什么是Flink關(guān)系型API？

雖然Flink已經(jīng)支持了DataSet和DataStream API，但是有沒有一種更好的方式去編程，而不用關(guān)心具體的API實(shí)現(xiàn)？不需要去了解Java和Scala的具體實(shí)現(xiàn)。

Flink provides three layered APIs. Each API offers a different trade-off between conciseness and expressiveness and targets different use cases.

Flink提供了三層API，每一層API提供了一個(gè)在簡潔性和表達(dá)力之間的權(quán)衡?。

最低層是一個(gè)有狀態(tài)的事件驅(qū)動。在這一層進(jìn)行開發(fā)是非常麻煩的。

雖然很多功能基于DataSet和DataStreamAPI是可以完成的，需要熟悉這兩套API，而且必須要熟悉Java和Scala，這是有一定的難度的。一個(gè)框架如果在使用的過程中沒法使用SQL來處理，那么這個(gè)框架就有很大的限制。雖然對于開發(fā)人員無所謂，但是對于用戶來說卻不顯示。因此SQL是非常面向大眾語言。

好比MapReduce使用Hive SQL，Spark使用Spark SQL，Flink使用Flink SQL。

雖然Flink支持批處理/流處理，那么如何做到API層面的統(tǒng)一？

這樣Table和SQL應(yīng)運(yùn)而生。

這其實(shí)就是一個(gè)關(guān)系型API，操作起來如同操作Mysql一樣簡單。

Apache Flink features two relational APIs - the Table API and SQL - for unified stream and batch processing. The Table API is a language-integrated query API for Scala and Java that allows the composition of queries from relational operators such as selection, filter, and join in a very intuitive way.?

Apache Flink通過使用Table API和SQL 兩大特性，來統(tǒng)一批處理和流處理。?Table API是一個(gè)查詢API，集成了Scala和Java語言，并且允許使用select filter join等操作。

使用Table SQL API需要額外依賴

java：

<dependency><groupId>org.apache.flink</groupId><artifactId>flink-streaming-scala_2.11</artifactId><version>${flink.version}</version></dependency><dependency><groupId>org.apache.flink</groupId><artifactId>flink-table-planner_2.11</artifactId><version>${flink.version}</version></dependency><dependency><groupId>org.apache.flink</groupId><artifactId>flink-table-api-java-bridge_2.11</artifactId><version>${flink.version}</version></dependency>

scala：

<dependency><groupId>org.apache.flink</groupId><artifactId>flink-table-planner_2.11</artifactId><version>${flink.version}</version></dependency><dependency><groupId>org.apache.flink</groupId><artifactId>flink-table-api-scala-bridge_2.11</artifactId><version>${flink.version}</version></dependency>

使用Table SQL API編程

首先導(dǎo)入上面的依賴，然后讀取sales.csv文件，文件內(nèi)容如下：

transactionId,customerId,itemId,amountPaid 111,1,1,100.0 112,2,2,505.0 113,1,3,510.0 114,2,4,600.0 115,3,2,500.0 116,4,2,500.0 117,1,2,500.0 118,1,2,500.0 119,1,3,500.0 120,1,2,500.0 121,2,4,500.0 122,1,2,500.0 123,1,4,500.0 124,1,2,500.0

Scala

object TableSQLAPI {def main(args: Array[String]): Unit = {val bEnv = ExecutionEnvironment.getExecutionEnvironmentval bTableEnv = BatchTableEnvironment.create(bEnv)val filePath="E:/test/sales.csv"// 已經(jīng)拿到DataSetval csv = bEnv.readCsvFile[SalesLog](filePath,ignoreFirstLine = true)// DataSet => Table}case class SalesLog(transactionId:String,customerId:String,itemId:String,amountPaid:Double) }

首先拿到DataSet，接下來將DataSet轉(zhuǎn)為Table，然后就可以執(zhí)行SQL了

// DataSet => Tableval salesTable = bTableEnv.fromDataSet(csv)// 注冊成Table Table => tablebTableEnv.registerTable("sales", salesTable)// sqlval resultTable = bTableEnv.sqlQuery("select customerId, sum(amountPaid) money from sales group by customerId")bTableEnv.toDataSet[Row](resultTable).print()

輸出結(jié)果如下：

4,500.0 3,500.0 1,4110.0 2,1605.0

這種方式只需要使用SQL就可以實(shí)現(xiàn)之前寫mapreduce的功能。大大方便了開發(fā)過程。

Java

package com.vincent.course06;import org.apache.flink.api.java.DataSet; import org.apache.flink.api.java.ExecutionEnvironment; import org.apache.flink.api.java.operators.DataSource; import org.apache.flink.table.api.Table; import org.apache.flink.table.api.java.BatchTableEnvironment; import org.apache.flink.types.Row;public class JavaTableSQLAPI {public static void main(String[] args) throws Exception {ExecutionEnvironment bEnv = ExecutionEnvironment.getExecutionEnvironment();BatchTableEnvironment bTableEnv = BatchTableEnvironment.create(bEnv);DataSource<Sales> salesDataSource = bEnv.readCsvFile("E:/test/sales.csv").ignoreFirstLine().pojoType(Sales.class, "transactionId", "customerId", "itemId", "amountPaid");Table sales = bTableEnv.fromDataSet(salesDataSource);bTableEnv.registerTable("sales", sales);Table resultTable = bTableEnv.sqlQuery("select customerId, sum(amountPaid) money from sales group by customerId");DataSet<Row> rowDataSet = bTableEnv.toDataSet(resultTable, Row.class);rowDataSet.print();}public static class Sales {public String transactionId;public String customerId;public String itemId;public Double amountPaid;@Overridepublic String toString() {return "Sales{" +"transactionId='" + transactionId + '\'' +", customerId='" + customerId + '\'' +", itemId='" + itemId + '\'' +", amountPaid=" + amountPaid +'}';}} }

?

總結(jié)

以上是生活随笔為你收集整理的Apache Flink 零基础入门（十八）Flink Table APISQL的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。