SqlSubmit 的实现

笔者一开始是想用 sql Client 来贯穿整个演示环节，但可惜 1.9 版本 SQL CLI 还不支持处理 CREATE TABLE 语句。所以笔者就只好自己写了个简单的提交脚本。后来想想，也挺好的，可以让听众同时了解如何通过 SQL 的方式，和编程的方式使用 Flink SQL。

SqlSubmit 的主要任务是执行和提交一个 SQL 文件，实现非常简单，就是通过正则表达式匹配每个语句块。如果是 CREATE TABLE 或 INSERT INTO 开头，则会调用 tEnv.sqlUpdate(…) 。如果是 SET 开头，则会将配置设置到 TableConfig 上。其核心代码主要如下所示：

Environmen ts ettings settings = EnvironmentSettings.newInstance()
 .useBlinkPlanner()
 .inStreamingMode()
 .build();
// 创建一个使用 Blink Planner 的 TableEnvironment, 并工作在流模式
TableEnvironment tEnv = TableEnvironment.create(settings);
// 读取 SQL 文件
List<String> sql = Files.readAllLines(path);
// 通过正则表达式匹配前缀，来区分不同的 SQL 语句
List<SqlCommandCall> calls = SqlCommandParser.parse(sql);
// 根据不同的 SQL 语句，调用 TableEnvironment 执行
for (SqlCommandCall call : calls) {
 switch (call.command) {
 case SET:
 String key = call.operands[0];
 String value = call.operands[1];
 // 设置参数
 tEnv.getConfig().getConfiguration().setString(key, value);
  break ;
 case CREATE_TABLE:
 String ddl = call.operands[0];
 tEnv.sqlUpdate(ddl);
 break;
 case INSERT_INTO:
 String dml = call.operands[0];
 tEnv.sqlUpdate(dml);
 break;
 default:
 throw new RuntimeException("Unsupported command: " + call.command);
 }
}
// 提交作业
tEnv.execute("SQL Job");
 

使用 DDL 连接 Kafka 源表

在 flink-sql-submit 项目中，我们准备了一份测试数据集（来自 阿里云天池公开数据集 ，特别鸣谢），位于 src/main/resources/user_behavior.log 。数据以 json 格式编码，大概长这个样子：

{"user_id": "543462", "item_id":"1715", "category_id": "1464116", "behavior": " pv ", "ts": "2017-11-26T01:00:00Z"}
{"user_id": "662867", "item_id":"2244074", "category_id": "1575622", "behavior": "pv", "ts": "2017-11-26T01:00:00Z"}
 

为了模拟真实的 Kafka 数据源，笔者还特地写了一个 source-generator.sh 脚本（感兴趣的可以看下源码），会自动读取 user_behavior.log 的数据并以默认每毫秒1条的速率灌到 Kafka 的 user_behavior topic 中。

有了数据源后，我们就可以用 DDL 去创建并连接这个 Kafka 中的 topic（详见 src/main/resources/q1.sql ）。

CREATE TABLE user_log (
 user_id VARCHAR,
 item_id VARCHAR,
 category_id VARCHAR,
 behavior VARCHAR,
 ts TIMESTAMP
) WITH (
 'connector. type ' = 'kafka', -- 使用 kafka connector
 'connector.version' = ' universal ', -- kafka 版本，universal 支持 0.11 以上的版本
 'connector.topic' = 'user_behavior', -- kafka topic
 'connector.startup-mode' = 'earliest-offset', -- 从起始 offset 开始读取
 'connector.properties.0.key' = 'zookeeper.connect', -- 连接信息
 'connector.properties.0.value' = ' localhost :2181', 
 'connector.properties.1.key' = 'bootstrap.servers',
 'connector.properties.1.value' = 'localhost:9092', 
 'update-mode' = 'append',
 'format.type' = 'json', -- 数据源格式为 json
 'format.derive-schema' = 'true' -- 从 DDL schema 确定 json 解析规则
)
 

注：可能有用户会觉得其中的 connector.properties.0.key 等参数比较奇怪，社区计划将在下一个版本中改进并简化 connector 的参数配置。

使用 DDL 连接 MySQL 结果表

连接 MySQL 可以使用 Flink 提供的 jdbc connector。例如

CREATE TABLE pvuv_sink (
 dt VARCHAR,
 pv BIGINT,
 uv BIGINT
) WITH (
 'connector.type' = 'jdbc', -- 使用 jdbc connector
 'connector.url' = 'jdbc:mysql://localhost:3306/flink-test', -- jdbc url
 'connector.table' = 'pvuv_sink', -- 表名
 'connector.username' = 'root', -- 用户名
 'connector.password' = '123456', -- 密码
 'connector.write.flush.max-rows' = '1' -- 默认5000条，为了演示改为1条
)
 

PV UV 计算

假设我们的需求是计算每小时全网的用户访问量，和独立用户数。很多用户可能会想到使用滚动窗口来计算。但这里我们介绍另一种方式。即 Group Aggregation 的方式。

INSERT INTO pvuv_sink
SELECT
 DATE_FORMAT(ts, 'yyyy-MM-dd HH:00') dt,
 COUNT(*) AS pv,
 COUNT(DISTINCT user_id) AS uv
FROM user_log
GROUP BY DATE_FORMAT(ts, 'yyyy-MM-dd HH:00')
 

它使用 DATE_FORMAT 这个内置函数，将日志时间归一化成“年月日小时”的字符串格式，并根据这个字符串进行分组，即根据每小时分组，然后通过 COUNT(*) 计算用户访问量（PV），通过 COUNT(DISTINCT user_id) 计算独立用户数（UV）。这种方式的执行模式是每收到一条数据，便会进行基于之前计算的值做增量计算（如+1），然后将最新结果输出。所以实时性很高，但输出量也大。

我们将这个查询的结果，通过 INSERT INTO 语句，写到了之前定义的 pvuv_sink MySQL 表中。

注：在深圳 Meetup 中，我们有对这种查询的性能调优做了深度的介绍。

实战演示

环境准备

本实战演示环节需要安装一些必须的服务，包括：

• Flink 本地集群：用来运行 Flink SQL 任务。
• Kafka 本地集群：用来作为数据源。
• MySQL 数据库：用来作为结果表。

Flink 本地集群安装

1. 下载 Flink 1.9.0 安装包并解压（解压目录 flink-1.9.0 ）：
2. 下载以下依赖 jar 包，并拷贝到 flink-1.9.0/lib/ 目录下。因为我们运行时需要依赖各个 connector 实现。

• flink-sql-connector-kafka_2.11-1.9.0.jar
• flink-json-1.9.0-sql-jar.jar
• flink-jdbc_2.11-1.9.0.jar
• mysql-connector-java-5.1.48.jar

1. 将 flink-1.9.0/conf/flink-conf.yaml 中的 taskmanager.numberOfTaskSlots 修改成 10，因为我们的演示任务可能会消耗多于1个的 slot。
2. 执行 flink-1.9.0/bin/start-cluster.sh ，启动集群。

运行成功的话，可以在 访问到 Flink Web UI。

另外，还需要将 Flink 的安装路径填到 flink-sql-submit 项目的 env.sh 中，用于后面提交 SQL 任务，如我的路径是

FLINK_DIR=/ Users /wuchong/dev/install/flink-1.9.0
 

Kafka 本地集群安装

1. 下载 Kafka 2.2.0 安装包并解压：
2. 将安装路径填到 flink-sql-submit 项目的 env.sh 中，如我的路径是

KAFKA_DIR=/Users/wuchong/dev/install/kafka_2.11-2.2.0
 

1. 在 flink-sql-submit 目录下运行 ./start-kafka.sh 启动 Kafka 集群。
2. 在命令行执行 jps ，如果看到 Kafka 进程和 QuorumPeerMain 进程即表明启动成功。

MySQL 安装

• 可以在 官方页面 下载 MySQL 并安装。
• 如果有 Docker 环境的话，也可以直接通过 Docker 安装 。

$ docker pull mysql
$ docker run --name mysqldb -p 3306:3306 -e MYSQL_ROOT_PASSWORD=123456 -d mysql
 

在 MySQL 中创建一个 flink-test 的数据库，并按照上文的 schema 创建 pvuv_sink 表。

提交 SQL 任务

1. 在 flink-sql-submit 目录下运行 ./source-generator.sh ，会自动创建 user_behavior topic，并实时往里灌入数据。

1. 在 flink-sql-submit 目录下运行 ./run.sh q1 ， 提交成功后，可以在 Web UI 中看到拓扑。

在 MySQL 客户端，我们也可以实时地看到每个小时的 pv uv 值在不断地变化。

结尾

本文带大家搭建基础集群环境，并使用 SqlSubmit 提交纯 SQL 任务来学习了解如何连接外部系统。 flink-sql-submit/src/main/resources/q1.sql 中还有一些注释掉的调优参数，感兴趣的同学可以将参数打开，观察对作业的影响。

演示代码已经开源到了 GitHub 上： 。

原文：