Cloudera流分析中如何引入FlinkSQL

发布时间：2021-12-21 09:28:14 作者：柒染
来源：亿速云阅读：150

这篇文章将为大家详细讲解有关Cloudera流分析中如何引入FlinkSQL，文章内容质量较高，因此小编分享给大家做个参考，希望大家阅读完这篇文章后对相关知识有一定的了解。

由Apache Flink提供支持的Cloudera Streaming Analytics的1.2.0.0版本提供了广泛的新功能，包括通过 Apache Atlas 支持血缘和元数据跟踪，支持连接到 Apache Kudu 以及期待已久的 FlinkSQL API 的第一次迭代。

Flink的SQL接口使流处理民主化，因为它可以迎合比当前广泛使用的Java和Scala API（面向数据工程人群）更大的社区。将SQL推广到流处理和流分析用例提出了一系列挑战：我们必须解决表达无限流和记录的及时性的问题。让我们考虑以下查询：

SELECT  userId,  
  COUNT(*) AS count,  
  SESSION_START(clicktime, 
  INTERVAL '30' MINUTE)FROM clicksGROUP BY  
  SESSION(clicktime, INTERVAL '30' MINUTE)
  userId

该查询产生每个用户会话的点击计数，该计数由会话之间30分钟的不活动状态定义，并在遇到新会话时实时更新。这是在流处理中已经很好建立的概念的示例，在这种情况下，会话窗口被引入到SQL语法中以表示记录的及时性。重要的是要强调Flink支持的语法是ANSI SQL，它不是特定的方言。实际上，Flink社区正在与Apache Beam和Apache Calcite社区合作，以统一的方式应对FlinkSQL的挑战。

转换到流处理组织

从上述查询来看，很明显，更大的用户群可以有效地制定查询，从而为企业增加价值。但是，它给组织带来了以下问题：

1) 在流媒体领域中可以用SQL制定多少业务逻辑？

2) 这如何改变从开发到生产的流式作业旅程？

3) 这如何影响数据工程团队的范围？

我们认为，今天编写的大多数流查询都可以通过FlinkSQL表示，以提供有根据的猜测，我们希望它能达到今天遇到的流查询的80％左右，这很适合通过此SQL实现API。首先，这似乎有些夸大其词，我们将在下一部分中详细介绍。

当前，我们经常遇到使用Flink的组织，其中近实时获得业务价值是数据工程师的特权。数据分析人员通常是特定领域知识的专家，他们倾向于使用标准MPP或OLAP系统中存储的这些流的快照，例如通过Apache Impala查询存储在Kudu中的数据。这从本质上引入了寻找以流的方式对其进行洞察和生产化。分析师在证实其假设之后，必须与几个数据工程师确保数周甚至数月的项目资金投入，以细致地重新实现已经用另一种语言（通常是SQL）制定的业务逻辑。FlinkSQL使分析人员可以直接与流进行交互，并单击按钮即可部署流作业。

反过来，这又解放了数据工程师，使他们可以专注于具有挑战性的20％的查询，并建立可重用的特定领域的库，这些库可以直接从SQL中作为一组用户自定义函数加以利用。

FlinkSQL的功能

为了展示FlinkSQL的功能，我们最近在我们的标准教程套件下发布了 SQL 教程。让我们在这里重点介绍一些功能。

小编针对Apache Kafka主题进行操作，其中包含JSON格式的事务条目。让我们为此定义一个表Schema，并指定我们要测量timestamp列记录的时间的流逝（称为 event-time语义）。

CREATE TABLE ItemTransactions (transactionId    
BIGINT,`timestamp`    
BIGINT,itemId    
STRING,
quantity INT,
event_time AS CAST(from_unixtime(floor(`timestamp`/1000)) 
AS TIMESTAMP(3)),WATERMARK FOR event_time 
AS event_time - INTERVAL '5' SECOND) WITH ('connector.type'      = 'kafka','connector.version'   = 'universal','connector.topic'     = 'transaction.log.1','connector.startup-mode' = 'earliest-offset','
connector.properties.bootstrap.servers' = '<broker_address>','format.type' = 'json');

请注意，在使用事件时间语义时，我们必须指定水印以为Flink提供启发式方法以测量事件时间的经过。这可以是返回时间戳的任意表达式。在较高级别上，水印指定了正确性（无限期等待潜在的延迟到达）和延迟（尽可能快地产生结果）之间的折衷。

创建上表后，我们可以提交以下查询：

SELECT * FROM ItemTransactions LIMIT 10;SELECT TUMBLE_START(event_time, INTERVAL '10' SECOND) as window_start, itemId, sum(quantity) as volumeFROM ItemTransactionsGROUP BY itemId, TUMBLE(event_time, INTERVAL '10' SECOND);

第一个查询提供了直接的采样。使用limit子句是可选的，省略会导致结果以流方式不断更新。第二个查询实现一个简单的窗口聚合。这些查询的结果可以返回到交互式Flink SQL cli，或者可以通过INSERT INTO语句直接写入输出表。

FlinkSQL还提供了更复杂的子句，例如，可以按以下公式来查找在每10分钟的窗口中交易次数最多的前3个项目：

SELECT * FROM ( SELECT * , ROW_NUMBER() OVER (   PARTITION BY window_start   ORDER BY num_transactions desc ) AS rownum FROM (   SELECT TUMBLE_START(event_time, INTERVAL '10' MINUTE) AS window_start, itemId, COUNT(*) AS num_transactions   FROM ItemTransactions   GROUP BY itemId, TUMBLE(event_time, INTERVAL '10' MINUTE) ))WHERE rownum <=3;

除了这些内置语言元素之外，您还可以将以Java和Scala实现的功能注册到FlinkSQL环境。

FlinkSQL还支持访问外部目录以访问存储在外部系统中的Schema和数据，当前，我们支持Hive，Kudu和Schema Registry目录。

后续步骤

在当前版本中，提交SQL查询的两个选项是使用SQL CLI或将它们包装到Java程序中。正如我们在最近的主题演讲中所讨论的，我们正在积极开发图形用户界面，以帮助进行交互式查询编辑。

在添加GUI之后，我们将在短期内公开其针对第三方工具的编程后端，以公开与JDBC for FlinkSQL等效的接口，该接口可能更多地基于REST和Kafka构建。

关于Cloudera流分析中如何引入FlinkSQL就分享到这里了，希望以上内容可以对大家有一定的帮助，可以学到更多知识。如果觉得文章不错，可以把它分享出去让更多的人看到。

Cloudera流分析中如何引入FlinkSQL

相关阅读