阅读量:0
JOINs
flink sql主要有四种连接方式,分别是Regular Joins、Interval Joins、Temporal Joins、lookup join
1、Regular Joins(常规连接 )
这种连接方式和hive sql中的join是一样的,包括inner join,left join,right join,full join
1、指定数据源建立students表 CREATE TABLE students ( id STRING, name STRING, age INT, sex STRING, clazz STRING ) WITH ( 'connector' = 'kafka', 'topic' = 'students', -- 指定topic 'properties.bootstrap.servers' = 'master:9092,node1:9092,node2:9092', -- 指定kafka集群列表 'properties.group.id' = 'testGroup', -- 指定消费者组 'scan.startup.mode' = 'latest-offset', -- 指定读取数据的位置为最新生成的数据 'format' = 'csv' -- 指定数据的格式 ); 2、kafka生产students表数据 kafka-console-producer.sh --broker-list master:9092,node1:9092,node2:9092 --topic students 1500100001,施笑槐,22,女,文科六班 1500100002,吕金鹏,24,男,文科六班 1500100003,单乐蕊,22,女,理科六班 3、创建关联表scores CREATE TABLE scores ( sid STRING, cid STRING, --学科id score INT ) WITH ( 'connector' = 'kafka', 'topic' = 'scores', -- 指定topic 'properties.bootstrap.servers' = 'master:9092,node1:9092,node2:9092', -- 指定kafka集群列表 'properties.group.id' = 'testGroup', -- 指定消费者组 'scan.startup.mode' = 'latest-offset', -- 指定读取数据的位置 'format' = 'csv' -- 指定数据的格式 ); 4、kafka生产scores数据 kafka-console-producer.sh --broker-list master:9092,node1:9092,node2:9092 --topic scores 1500100001,1000001,98 1500100001,1000002,56 1500100002,1000001,139 1500100002,1000002,102 1500100004,1000001,42 1500100004,1000002,142 -- inner jion 两边数据都不为null的才会关联 select a.id,a.name,b.sid,b.score from students as a inner join scores as b on a.id=b.sid; -- left join/right join 保证左边/右边数据的完整性 select a.id,a.name,b.sid,b.score from students as a right join scores as b on a.id=b.sid; -- full join 保证两边数据的完整性 select a.id,a.name,b.sid,b.score from students as a full join scores as b on a.id=b.sid; -- 注意: -- 常规连接,会将两个表的数据一直保存在状态中,时间长了,状态会越来越大,导致任务执行失败,通常在批处理中使用,因为批处理没有状态这个概念。 为了避免状态过大可能会导致的任务失败问题,我们可以设置状态有效期 -- 状态有效期,状态在flink中保存的时间,但是如果sql中除了关联操作还有聚合这样也需要将数据保存在状态中的操作,状态有效期设置的太短可能会让聚合这样的操作失败,设置的太长延迟也会增加。所以,状态保留多久需要根据实际业务分析 SET 'table.exec.state.ttl' = '20000'; 设置该参数后,那么只有在20秒内到达的数据才会被保存到状态中进行关联。
inner join结果:
left join 结果:
right join结果:
full join结果:
2、Interval Joins(间隔连接)
Interval Joins:在一段时间内关联
对于流式查询,与常规连接相比,间隔连接仅支持具有时间属性的追加表。由于时间属性是拟单调递增的,因此 Flink 可以从其状态中删除旧值,而不会影响结果的正确性。
这种方式可以变相弥补Regular Joins中时间长了状态过大的问题。
CREATE TABLE students_proctime ( id STRING, name STRING, age INT, sex STRING, clazz STRING, proctime AS PROCTIME() ) WITH ( 'connector' = 'kafka', 'topic' = 'students', -- 指定topic 'properties.bootstrap.servers' = 'master:9092,node1:9092,node2:9092', -- 指定kafka集群列表 'properties.group.id' = 'testGroup', -- 指定消费者组 'scan.startup.mode' = 'latest-offset', -- 指定读取数据的位置 'format' = 'csv' -- 指定数据的格式 ); kafka-console-producer.sh --broker-list master:9092,node1:9092,node2:9092 --topic students 1500100001,施笑槐,22,女,文科六班 1500100002,吕金鹏,24,男,文科六班 1500100003,单乐蕊,22,女,理科六班 CREATE TABLE scores_proctime ( sid STRING, cid STRING, score INT, proctime AS PROCTIME() ) WITH ( 'connector' = 'kafka', 'topic' = 'scores', -- 指定topic 'properties.bootstrap.servers' = 'master:9092,node1:9092,node2:9092', -- 指定kafka集群列表 'properties.group.id' = 'testGroup', -- 指定消费者组 'scan.startup.mode' = 'latest-offset', -- 指定读取数据的位置 'format' = 'csv' -- 指定数据的格式 ); kafka-console-producer.sh --broker-list master:9092,node1:9092,node2:9092 --topic scores 1500100001,1000001,98 1500100001,1000002,56 1500100002,1000001,139 1500100002,1000002,102 1500100004,1000001,42 1500100004,1000002,142 select a.id,a.name,b.sid,b.score from students_proctime a, scores_proctime b where a.id=b.sid -- a表的时间需要在b表时间10秒内或b表的时间需要在a表时间10秒内 and ( a.proctime BETWEEN b.proctime - INTERVAL '10' SECOND AND b.proctime or b.proctime BETWEEN a.proctime - INTERVAL '10' SECOND AND a.proctime );
3、Temporal Joins(时态连接)
这种关联方式是专门用来关联时态表的。
- Temporal Joins(时态连接)是在流式计算或数据处理中,对两个或多个随时间变化的表(也称为动态表或时态表)进行连接的操作。这些表包含随时间变化的数据,并且行与一个或多个时态周期相关联。
在我们生活中最常见的时态表就是汇率表,汇率随着时间变化而变化。
案例:
例如,假设我们有一张订单表,每张订单的价格都采用不同的货币。为了正确地将此表标准化为单一货币(如美元),每张订单都需要与下订单时相应的货币兑换率相结合。
1、创建订单表 CREATE TABLE orders ( order_id STRING, price DECIMAL(32,2), currency STRING, --币种 order_time TIMESTAMP(3), WATERMARK FOR order_time AS order_time ) WITH ( 'connector' = 'kafka', 'topic' = 'orders', -- 指定topic 'properties.bootstrap.servers' = 'master:9092,node1:9092,node2:9092', -- 指定kafka集群列表 'properties.group.id' = 'testGroup', -- 指定消费者组 'scan.startup.mode' = 'latest-offset', -- 指定读取数据的位置 'format' = 'csv' -- 指定数据的格式 ); 2、订单表数据 kafka-console-producer.sh --broker-list master:9092,node1:9092,node2:9092 --topic orders o_001,1,EUR,2024-06-06 12:00:00 o_002,100,EUR,2024-06-06 12:00:07 o_003,200,EUR,2024-06-06 12:00:16 o_004,10,EUR,2024-06-06 12:00:21 o_005,20,EUR,2024-06-06 12:00:25 3、创建汇率表 CREATE TABLE currency_rates ( currency STRING, conversion_rate DECIMAL(32, 2), update_time TIMESTAMP(3), WATERMARK FOR update_time AS update_time, PRIMARY KEY(currency) NOT ENFORCED -- 主键,区分不同的汇率 ) WITH ( 'connector' = 'kafka', 'topic' = 'currency_rates1', -- 指定topic 'properties.bootstrap.servers' = 'master:9092,node1:9092,node2:9092', -- 指定kafka集群列表 'properties.group.id' = 'testGroup', -- 指定消费者组 'scan.startup.mode' = 'earliest-offset', -- 指定读取数据的位置 'format' = 'canal-json' -- 指定数据的格式 ); 4、向汇率表中添加数据 insert into currency_rates values ('EUR',0.12,TIMESTAMP'2024-06-06 12:00:00'), ('EUR',0.11,TIMESTAMP'2024-06-06 12:00:09'), ('EUR',0.15,TIMESTAMP'2024-06-06 12:00:17'), ('EUR',0.14,TIMESTAMP'2024-06-06 12:00:23'); kafka-console-consumer.sh --bootstrap-server master:9092,node1:9092,node2:9092 --from-beginning --topic currency_rates -- 使用常规关联方式关联时态表只能关联到最新的数据 select a.price,a.order_time,b.conversion_rate,b.update_time from orders as a join currency_rates as b on a.currency=b.currency; -- 时态表join -- FOR SYSTEM_TIME AS OF a.order_time: 使用a表的时间到b表中查询对应时间段的数据 select a.price,a.order_time,b.conversion_rate,b.update_time from orders as a join currency_rates FOR SYSTEM_TIME AS OF a.order_time as b on a.currency=b.currency;
常规join结果:
时态join结果:
4、lookup join(查找连接)
Lookup Join,也称为维表 Join,通常用于从外部系统查询的数据表。连接要求一个表具有处理时间属性,另一个表由查找源连接器支持。
具体来说:
lookup join用于流表(动态表)关联维度表
流表:动态表
维度表:不怎么变化的变,维度表的数据一般可以放在hdfs或者mysql等外部数据源
扩展:流表、事实表、维度表
-- 流表(动态表) 1、流表的数据来源通常是实时数据流,这些数据流可以来自各种数据源,如 Kafka、RabbitMQ、Kinesis 等。Flink可以通过数据源连接器(Source Connectors)将这些实时数据流接入到 Flink 系统中 2、与传统数据库中的表不同,流表的行是动态生成的,随着数据流的持续产生而不断增加 -- 维度表 1、主要提供数据的分析角度,包含了描述业务环境的属性信息,如时间、地理、产品等。 2、维度表:通常比较宽(包含多个属性列),但行数相对较少,因为维度表中的每一行通常代表一个具体的业务实体或类别,如一个商品、一个客户、一个日期等。 3、维度表与事实表之间通过外键相关联,共同构成了星型模型或雪花模型。事实表中的外键用于与维度表中的主键相匹配,从而提供数据的上下文和分类信息。 4、维度表存储的是对数据的描述性信息,这些信息通常不随时间变化,或者变化不频繁。例如,商品的品牌、型号、颜色等属性一旦确定后很少会发生变化。但在某些情况下,如新产品上市或促销活动,可能需要更新维度表以添加新的维度成员。 -- 事实表 1、存储了实际的数据度量值,如销售额、订单数量等。事实表是数据分析的核心,包含了所有用于分析的数据指标。 2、通常比较窄(包含较少的列),但行数非常多,因为事实表中的每一行通常代表一个具体的事件或交易,如一个订单、一次点击等。 3、事实表存储的是度量数据(即指标),这些数据会随时间变化,并且经常需要被汇总和分析。例如,销售额、订单数量、点击量等指标会随着业务活动的进行而不断更新。 4、事实表的数据更新频率通常较高,因为事实数据会随着业务活动的进行而不断产生。例如,每当有新的订单产生时,都需要在事实表中插入一条新的记录。
1、创建分数表 CREATE TABLE scores ( sid INT, cid STRING, score INT, proctime AS PROCTIME() ) WITH ( 'connector' = 'kafka', 'topic' = 'scores', -- 指定topic 'properties.bootstrap.servers' = 'master:9092,node1:9092,node2:9092', -- 指定kafka集群列表 'properties.group.id' = 'testGroup', -- 指定消费者组 'scan.startup.mode' = 'latest-offset', -- 指定读取数据的位置 'format' = 'csv' -- 指定数据的格式 ); 2、生产分数表数据 kafka-console-producer.sh --broker-list master:9092,node1:9092,node2:9092 --topic scores 1500100001,1000001,98 1500100001,1000003,137 3、建立学生表,我们将学生表当作维度表放在mysql中 CREATE TABLE students_test ( id INT, name STRING, age INT, gender STRING, clazz STRING ) WITH ( 'connector' = 'jdbc', 'url' = 'jdbc:mysql://master:3306/bigdata29', 'table-name' = 'students_test', 'username' ='root', 'password' = '123456', 'lookup.cache.max-rows' = '1000', -- 最大缓存行数 'lookup.cache.ttl' ='10000' -- 缓存过期时间 ); 学生表数据 1500100001,施笑槐,22,女,文科六班 -- 使用常规关联方式 -- 维表的数据只在任务启动的时候读取一次,后面不再实时读取, -- 只能关联到任务启动时读取的数据 -- 一旦mysql中的学生表更新数据,但是关联的学生表数据却是任务启动时从mysql读取的,这就有错误了,lookup join可以解决该问题。 select a.sid,a.score,b.id,b.name from scores as a left join students_test as b on a.sid=b.id; -- lookup join -- 当流表每来一条数据时,使用关联字段到维表的数据源中查询 -- 优点:实时更新数据源,准确性高 -- 缺点:每一次都需要查询数据库,性能会降低 select a.sid,a.score,b.id,b.name from scores as a left join students_test FOR SYSTEM_TIME AS OF a.proctime as b on a.sid=b.id;
此时我们修改更新mysql中的学生表数据
修改之前
修改后:
常规关联结果:
look up关联结果: