許多的數據科學家,分析師和 BI 用戶依賴交互式 SQL 查詢分析數據。Flink SQL 是 Flink 的核心模塊之一。作為一個分佈式的 SQL 查詢引擎。Flink SQL 提供了各種異構數據源的聯合查詢。開發者可以很方便地在一個程序中通過 SQL 編寫複雜的分析查詢。通過 CBO 優化器、列式存儲、和代碼生成技術,Flink SQL 擁有非常高的查詢效率。同時藉助於 Flink runtime 良好的容錯和擴展性,Flink SQL 可以輕鬆處理海量數據。
在保證優秀性能的同時,易用性是 1.11 版本 Flink SQL 的重頭戲。易用性的提升主要體現在以下幾個方面:
- 更方便的追加或修改表定義
- 靈活的聲明動態的查詢參數
- 加強和統一了原有 TableEnv 上的 SQL 接口
- 簡化了 connector 的屬性定義
- 對 Hive 的 DDL 做了原生支持
- 加強了對 python UDF 的支持
下面逐一為大家介紹 ~
Create Table Like
在生產中,用戶常常有調整現有表定義的需求。例如用戶想在一些外部的表定義(例如 Hive metastore)基礎上追加 Flink 特有的一些定義比如 watermark。在 ETL 場景中,將多張表的數據合併到一張表,目標表的 schema 定義其實是上游表的合集,需要一種方便合併表定義的方式。
從 1.11 版本開始,Flink 提供了 LIKE 語法,用戶可以很方便的在已有的表定義上追加新的定義。
例如我們可以使用下面的語法給已有表 base_table 追加 watermark 定義:
CREATE [TEMPORARY] TABLE base_table (
id BIGINT,
name STRING,
tstmp TIMESTAMP,
PRIMARY KEY(id)
) WITH (
'connector': 'kafka'
)
CREATE [TEMPORARY] TABLE derived_table (
WATERMARK FOR tstmp AS tsmp - INTERVAL '5' SECOND
)
LIKE base_table;
這裡 derived_table 表定義等價於如下定義:
CREATE [TEMPORARY] TABLE derived_table (
id BIGINT,
name STRING,
tstmp TIMESTAMP,
PRIMARY KEY(id),
WATERMARK FOR tstmp AS tsmp - INTERVAL '5' SECOND
) WITH (
‘connector’: ‘kafka’
)
對比之下,新的語法省去了重複的 schema 定義,用戶只需要定義追加屬性,非常方便簡潔。
多屬性策略
有的小夥伴會問,原表和新表的屬性只是新增或追加嗎?如果我想覆蓋或者排除某些屬性該如何操作?這是一個好問題,Flink LIKE 語法提供了非常靈活的表屬性操作策略。
LIKE 語法支持使用不同的 keyword 對錶屬性分類:
- ALL:完整的表定義
- CONSTRAINTS: primary keys, unique key 等約束
- GENERATED: 主要指計算列和 watermark
- OPTIONS: WITH (...) 語句內定義的 table options
- PARTITIONS: 表分區信息
在不同的屬性分類上可以追加不同的屬性行為:
- INCLUDING:包含(默認行為)
- EXCLUDING:排除
- OVERWRITING:覆蓋
下面這張表格說明了不同的分類屬性允許的行為:
例如下面的語句:
CREATE [TEMPORARY] TABLE base_table (
id BIGINT,
name STRING,
tstmp TIMESTAMP,
PRIMARY KEY(id)
) WITH (
'connector': 'kafka',
'scan.startup.specific-offsets': 'partition:0,offset:42;partition:1,offset:300',
'format': 'json'
)
CREATE [TEMPORARY] TABLE derived_table (
WATERMARK FOR tstmp AS tsmp - INTERVAL '5' SECOND
)
WITH (
'connector.starting-offset': '0'
)
LIKE base_table (OVERWRITING OPTIONS, EXCLUDING CONSTRAINTS);
等價的表屬性定義為:
CREATE [TEMPORARY] TABLE derived_table (
id BIGINT,
name STRING,
tstmp TIMESTAMP,
WATERMARK FOR tstmp AS tsmp - INTERVAL '5' SECOND
) WITH (
'connector': 'kafka',
'scan.startup.specific-offsets': 'partition:0,offset:42;partition:1,offset:300',
'format': 'json'
)
細節參見:https://ci.apache.org/projects/flink/flink-docs-master/dev/table/sql/create.html#create-table
Dynamic Table Options
在生產中,調整參數是一個常見需求,很多的時候是臨時修改(比如通過終端查詢和展示),比如下面這張 Kafka 表:
create table kafka_table (
id bigint,
age int,
name STRING
) WITH (
'connector' = 'kafka',
'topic' = 'employees',
'scan.startup.mode' = 'timestamp',
'scan.startup.timestamp-millis' = '123456',
'format' = 'csv',
'csv.ignore-parse-errors' = 'false'
)
在之前的版本,如果用戶有如下需求:
- 用戶需要指定特性的消費時間戳,即修改 scan.startup.timestamp-millis 屬性
- 用戶想忽略掉解析錯誤,需要將 format.ignore-parse-errors 改為 true
只能使用 ALTER TABLE 這樣的語句修改表的定義,從 1.11 開始,用戶可以通過動態參數的形式靈活地設置表的屬性參數,覆蓋或者追加原表的 WITH (...) 語句內定義的 table options。
基本語法為:
table_name /*+ OPTIONS('k1'='v1', 'aa.bb.cc'='v2') */
OPTIONS 內的鍵值對會覆蓋原表的 table options,用戶可以在各種 SQL 語境中使用這樣的語法,例如:
CREATE TABLE kafka_table1 (id BIGINT, name STRING, age INT) WITH (...);
CREATE TABLE kafka_table2 (id BIGINT, name STRING, age INT) WITH (...);
-- override table options in query source
select id, name from kafka_table1 /*+ OPTIONS('scan.startup.mode'='earliest-offset') */;
-- override table options in join
select * from
kafka_table1 /*+ OPTIONS('scan.startup.mode'='earliest-offset') */ t1
join
kafka_table2 /*+ OPTIONS('scan.startup.mode'='earliest-offset') */ t2
on t1.id = t2.id;
-- override table options for INSERT target table
insert into kafka_table1 /*+ OPTIONS('sink.partitioner'='round-robin') */ select * from kafka_table2;
動態參數的使用沒有語境限制,只要是引用表的地方都可以追加定義。在指定的表後面追加的動態參數會自動追加到原表定義中,是不是很方便呢 :)
由於可能對查詢結果有影響,動態參數功能默認是關閉的, 使用下面的方式開啟該功能:
// instantiate table environment
TableEnvironment tEnv = ...
// access flink configuration
Configuration configuration = tEnv.getConfig().getConfiguration();
// set low-level key-value options
configuration.setString("table.dynamic-table-options.enabled", "true");
細節參見:https://ci.apache.org/projects/flink/flink-docs-master/dev/table/sql/hints.html
SQL API 改進
隨著 Flink SQL 支持的語句越來越豐富,老的 API 容易引起一些困惑:
- 原先的 sqlUpdate() 方法傳遞 DDL 語句會立即執行,而 INSERT INTO 語句在調用 execute 方法時才會執行
- Table 程序的執行入口不夠清晰,像 TableEnvironment.execute() 和 StreamExecutionEnvironment.execute() 都可以觸發 table 程序執行
- execute 方法沒有返回值。像 SHOW TABLES 這樣的語句沒有很好地方式返回結果。另外,sqlUpdate 方法加入了越來越多的語句導致接口定義不清晰,sqlUpdate 可以執行 SHOW TABLES 就是一個反例
- 在 Blink planner 一直提供多 sink 優化執行的能力,但是在 API 層沒有體現出來
1.11 重新梳理了 TableEnv 上的 sql 相關接口,提供了更清晰的執行語義,同時執行任意 sql 語句現在都有返回值,用戶可以通過新的 API 靈活的組織多行 sql 語句一起執行。
更清晰的執行語義
新的接口 TableEnvironment#executeSql 統一返回抽象 TableResult,用戶可以迭代 TableResult 拿到執行結果。根據執行語句的不同,返回結果的數據結構也有變化,比如 SELECT 語句會返回查詢結果,而 INSERT 語句會異步提交作業到集群。
組織多條語句一起執行
新的接口 TableEnvironment#createStatementSet 允許用戶添加多條 INSERT 語句並一起執行,在多 sink 場景,Blink planner 會針對性地對執行計劃做優化。
新舊 API 對比
一張表格感受新老 API 的變化:
詳情參見:https://cwiki.apache.org/confluence/pages/viewpage.action?pageId=134745878
Hive 語法兼容加強
從 1.11 開始,Flink SQL 將 Hive parser 模塊獨立出來,用以兼容 Hive 的語法,目前 DDL 層面,DB、Table、View、Function 相關的語法均已支持。搭配 HiveCatalog,Hive 的同學可以直接使用 Hive 的語法來進行相關的操作。
在使用 hive 語句之前需要設置正確的 Dialect:
EnvironmentSettings settings = EnvironmentSettings.newInstance()...build();
TableEnvironment tableEnv = TableEnvironment.create(settings);
// to use hive dialect
tableEnv.getConfig().setSqlDialect(SqlDialect.HIVE);
// use the hive catalog
tableEnv.registerCatalog(hiveCatalog.getName(), hiveCatalog);
tableEnv.useCatalog(hiveCatalog.getName());
之後我們便可以使用 Hive 的語法來執行一些 DDL,例如最常見的建表操作:
create external table tbl1 (
d decimal(10,0),
ts timestamp)
partitioned by (p string)
location '%s'
tblproperties('k1'='v1');
create table tbl2 (s struct<ts:timestamp,bin:binary>) stored as orc;
create table tbl3 (
m map<timestamp,binary>
)
partitioned by (p1 bigint, p2 tinyint)
row format serde 'org.apache.hadoop.hive.serde2.lazybinary.LazyBinarySerDe';
create table tbl4 (
x int,
y smallint)
row format delimited fields terminated by '|' lines terminated by '\n';
對於 DQL 的 Hive 語法兼容已經在規劃中,1.12 版本會兼容更多 query 語法 ~
詳情參見:https://ci.apache.org/projects/flink/flink-docs-master/dev/table/hive/hive_dialect.html
更簡潔的 connector 屬性
1.11 重新規範了 connector 的屬性定義,新的屬性 key 更加直觀簡潔,和原有的屬性 key 相比主要做了如下改動:
- 使用 connector 作為 connector 的類型 key,connector 版本信息直接放到 value 中,比如 0.11 的 kafka 為 kafka-0.11
- 去掉了其餘屬性中多餘的 connector 前綴
- 使用 scan 和 sink 前綴標記 source 和 sink 專有屬性
- format.type 精簡為 format ,同時 format 自身屬性使用 format 的值作為前綴,比如 csv format 的自身屬性使用 csv 統一作前綴
例如,1.11 Kafka 表的定義如下:
CREATE TABLE kafkaTable (
user_id BIGINT,
item_id BIGINT,
category_id BIGINT,
behavior STRING,
ts TIMESTAMP(3)
) WITH (
'connector' = 'kafka',
'topic' = 'user_behavior',
'properties.bootstrap.servers' = 'localhost:9092',
'properties.group.id' = 'testGroup',
'format' = 'csv',
'scan.startup.mode' = 'earliest-offset'
)
JDBC catalog
在之前的版本中,用戶只能通過顯示建表的方式創建關係型數據庫的鏡像表。用戶需要手動追蹤 Flink SQL 的表 schema 和數據庫的 schema 變更。在 1.11,Flink SQL 提供了一個 JDBC catalog 接口對接各種外部的數據庫系統,例如 Postgres、MySQL、MariaDB、AWS Aurora、etc。
當前 Flink 內置了 Postgres 的 catalog 實現,使用下面的代碼配置 JDBC catalog:
CREATE CATALOG mypg WITH(
'type' = 'jdbc',
'default-database' = '...',
'username' = '...',
'password' = '...',
'base-url' = '...'
);
USE CATALOG mypg;
用戶也可以實現 JDBCCatalog 接口定製其他數據庫的 catalog ~
Python UDF 增強
1.11 版本的 py-flink 在 python UDF 方面提供了很多增強,包括 DDL 的定義方式、支持了標量的向量化 python UDF,支持全套的 python UDF metrics 定義,以及在 SQL-CLI 中定義 python UDF。
DDL 定義 python UDF
1.10.0 版本引入了對 python UDF 的支持。但是僅僅支持 python table api 的方式。1.11 提供了 SQL DDL 的方式定義 python UDF, 用戶可以在 Java/Scala table API 以及 SQL-CLI 場景下使用。
例如,現在用戶可以使用如下方式定義 Java table API 程序使用 python UDF:
ExecutionEnvironment env = ExecutionEnvironment.getExecutionEnvironment();
BatchTableEnvironment tEnv = BatchTableEnvironment.create(env);
tEnv.getConfig().getConfiguration().setString("python.files", "/home/my/test1.py");
tEnv.getConfig().getConfiguration().setString("python.client.executable", "python3");
tEnv.sqlUpdate("create temporary system function func1 as 'test1.func1' language python");
Table table = tEnv.fromDataSet(env.fromElements("1", "2", "3")).as("str").select("func1(str)");
tEnv.toDataSet(table, String.class).collect();
向量化支持
向量化 Python UDF 相較於普通函數大大提升了性能。用戶可以使用流行的 python 庫例如 Pandas、Numpy 來實現向量化的 python UDF。用戶只需在裝飾器 udf 中添加額外的參數 udf_type="pandas" 即可。
例如,下面的樣例展示瞭如何定義向量化的 Python 標量函數以及在 python table api 中的應用:
@udf(input_types=[DataTypes.BIGINT(), DataTypes.BIGINT()], result_type=DataTypes.BIGINT(), udf_type="pandas")
def add(i, j):
return i + j
table_env = BatchTableEnvironment.create(env)
# register the vectorized Python scalar function
table_env.register_function("add", add)
# use the vectorized Python scalar function in Python Table API
my_table.select("add(bigint, bigint)")
# use the vectorized Python scalar function in SQL API
table_env.sql_query("SELECT add(bigint, bigint) FROM MyTable")
詳情參見:https://ci.apache.org/projects/flink/flink-docs-master/dev/table/python/vectorized_python_udfs.html
另外,1.11 對 python UDF 的 metrics 做了全面支持,現在用戶可以在 UDF 中方便地定義各種類型的 metrics,由於篇幅關係,這裡不作詳細描述,見 python UDF metrics。
詳情參見:https://ci.apache.org/projects/flink/flink-docs-master/dev/table/python/metrics.html
展望後續
在後續版本,易用性仍然是 Flink SQL 的核心主題,比如 schema 的易用性增強,Descriptor API 簡化以及更豐富的流 DDL 將會是努力的方向,讓我們拭目以待 ~
瞭解更多 Flink 1.11 重大變更與新增功能特性可點擊「閱讀原文」~