Flink1.11 SQL Demo: 構建一個端到端的流式應用
本文將基於 Kafka, MySQL, Elasticsearch, Kibana，使用 Flink SQL 構建一個電商使用者行為的實時分析應用。本文所有的實戰演練都將在 Flink SQL CLI 上執行，全程只涉及 SQL 純文字，無需一行 Java/Scala 程式碼，無需安裝 IDE。本實戰演練的最終效果圖：
準備
一臺裝有 Docker 的 Linux 或 MacOS 計算機。
使用 Docker Compose 啟動容器
本實戰演示所依賴的元件全都編排到了容器中，因此可以通過docker-compose一鍵啟動。你可以通過wget命令自動下載該docker-compose.yml
mkdir flink-sql-demo; cd flink-sql-demo;
wget https://raw.githubusercontent.com/wuchong/flink-sql-demo/v1.11-CN/docker-compose.yml
該 Docker Compose 中包含的容器有：
- Flink SQL Client: 用於提交 Flink SQL
- Flink叢集: 包含一個 JobManager 和 一個 TaskManager 用於執行 SQL 任務。
- DataGen:資料生成器。容器啟動後會自動開始生成使用者行為資料，併發送到 Kafka 叢集中。預設每秒生成 2000 條資料，能持續生成一個多小時。也可以更改
docker-compose.yml中 datagen 的speedup引數來調整生成速率（重啟 docker compose 才能生效）。 - MySQL:集成了 MySQL 5.7 ，以及預先建立好了類目表（
category），預先填入了子類目與頂級類目的對映關係，後續作為維表使用。 - Kafka:主要用作資料來源。DataGen 元件會自動將資料灌入這個容器中。
- Zookeeper:Kafka 容器依賴。
- Elasticsearch:主要儲存 Flink SQL 產出的資料。
- Kibana:視覺化 Elasticsearch 中的資料。
在啟動容器前，建議修改 Docker 的配置，將資源調整到 4GB 以及 4核。啟動所有的容器，只需要在docker-compose.yml
docker-compose up -d
該命令會以 detached 模式自動啟動 Docker Compose 配置中定義的所有容器。你可以通過docker ps來觀察上述的五個容器是否正常啟動了。 也可以訪問http://localhost:5601/來檢視 Kibana 是否執行正常。
另外可以通過如下命令停止所有的容器：
docker-compose down
進入 SQL CLI 客戶端
執行如下命令進入 SQL CLI 客戶端：
docker-compose exec sql-client ./sql-client.sh
該命令會在容器中啟動 SQL CLI 客戶端。你應該能在 CLI 客戶端中看到如下的環境介面。
使用 DDL 建立 Kafka 表
Datagen 容器在啟動後會往 Kafka 的user_behaviortopic 中持續不斷地寫入資料。資料包含了2017年11月27日一天的使用者行為（行為包括點選、購買、加購、喜歡），每一行表示一條使用者行為，以 JSON 的格式由使用者ID、商品ID、商品類目ID、行為型別和時間組成。該原始資料集來自阿里雲天池公開資料集，特此鳴謝。
我們可以在docker-compose.yml所在目錄下執行如下命令，檢視 Kafka 叢集中生成的前10條資料。
docker-compose exec kafka bash -c 'kafka-console-consumer.sh --topic user_behavior --bootstrap-server kafka:9094 --from-beginning --max-messages 10'
{"user_id": "952483", "item_id":"310884", "category_id": "4580532", "behavior": "pv", "ts": "2017-11-27T00:00:00Z"}
{"user_id": "794777", "item_id":"5119439", "category_id": "982926", "behavior": "pv", "ts": "2017-11-27T00:00:00Z"}
...
有了資料來源後，我們就可以用 DDL 去建立並連線這個 Kafka 中的 topic 了。在 Flink SQL CLI 中執行該 DDL。
CREATE TABLE user_behavior (
user_id BIGINT,
item_id BIGINT,
category_id BIGINT,
behavior STRING,
ts TIMESTAMP(3),
proctime AS PROCTIME(), -- generates processing-time attribute using computed column
WATERMARK FOR ts AS ts - INTERVAL '5' SECOND -- defines watermark on ts column, marks ts as event-time attribute
) WITH (
'connector' = 'kafka', -- using kafka connector
'topic' = 'user_behavior', -- kafka topic
'scan.startup.mode' = 'earliest-offset', -- reading from the beginning
'properties.bootstrap.servers' = 'kafka:9094', -- kafka broker address
'format' = 'json' -- the data format is json
);
如上我們按照資料的格式聲明瞭 5 個欄位，除此之外，我們還通過計算列語法和PROCTIME()內建函式聲明瞭一個產生處理時間的虛擬列。我們還通過 WATERMARK 語法，在 ts 欄位上聲明瞭 watermark 策略（容忍5秒亂序）， ts 欄位因此也成了事件時間列。關於時間屬性以及 DDL 語法可以閱讀官方文件瞭解更多：
- 時間屬性：https://ci.apache.org/projects/flink/flink-docs-release-1.11/dev/table/streaming/time_attributes.html
- DDL：https://ci.apache.org/projects/flink/flink-docs-release-1.11/dev/table/sql/create.html#create-table
在 SQL CLI 中成功建立 Kafka 表後，可以通過show tables;和describe user_behavior;來檢視目前已註冊的表，以及表的詳細資訊。我們也可以直接在 SQL CLI 中執行SELECT * FROM user_behavior;預覽下資料（按q退出）。
接下來，我們會通過三個實戰場景來更深入地瞭解 Flink SQL 。
統計每小時的成交量
使用 DDL 建立 Elasticsearch 表
我們先在 SQL CLI 中建立一個 ES 結果表，根據場景需求主要需要儲存兩個資料：小時、成交量。
CREATE TABLE buy_cnt_per_hour ( hour_of_day BIGINT, buy_cnt BIGINT ) WITH ( 'connector' = 'elasticsearch-7', -- using elasticsearch connector 'hosts' = 'http://elasticsearch:9200', -- elasticsearch address 'index' = 'buy_cnt_per_hour' -- elasticsearch index name, similar to database table name );
我們不需要在 Elasticsearch 中事先建立buy_cnt_per_hour索引，Flink Job 會自動建立該索引。
提交 Query
統計每小時的成交量就是每小時共有多少 "buy" 的使用者行為。因此會需要用到 TUMBLE 視窗函式，按照一小時切窗。然後每個視窗分別統計 "buy" 的個數，這可以通過先過濾出 "buy" 的資料，然後COUNT(*)實現。
INSERT INTO buy_cnt_per_hour SELECT HOUR(TUMBLE_START(ts, INTERVAL '1' HOUR)), COUNT(*) FROM user_behavior WHERE behavior = 'buy' GROUP BY TUMBLE(ts, INTERVAL '1' HOUR);
這裡我們使用HOUR內建函式，從一個 TIMESTAMP 列中提取出一天中第幾個小時的值。使用了INSERT INTO將 query 的結果持續不斷地插入到上文定義的 es 結果表中
（可以將 es 結果表理解成 query 的物化檢視）。
另外可以閱讀該文件瞭解更多關於視窗聚合的內容：https://ci.apache.org/projects/flink/flink-docs-release-1.11/dev/table/sql/queries.html#group-windows
在 Flink SQL CLI 中執行上述查詢後，在 Flink Web UI 中就能看到提交的任務，該任務是一個流式任務，因此會一直執行。
可以看到凌晨是一天中成交量的低谷。
使用 Kibana 視覺化結果
我們已經通過 Docker Compose 啟動了 Kibana 容器，可以通過http://localhost:5601訪問 Kibana。首先我們需要先配置一個 index pattern。點選左側工具欄的 "Management"，就能找到 "Index Patterns"。點選 "Create Index Pattern"，然後通過輸入完整的索引名 "buy_cnt_per_hour" 建立 index pattern。建立完成後， Kibana 就知道了我們的索引，我們就可以開始探索資料了。
先點選左側工具欄的"Discovery"按鈕，Kibana 就會列出剛剛建立的索引中的內容。
接下來，我們先建立一個 Dashboard 用來展示各個視覺化的檢視。點選頁面左側的"Dashboard"，建立一個名為 ”使用者行為日誌分析“ 的Dashboard。然後點選 "Create New" 建立一個新的檢視，選擇 "Area" 面積圖，選擇 "buy_cnt_per_hour" 索引，按照如下截圖中的配置（左側）畫出成交量面積圖，並儲存為”每小時成交量“。
統計一天每10分鐘累計獨立使用者數
另一個有意思的視覺化是統計一天中每一刻的累計獨立使用者數（uv），也就是每一刻的 uv 數都代表從0點到當前時刻為止的總計 uv 數，因此該曲線肯定是單調遞增的。
我們仍然先在 SQL CLI 中建立一個 Elasticsearch 表，用於儲存結果彙總資料。主要欄位有：日期時間和累積 uv 數。我們將日期時間作為 Elasticsearch 中的 document id，便於更新該日期時間的 uv 值。
CREATE TABLE cumulative_uv ( date_str STRING, time_str STRING, uv BIGINT, PRIMARY KEY (date_str, time_str) NOT ENFORCED ) WITH ( 'connector' = 'elasticsearch-7', 'hosts' = 'http://elasticsearch:9200', 'index' = 'cumulative_uv' );
為了實現該曲線，我們先抽取出日期和時間欄位，我們使用DATE_FORMAT抽取出基本的日期與時間，再用SUBSTR和 字串連線函式||將時間修正到10分鐘級別，如:12:10,12:20。其次，我們在外層查詢上基於日期分組，求當前最大的時間，和 UV，寫入到 Elasticsearch 的索引中。UV 的統計我們通過內建的COUNT(DISTINCT user_id)來完成，Flink SQL 內部對 COUNT DISTINCT 做了非常多的優化，因此可以放心使用。
這裡之所以需要求最大的時間，同時又按日期+時間作為主鍵寫入到 Elasticsearch，是因為我們在計算累積 UV 數。
INSERT INTO cumulative_uv
SELECT date_str, MAX(time_str), COUNT(DISTINCT user_id) as uv
FROM (
SELECT
DATE_FORMAT(ts, 'yyyy-MM-dd') as date_str,
SUBSTR(DATE_FORMAT(ts, 'HH:mm'),1,4) || '0' as time_str,
user_id
FROM user_behavior)
GROUP BY date_str;
提交上述查詢後，在 Kibana 中建立cumulative_uv的 index pattern，然後在 Dashboard 中建立一個"Line"折線圖，選擇cumulative_uv索引，按照如下截圖中的配置（左側）畫出累計獨立使用者數曲線，並儲存。
頂級類目排行榜
最後一個有意思的視覺化是類目排行榜，從而瞭解哪些類目是支柱類目。不過由於源資料中的類目分類太細（約5000個類目），對於排行榜意義不大，因此我們希望能將其歸約到頂級類目。所以筆者在 mysql 容器中預先準備了子類目與頂級類目的對映資料，用作維表。
在 SQL CLI 中建立 MySQL 表，後續用作維表查詢。
CREATE TABLE category_dim (
sub_category_id BIGINT,
parent_category_name STRING
) WITH (
'connector' = 'jdbc',
'url' = 'jdbc:mysql://mysql:3306/flink',
'table-name' = 'category',
'username' = 'root',
'password' = '123456',
'lookup.cache.max-rows' = '5000',
'lookup.cache.ttl' = '10min'
);
同時我們再建立一個 Elasticsearch 表，用於儲存類目統計結果。
CREATE TABLE top_category ( category_name STRING PRIMARY KEY NOT ENFORCED, buy_cnt BIGINT ) WITH ( 'connector' = 'elasticsearch-7', 'hosts' = 'http://elasticsearch:9200', 'index' = 'top_category' );
第一步我們通過維表關聯，補全類目名稱。我們仍然使用 CREATE VIEW 將該查詢註冊成一個檢視，簡化邏輯。維表關聯使用 temporal join 語法，
可以檢視文件瞭解更多：https://ci.apache.org/projects/flink/flink-docs-release-1.11/dev/table/streaming/joins.html#join-with-a-temporal-table
CREATE VIEW rich_user_behavior AS SELECT U.user_id, U.item_id, U.behavior, C.parent_category_name as category_name FROM user_behavior AS U LEFT JOIN category_dim FOR SYSTEM_TIME AS OF U.proctime AS C ON U.category_id = C.sub_category_id;
最後根據 類目名稱分組，統計出buy的事件數，並寫入 Elasticsearch 中。
INSERT INTO top_category SELECT category_name, COUNT(*) buy_cnt FROM rich_user_behavior WHERE behavior = 'buy' GROUP BY category_name;
提交上述查詢後，在 Kibana 中建立top_category的 index pattern，然後在 Dashboard 中建立一個"Horizontal Bar"條形圖，
選擇top_category索引，按照如下截圖中的配置（左側）畫出類目排行榜，並儲存。
可以看到服飾鞋包的成交量遠遠領先其他類目。
Kibana 還提供了非常豐富的圖形和視覺化選項，感興趣的使用者可以用 Flink SQL 對資料進行更多維度的分析，並使用 Kibana 展示出視覺化圖，並觀測圖形資料的實時變化。
結尾
在本文中，我們展示瞭如何使用 Flink SQL 整合 Kafka, MySQL, Elasticsearch 以及 Kibana 來快速搭建一個實時分析應用。整個過程無需一行 Java/Scala 程式碼，使用 SQL 純文字即可完成。期望通過本文，可以讓讀者瞭解到 Flink SQL 的易用和強大，包括輕鬆連線各種外部系統、對事件時間和亂序資料處理的原生支援、維表關聯、豐富的內建函式等等。希望你能喜歡我們的實戰演練，並從中獲得樂趣和知識！
本文章轉自：https://github.com/wuchong/flink-sql-demo#%E5%87%86%E5%A4%87