【大数据】Flink 详解（八）：SQL 篇 Ⅰ-编程知识

本系列包含：

【大数据】Flink 详解（一）：基础篇
【大数据】Flink 详解（二）：核心篇 Ⅰ
【大数据】Flink 详解（三）：核心篇 Ⅱ
【大数据】Flink 详解（四）：核心篇 Ⅲ
【大数据】Flink 详解（五）：核心篇 Ⅳ
【大数据】Flink 详解（六）：源码篇 Ⅰ
【大数据】Flink 详解（七）：源码篇 Ⅱ
【大数据】Flink 详解（八）：SQL 篇 Ⅰ

Flink 详解（八）：SQL 篇 Ⅰ

82.Flink SQL 有没有使用过？
83.Flink 被称作流批一体，那从哪个版本开始，真正实现流批一体的？
84.Flink SQL 使用哪种解析器？
85.Calcite 主要功能包含哪些？
86.Flink SQL 处理流程说一下？
87.Flink SQL 包含哪些优化规则？
88.Flink SQL 中涉及到哪些 Operation？
89.Flink Hive 有没有使用过？
90.Flink 与 Hive 集成时都做了哪些操作？
91.HiveCatalog 类包含哪些方法？
92.Flink SQL 1.11 新增了实时数仓功能，介绍一下？
93.Flink - Hive 实时写数据介绍下？
- 93.1 Flink-SQL 写法
- 93.2 Flink-Table 写法
94.Flink - Hive 实时读数据介绍下？
95.Flink - Hive 实时写数据时，如何保证已经写入分区的数据何时才能对下游可见呢？

82.Flink SQL 有没有使用过？

在 Flink 中，一共有四种级别的抽象，而 Flink SQL 作为最上层，是 Flink API 的一等公民。

在这里插入图片描述
在标准 SQL 中，SQL 语句包含四种类型

数据操作语言（DML，Data Manipulation Language）：用来定义数据库记录（数据）。
数据控制语言（DCL，Data Control Language）：用来定义访问权限和安全级别。
数据查询语言（DQL，Data Query Language）：用来查询记录（数据）。
数据定义语言（DDL，Data Definition Language）：用来定义数据库对象（库，表，列等）。

Flink SQL 包含 DML 数据操作语言、 DDL 数据定义语言， DQL 数据查询语言，不包含 DCL 语言。

🚀 可以参考我的这篇博客：【数据库】DDL、DML、DCL简介

83.Flink 被称作流批一体，那从哪个版本开始，真正实现流批一体的？

从 1.9.0 版本开始，引入了阿里巴巴的 Blink ，对 FIink TabIe & SQL 模块做了重大的重构，保留了 Flink Planner 的同时，引入了 Blink PIanner，没引入以前，Flink 没考虑流批作业统一，针对流批作业，底层实现两套代码，引入后，基于流批一体理念，重新设计算子，以流为核心，流作业和批作业最终都会被转为 transformation。

84.Flink SQL 使用哪种解析器？

Flink SQL 使用 Apache Calcite 作为解析器和优化器。

Calcite 一种动态数据管理框架，它具备很多典型数据库管理系统的功能如 SQL 解析、 SQL 校验、 SQL 查询优化、 SQL 生成 以及 数据连接查询 等，但是又省略了一些关键的功能，如 Calcite 并不存储相关的元数据和基本数据，不完全包含相关处理数据的算法等。

85.Calcite 主要功能包含哪些？

Calcite 主要包含以下五个部分：

SQL 解析（Parser）
- Calcite SQL 解析是通过 JavaCC 实现的，使用 JavaCC 编写 SQL 语法描述文件，将 SQL 解析成未经校验的 AST 语法树。
SQL 校验（Validato）
- 无状态的校验：即验证 SQL 语句是否符合规范。
- 有状态的校验：即通过与元数据结合验证 SQL 中的 Schema、Field、 Function 是否存在，输入输出类型是否匹配等。
SQL 查询优化
- 对上个步骤的输出（RelNode，逻辑计划树）进行优化，得到优化后的物理执行计划。优化有两种：基于规则的优化 和 基于代价的优化，后面会详细介绍。
SQL 生成
- 将物理执行计划生成为在特定平台 / 引擎的可执行程序，如生成符合 MySQL 或 Oracle 等不同平台规则的 SQL 查询语句等。
数据连接与执行
- 通过各个执行平台执行查询，得到输出结果。在 Flink 或者其他使用 Calcite 的大数据引擎中，一般到 SQL 查询优化即结束，由各个平台结合 Calcite SQL 代码生成和平台实现的代码生成，将优化后的物理执行计划组合成可执行的代码，然后在内存中编译执行。

86.Flink SQL 处理流程说一下？

下面举个例子，详细描述一下 Flink SQL 的处理流程，如下所示：

SET table.sql-dialect=default;
CREATE TABLE log_kafka (user_id STRING,|order_amount DOUBLE,log_ts TIMESTAMP(3),WATERMARK FOR log_ts AS log_ts - INTERVAL '5' SECOND
) WITH ('connector'='kafka','property-version' = 'universal','topic' = 'test','properties.bootstrap.servers'= 'hlink163:9092','scan.startup.mode' = 'earliest-offset','format' = 'json','json.fail-on-missing-field' = 'false','json.ignore-parse-errors' = 'true','properties.group.id' = 'flink1'
);

我们写一张 Source 表，来源为 Kafka，当执行 create table log_kafka 之后 Flink SQL 将做如下操作：

在这里插入图片描述

首先，Flink SQL 底层使用的是 Apache Calcite 引擎来处理 SQL 语句，Calcite 会使用 JavaCC 做 SQL 解析，JavaCC 根据 Calcite 中定义的 Parser.jj 文件，生成一系列的 Java 代码，生成的 Java 代码会 把 SQL 转换成 AST 抽象语法树（即 SqlNode 类型）。
生成的 SqlNode 抽象语法树，它是一个未经验证的抽象语法树，这时，SQL Validator 会获取 Flink Catalog 中的元数据信息来验证 SQL 语法，元数据信息检查包括表名，字段名，函数名，数据类型等检查。然后生成一个校验后的 SqlNode。
到达这步后，只是将 SQL 解析到 Java 数据结构的固定节点上，并没有给出相关节点之间的关联关系以及每个节点的类型信息。所以，还 需要将 SqlNode 转换为逻辑计划，也就是 LogicalPlan，在转换过程中，会使用 SqlToOperationConverter 类，来将 SqlNode 转换为 Operation，Operation 会根据 SQL 语法来执行创建表或者删除表等操作，同时 FlinkPlannerImpl.rel() 方法会将 SqlNode 转换成 RelNode 树，并返回 RelRoot。
第 4 步将执行 Optimize 操作，按照预定义的优化规则 RelOptRule 优化逻辑计划。Calcite 中的优化器 RelOptPlanner 有两种，一是基于规则优化（RBO）的 HepPlanner，二是基于代价优化（CBO）的 VolcanoPlanner。然后得到优化后的 RelNode, 再基于 Flink 里面的 rules 将优化后的逻辑计划转换成物理计划。
第 5 步，执行 Execute 操作，会通过代码生成 transformation，然后递归遍历各节点，将 DataStreamRelNode 转换成 DataStream，在这期间，会依次递归调用 DataStreamUnion、DataStreamCalc、DataStreamScan 类中重写的 translateToPlan 方法。递归调用各节点的 translateToPlan，实际是利用 CodeGen 元编成 Flink 的各种算子，相当于直接利用 Flink 的 DataSet 或者 DataStream 开发程序。
最后进一步编译成可执行的 JobGraph 提交运行。

87.Flink SQL 包含哪些优化规则？

下图为执行流程图：
在这里插入图片描述
总结就是：

先解析，然后验证，将 SqlNode 转化为 Operation 来创建表，然后调用 rel 方法将 SqlNode 变成逻辑计划（RelNodeTree），紧接着对逻辑计划进行优化。
优化之前，会根据 Calcite 中的优化器中的基于规则优化的 HepPlanner 针对四种规则进行预处理，处理完之后得到 Logic RelNode，紧接着使用代价优化的 VolcanoPlanner 使用 Logical_Opt_Rules（逻辑计划优化）找到最优的执行 Planner，并转换为 Flink Logical RelNode。
最后运用 Flink 包含的优化规则，如 DataStream_Opt_Rules（流式计算优化）、DataStream_Deco_Rules（装饰流式计算优化），将优化后的逻辑计划转换为物理计划。

优化规则包含如下：

子查询优化：Table_subquery_rules
扩展计划优化：Expand_plan_rules
扩展计划优化：Post_expand_clean_up_rules
正常化流处理：Datastream_norm_rules
逻辑计划优化：Logical_Opt_Rules
流式计算优化：DataStream_Opt_Rules
装饰流式计算优化：DataStream_Deco_Rules

88.Flink SQL 中涉及到哪些 Operation？

先介绍一下什么是 Operation：在 Flink SQL 中，涉及的 DDL，DML，DQL 操作都是 Operation，在 Flink 内部表示，Operation 可以和 SqlNode 对应起来。

Operation 执行在优化前，执行的函数为 executeQperation，如下图所示，为执行的所有 Operation。

在这里插入图片描述

89.Flink Hive 有没有使用过？

Flink 社区在 Flink 1.11 版本进行了重大改变，如下图所示：
在这里插入图片描述

90.Flink 与 Hive 集成时都做了哪些操作？

如下所示为 Flink 与 Hive 进行连接时的执行图：
在这里插入图片描述

Flink 1.1 新引入了 Hive 方言，所以在 Flink SQL 中可以编写 Hive 语法，即 Hive Dialect。
编写 Hive SQL 后，FlinkSQL Planner 会将 SQL 进行解析，验证，转换成逻辑计划，物理计划，最终变成 Jobgraph。
HiveCatalog 作为 Flink 和 Hive 的表元素持久化介质，会将不同会话的 Flink 元数据存储到 Hive Metastore 中。用户利用 HiveCatalog 可以将 Hive 表或者 Kafka 表存储到 Hive Metastore 中。

BlinkPlanner 是在 Flink 1.9 版本新引入的机制，Blink 的查询处理器则实现流批作业接口的统一，底层的 API 都是 Transformation。真正实现流 & 批的统一处理，替代原 FlinkPlanner 将流 & 批区分处理的方式。在 1.11 版本后已经默认为 Blink Planner。

91.HiveCatalog 类包含哪些方法？

重点方法如下：
在这里插入图片描述
HiveCatalog 主要是持久化元数据，所以一般的创建类型都包含，如 database、Table、View、Function、Partition，还有 is_Generic 字段判断等。

92.Flink SQL 1.11 新增了实时数仓功能，介绍一下？

Flink 1.11 版本新增的一大功能是实时数仓，可以实时的将 Kafka 中的数据插入 Hive 中，传统的实时数仓基于 Kafka + Flink Streaming，定义全流程的流计算作业，有着秒级甚至毫秒的实时性，但实时数仓的一个问题是历史数据只有 $3 - 15$ 天，无法在其上做 Ad-hoc 的查询。

针对这个特点，Flink 1.11 版本将 FlieSystemStreaming Sink 重新修改，增加了分区提交和滚动策略机制，让 HiveStreaming Sink 重新使用文件系统流接收器。

Flink 1.11 的 Table / SQL API 中，FileSystemConnector 是靠增强版 StreamingFileSink 组件实现，在源码中名为 StreamingFileWriter。

只有在 Checkpoint 成功时，StreamingFileSink 写入的文件才会由 Pending 状态变成 Finished 状态，从而能够安全地被下游读取。所以，我们一定要打开 Checkpointing，并设定合理的间隔。

93.Flink - Hive 实时写数据介绍下？

StreamingWrite，从 Kafka 中实时拿到数据，使用分区提交将数据从 Kafka 写入 Hive 表中，并运行批处理查询以读取该数据。

93.1 Flink-SQL 写法

Source 源

在这里插入图片描述

Sink 目的

在这里插入图片描述

Insert 插入

在这里插入图片描述

93.2 Flink-Table 写法

Source 源

在这里插入图片描述

Sink 目的

在这里插入图片描述

Insert 插入

在这里插入图片描述

94.Flink - Hive 实时读数据介绍下？

在这里插入图片描述
Flink 源码中在对 Hive 进行读取操作时，会经历以下几个步骤：

Flink 都是基于 Calcite 先解析 SQL，确定表来源于 Hive，如果是 Hive 表，将会在 HiveCatalog 中创建 HiveTableFactory。
HiveTableFactory 会基于配置文件创建 HiveTableSource，然后 HiveTableSource 在真正执行时，会调用 getDataStream 方法，通过 getDataStream 方法来确定查询匹配的分区信息，然后创建表对应的 InputFormat，然后确定并行度，根据并行度确定 slot 分发 HiveMapredSplitReader 任务。
在 TaskManager 端的 slot 中，Split 会确定读取的内容，基于 Hive 中定义的序列化工具，InputFormat 执行读取反序列化，得到 value 值。
最后循环执行 reader.next 获取 value，将其解析成 Row。