本文已授权「Flink中文社区」微信公众号发布并标注原创。
前言
Flink 1.10与1.9相比又是个船新版本,在我们感兴趣的很多方面都有改进,特别是Flink SQL。本文用根据埋点日志计算PV、UV的简单示例来体验Flink 1.10的两个重要新特性,一是SQL DDL对事件时间的支持,二是Hive Metastore作为Flink的元数据存储(即HiveCatalog)。这两点将会为我们构建实时数仓提供很大的便利。
添加依赖项
示例采用Hive版本为1.1.0,Kafka版本为0.11.0.2。
要使Flink与Hive集成以使用HiveCatalog,需要先将以下JAR包放在${FLINK_HOME}/lib目录下。
- flink-connector-hive_2.11-1.10.0.jar
- flink-shaded-hadoop-2-uber-2.6.5-8.0.jar
- hive-metastore-1.1.0.jar
- hive-exec-1.1.0.jar
- libfb303-0.9.2.jar
后三个JAR包都是Hive自带的,可以在${HIVE_HOME}/lib目录下找到。前两个可以通过阿里云Maven搜索GAV找到并手动下载(groupId都是org.apache.flink)。
再在pom.xml内添加相关的Maven依赖。
<properties>
<scala.bin.version>2.11</scala.bin.version>
<flink.version>1.10.0</flink.version>
<hive.version>1.1.0</hive.version>
</properties>
<dependencies>
<dependency>
<groupId>org.apache.flink</groupId>
<artifactId>flink-table-api-scala_${scala.bin.version}</artifactId>
<version>${flink.version}</version>
</dependency>
<dependency>
<groupId>org.apache.flink</groupId>
<artifactId>flink-table-api-scala-bridge_${scala.bin.version}</artifactId>
<version>${flink.version}</version>
</dependency>
<dependency>
<groupId>org.apache.flink</groupId>
<artifactId>flink-table-planner-blink_${scala.bin.version}</artifactId>
<version>${flink.version}</version>
</dependency>
<dependency>
<groupId>org.apache.flink</groupId>
<artifactId>flink-sql-connector-kafka-0.11_${scala.bin.version}</artifactId>
<version>${flink.version}</version>
</dependency>
<dependency>
<groupId>org.apache.flink</groupId>
<artifactId>flink-connector-hive_${scala.bin.version}</artifactId>
<version>${flink.version}</version>
</dependency>
<dependency>
<groupId>org.apache.flink</groupId>
<artifactId>flink-json</artifactId>
<version>${flink.version}</version>
</dependency>
<dependency>
<groupId>org.apache.hive</groupId>
<artifactId>hive-exec</artifactId>
<version>${hive.version}</version>
</dependency>
</dependencies>
最后,找到Hive的配置文件hive-site.xml并加入项目,准备工作就完成了。
注册HiveCatalog、创建数据库
不多废话了,直接上代码,简洁易懂。
val streamEnv = StreamExecutionEnvironment.getExecutionEnvironment
streamEnv.setParallelism(5)
streamEnv.setStreamTimeCharacteristic(TimeCharacteristic.EventTime)
val tableEnvSettings = EnvironmentSettings.newInstance()
.useBlinkPlanner()
.inStreamingMode()
.build()
val tableEnv = StreamTableEnvironment.create(streamEnv, tableEnvSettings)
val catalog = new HiveCatalog(
"rtdw", // catalog name
"default", // default database
"/Users/lmagic/develop", // Hive config (hive-site.xml) directory
"1.1.0" // Hive version
)
tableEnv.registerCatalog("rtdw", catalog)
tableEnv.useCatalog("rtdw")
val createDbSql = "CREATE DATABASE IF NOT EXISTS rtdw.ods"
tableEnv.sqlUpdate(createDbSql)
创建Kafka流表并指定事件时间
我们的埋点日志存储在指定的Kafka topic里,为JSON格式,简化版schema大致如下。
{
"eventType": "clickBuyNow",
"userId": "97470180",
"shareUserId": "",
"platform": "xyz",
"columnType": "merchDetail",
"merchandiseId": "12727495",
"fromType": "wxapp",
"siteId": "20392",
"categoryId": "",
"ts": 1585136092541
}
其中ts字段就是埋点事件的时间戳(毫秒)。在Flink 1.9时代,用CREATE TABLE语句创建流表时是无法指定事件时间的,只能默认用处理时间。而在Flink 1.10下,可以这样写。
CREATE TABLE rtdw.ods.streaming_user_active_log (
eventType STRING COMMENT '...',
userId STRING,
shareUserId STRING,
platform STRING,
columnType STRING,
merchandiseId STRING,
fromType STRING,
siteId STRING,
categoryId STRING,
ts BIGINT,
procTime AS PROCTIME(), -- 处理时间
eventTime AS TO_TIMESTAMP(FROM_UNIXTIME(ts / 1000, 'yyyy-MM-dd HH:mm:ss')), -- 事件时间
WATERMARK FOR eventTime AS eventTime - INTERVAL '10' SECOND -- 水印
) WITH (
'connector.type' = 'kafka',
'connector.version' = '0.11',
'connector.topic' = 'ng_log_par_extracted',
'connector.startup-mode' = 'latest-offset', -- 指定起始offset位置
'connector.properties.zookeeper.connect' = 'zk109:2181,zk110:2181,zk111:2181',
'connector.properties.bootstrap.servers' = 'kafka112:9092,kafka113:9092,kafka114:9092',
'connector.properties.group.id' = 'rtdw_group_test_1',
'format.type' = 'json',
'format.derive-schema' = 'true', -- 由表schema自动推导解析JSON
'update-mode' = 'append'
)
Flink SQL引入了计算列(computed column)的概念,其语法为column_name AS computed_column_expression
,它的作用是在表中产生数据源schema不存在的列,并且可以利用原有的列、各种运算符及内置函数。比如在以上SQL语句中,就利用内置的PROCTIME()函数生成了处理时间列,并利用原有的ts字段与FROM_UNIXTIME()、TO_TIMESTAMP()两个时间转换函数生成了事件时间列。
为什么ts字段不能直接用作事件时间呢?因为Flink SQL规定时间特征必须是TIMESTAMP(3)类型,即形如"yyyy-MM-ddTHH:mm:ssZ"格式的字符串,Unix时间戳自然是不行的,所以要先转换一波。
既然有了事件时间,那么自然要有水印。Flink SQL引入了WATERMARK FOR rowtime_column_name AS watermark_strategy_expression
的语法来产生水印,有以下两种通用的做法:
- 单调不减水印(对应DataStream API的AscendingTimestampExtractor)
WATERMARK FOR rowtime_column AS rowtime_column - INTERVAL '0.001' SECOND
- 有界乱序水印(对应DataStream API的BoundedOutOfOrdernessTimestampExtractor)
WATERMARK FOR rowtime_column AS rowtime_column - INTERVAL 'n' TIME_UNIT
上文的SQL语句中就是设定了10秒的乱序区间。如果看官对水印、AscendingTimestampExtractor和BoundedOutOfOrdernessTimestampExtractor不熟的话,可以参见之前的这篇,就能理解为什么会是这样的语法了。
下面来正式建表。
val createTableSql =
"""
|上文的SQL语句
|......
""".stripMargin
tableEnv.sqlUpdate(createTableSql)
执行完毕后,我们还可以去到Hive执行DESCRIBE FORMATTED ods.streaming_user_active_log
语句,能够发现该表并没有事实上的列,而所有属性(包括schema、connector、format等等)都作为元数据记录在了Hive Metastore中。
Flink SQL创建的表都会带有一个标记属性is_generic=true
,图中未示出。
开窗计算PV、UV
用30秒的滚动窗口,按事件类型来分组,查询语句如下。
SELECT eventType,
TUMBLE_START(eventTime, INTERVAL '30' SECOND) AS windowStart,
TUMBLE_END(eventTime, INTERVAL '30' SECOND) AS windowEnd,
COUNT(userId) AS pv,
COUNT(DISTINCT userId) AS uv
FROM rtdw.ods.streaming_user_active_log
WHERE platform = 'xyz'
GROUP BY eventType, TUMBLE(eventTime, INTERVAL '30' SECOND)
关于窗口在SQL里的表达方式请参见官方文档。1.10版本SQL的官方文档写的还是比较可以的。
懒得再输出到一个结果表了,直接转换成流打到屏幕上。
val queryActiveSql =
"""
|......
|......
""".stripMargin
val result = tableEnv.sqlQuery(queryActiveSql)
result
.toAppendStream[Row]
.print()
.setParallelism(1)
敏感数据较多,就不截图了。民那晚安。