BY user ORDER BY proctime ROWS BETWEEN 2 PRECEDING AND CURRENT ROW)
4.4 程式碼練習(以分組滾動視窗為例)
我們可以綜合學習過的內容,用一段完整的程式碼實現一個具體的需求。例如,可以開一個滾動視窗,統計 10 秒內出現的每個sensor 的個數。
程式碼如下:
def main(args: Array[String]): Unit = { val env = StreamExecutionEnvironment.getExecutionEnvironment env.setParallelism(1) env.setStreamTimeCharacteristic(TimeCharacteristic.EventTime) val streamFromFile: DataStream[String] = env.readTextFile("sensor.txt") val dataStream: DataStream[SensorReading] = streamFromFile .map( data => { val dataArray = data.split(",") SensorReading(dataArray(0).trim, dataArray(1).trim.toLong, dataArray(2).trim.toDouble) } ) .assignTimestampsAndWatermarks( new BoundedOutOfOrdernessTimestampExtractor[SensorReading](Time.seconds(1)) { override def extractTimestamp(element: SensorReading): Long = element.timestamp * 1000L } ) val settings: EnvironmentSettings = EnvironmentSettings .newInstance() .useOldPlanner() .inStreamingMode() .build() val tableEnv: StreamTableEnvironment = StreamTableEnvironment.create(env, settings) val dataTable: Table = tableEnv .fromDataStream(dataStream, 'id, 'temperature, 'timestamp.rowtime) val resultTable: Table = dataTable .window(Tumble over 10.seconds on 'timestamp as 'tw) .groupBy('id, 'tw) .select('id, 'id.count) val sqlDataTable: Table = dataTable .select('id, 'temperature, 'timestamp as 'ts) val resultSqlTable: Table = tableEnv .sqlQuery("select id, count(id) from " + sqlDataTable + " group by id,tumble(ts,interval '10' second)") // 把 Table 轉化成資料流 val resultDstream: DataStream[(Boolean, (String, Long))] = resultSqlTable .toRetractStream[(String, Long)] resultDstream.filter(_._1).print() env.execute()