Flink對批處理和流處理，提供了統一的上層API
Table API是一套內嵌在java和scala語言中的查詢api，它允許以非常直觀的方式組合來自一些關係運算符的查詢
Flink的sql支援基於實現了sql標準的Apache calcite

先來個栗子感受下：

demo效果： 在資料來源txt中讀取，輸出id和temperature 這2個欄位，按照id做篩選，輸出，分別用table api和sql來實現

在pom.xml中加入依賴

<dependency>
    <groupId>org.apache.flink</groupId>
    <artifactId>flink-table-planner_2.12</artifactId>
    <version>1.10.1</version>
</dependency>

<!--        也可以不用引入下面的包，因為上面已經包含了-->
<dependency>
    <groupId>org.apache.flink</groupId>
    <artifactId>flink-table-api-scala-bridge_2.12</artifactId>
    <version>1.10.1</version>
</dependency>
 

在tabletest包下建一個Example object：

package com.mafei.apitest.tabletest

import com.mafei.sinktest.SensorReadingTest5
import org.apache.flink.streaming.api.scala._
import org.apache.flink.table.api.Table
import org.apache.flink.table.api.scala._

object Example {
  def main(args: Array[String]): Unit = {
    //建立執行環境
    val env = StreamExecutionEnvironment.getExecutionEnvironment

    env.getConfig.setAutoWatermarkInterval(200) //直接全域性設定watermark的時間為200毫秒
    val inputStream = env.readTextFile("/opt/java2020_study/maven/flink1/src/main/resources/sensor.txt")

    env.setParallelism(1)

    //先轉換成樣例類型別
    val dataStream = inputStream
      .map(data => {
        val arr = data.split(",") //按照,分割資料，獲取結果
        SensorReadingTest5(arr(0), arr(1).toLong, arr(2).toDouble) //生成一個感測器類的資料，引數中傳toLong和toDouble是因為預設分割後是字串類別
      })

    //首先建立表執行環境
    val tableEnv = StreamTableEnvironment.create(env)

    //基於流建立一張表
    val dataTable: Table = tableEnv.fromDataStream(dataStream)

    //呼叫table api進行轉換
    val resultTable = dataTable
      .select("id, temperature")
      .filter("id == 'sensor3'")

    resultTable.toAppendStream[(String,Double)].print("result")

    //第二種，直接寫sql來實現
    tableEnv.createTemporaryView("table1", dataTable)
    val sql: String = "select id, temperature from table1 where id='sensor1'"
    val resultSqlTable = tableEnv.sqlQuery(sql)
    resultSqlTable.toAppendStream[(String, Double)].print("result sql")

    env.execute("table api example")
  }

}
 

程式碼結構及執行效果：

看到效果之後再來分析結構：
Table API和SQL的程式結構，與流式處理的程式結構十分類似

//建立表執行環境
val tableEnv = StreamTableEnvironment.create(StreamExecutionEnvironment.getExecutionEnvironment)

//建立一張表，用於讀取資料
tableEnv.connect(....).createTemporayTable("inputTable")

//註冊一張表，用於把計算結果輸出
tableEnv.connect(....).createTemporaryTable("outputTable")

//通過Table API查詢運算元，得到一張結果表
val result = tableEnv.from（"inputTable").select()

//通過sql查詢語句，得到一張表
val sqlResult = tableEnv.sqlQuery("select id, temperature from table1 where id='sensor1'")

//將結果表寫入到輸出表中
result.insertInto("outputTable")
 

幾種引擎實現方式

Flink SQL有好幾種實現方式，其中blink 是阿里內部使用後來開源合併到flink的引擎，來看看幾種使用方式

/**
 *
 * @author mafei
 * @date 2020/11/22
 */

package com.mafei.apitest.tabletest

import org.apache.flink.api.scala.ExecutionEnvironment
import org.apache.flink.streaming.api.scala._
import org.apache.flink.table.api.{EnvironmentSettings, TableEnvironment}
import org.apache.flink.table.api.scala._

object TableApi1 {
  def main(args: Array[String]): Unit = {
    //1 、建立環境
    val env = StreamExecutionEnvironment.getExecutionEnvironment
    env.setParallelism(1)

    val tableEnv = StreamTableEnvironment.create(env)

    //1,1 基於老版本的planner的流處理
    val settings = EnvironmentSettings.newInstance()
      .useOldPlanner()
      .inStreamingMode()
      .build()
    val oldStreamTableEnv = StreamTableEnvironment.create(env, settings)

    //1.2 基於老版本的批處理環境
    val batchEnv = ExecutionEnvironment.getExecutionEnvironment

    val oldBatchTableEnv = BatchTableEnvironment.create(batchEnv)

    //1.3基於blink planner的流處理
    val blinkStreamSettings = EnvironmentSettings.newInstance()
      .useBlinkPlanner()
      .inStreamingMode()
      .build()
    val blinkStreamTableEnv = StreamTableEnvironment.create(env, blinkStreamSettings)

    //基於blink planner的批處理
    val blinkBatchSettings = EnvironmentSettings.newInstance()
      .useBlinkPlanner()
      .inBatchMode()
      .build()
    val blinkBatchTableEnv = TableEnvironment.create(blinkBatchSettings)

  }
}