一、FlinkSql的概念
核心概念
Flink 的 Table API 和 SQL 是流批统一的 API。 这意味着 Table API & SQL 在无论有限的批式输入还是无限的流式输入下，都具有相同的语义。 因为传统的关系代数以及 SQL 最开始都是为了批式处理而设计的， 关系型查询在流式场景下不如在批式场景下容易理解.
动态表和连续查询
动态表(Dynamic Tables) 是 Flink 的支持流数据的 Table API 和 SQL 的核心概念。
与表示批处理数据的静态表不同，动态表是随时间变化的。可以像查询静态批处理表一样查询它们。查询动态表将生成一个连续查询(Continuous Query)。一个连续查询永远不会终止，结果会生成一个动态表。查询不断更新其(动态)结果表，以反映其(动态)输入表上的更改。
TableAPI
首先需要导入依赖
<dependency>
<groupId>org.apache.flink</groupId>
<artifactId>flink-table-planner-blink_${scala.binary.version}</artifactId>
<version>${flink.version}</version>
<scope>provided</scope>
</dependency>
<dependency>
<groupId>org.apache.flink</groupId>
<artifactId>flink-streaming-scala_${scala.binary.version}</artifactId>
<version>${flink.version}</version>
<scope>provided</scope>
</dependency>
<dependency>
<groupId>org.apache.flink</groupId>
<artifactId>flink-csv</artifactId>
<version>${flink.version}</version>
</dependency>
<dependency>
<groupId>org.apache.flink</groupId>
<artifactId>flink-json</artifactId>
<version>${flink.version}</version>
</dependency>
<!-- https://mvnrepository.com/artifact/org.apache.commons/commons-compress -->
<dependency>
<groupId>org.apache.commons</groupId>
<artifactId>commons-compress</artifactId>
<version>1.21</version>
</dependency>
/**
* 使用TableAPI的基本套路：
* 1.创建表的执行环境
* 2.创建表，将流转换为动态表，表的字段名从bean的属性名自动抽取
* 3.对动态表进行查询
* 4.把动态表转换为流
*/
这里需要注意的问题：
1.TableAPI 中将动态表转换为流时有两种方法
DataStream<Row> rowDataStream = tableEnvironment.toAppendStream(result, Row.class);
toAppendStream方法只能在查询时使用，不能使用包含聚合函数等更新语句
DataStream<Tuple2<Boolean, Row>> tuple2DataStream = tableEnvironment.toRetractStream(select, Row.class);
toRetractStream则可以使用
2.上述两种方法内传入的参数Row.class，表示将表中查询出的数据封装为行类型，也就是对每行进行封装，解决查询出的数据列少于或者多于原表。如何能够确保所查询的数据与之前封装的Bean有完全一致的结构则也可以封装为原Bean.class
代码实现：
package net.cyan.FlinkSql;
import net.cyan.POJO.WaterSensor;
import org.apache.flink.api.common.functions.FilterFunction;
import org.apache.flink.api.java.tuple.Tuple2;
import org.apache.flink.configuration.Configuration;
import org.apache.flink.streaming.api.datastream.DataStream;
import org.apache.flink.streaming.api.datastream.DataStreamSource;
import org.apache.flink.streaming.api.datastream.SingleOutputStreamOperator;
import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;
import org.apache.flink.table.api.Table;
import org.apache.flink.table.api.bridge.java.StreamTableEnvironment;
import org.apache.flink.types.Row;
import static org.apache.flink.table.api.Expressions.$;
/**
* 使用TableAPI的基本套路：
* 1.创建表的执行环境
* 2.创建表，将流转换为动态表，表的字段名从bean的属性名自动抽取
* 3.对动态表进行查询
* 4.把动态表转换为流
*/
public class Demo1 {
public static void main(String[] args) {
Configuration configuration=new Configuration();
configuration.setInteger("rest.port",3333);
//创建执行环境
StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment(configuration);
env.setParallelism(1);
//模拟数据
DataStreamSource<WaterSensor> WaterSensorSource = env.fromElements(
new WaterSensor("S1", 1000L, 10),
new WaterSensor("S1", 1000L, 10),
new WaterSensor("S2", 2000L, 20),
new WaterSensor("S3", 3000L, 30),
new WaterSensor("S4", 4000L, 40),
new WaterSensor("S5", 5000L, 50)
);
//创建表的执行环境
StreamTableEnvironment tableEnvironment = StreamTableEnvironment.create(env);
//创建表，将流转换为动态表，表的字段名从bean的属性名自动抽取
Table table = tableEnvironment.fromDataStream(WaterSensorSource);
//对表进行查询
//1、过时的查询书写
Table result = table
.where("id='S1'")
.select("*");
//2、不过时的书写
Table result1 = table
// .where($("id").isEqual("S1"))
.select($("id"), $("ts"), $("vc"));
//3.聚合函数
Table select = table
.groupBy($("id"))
.aggregate($("vc").sum().as("sum_vc"))
.select($("id"), $("sum_vc"));
//把动态表转换为流，使用到了之前创建的表运行环境
SingleOutputStreamOperator<Row> tuple2DataStream = tableEnvironment
.toRetractStream(select, Row.class)
.filter(t -> t.f0)
.map(t -> t.f1);
// DataStream<Row> rowDataStream = tableEnvironment.toAppendStream(result, Row.class);
// DataStream<Row> rowDataStream1 = tableEnvironment.toAppendStream(result1, Row.class);
// rowDataStream.print();
// rowDataStream1.print();
tuple2DataStream.print();
try {
//启动执行环境
env.execute();
} catch (Exception e) {
e.printStackTrace();
}
}
}
二、TableAPI读取文件
使用TableAPI读取文件时，我们首先需要知道去哪里读取也就是文件路径、读取文件的格式、读取出来的数据的结构也就是结果表的表结构及表名
package net.cyan.FlinkSql;
import org.apache.flink.configuration.Configuration;
import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;
import org.apache.flink.table.api.DataTypes;
import org.apache.flink.table.api.Table;
import org.apache.flink.table.api.bridge.java.StreamTableEnvironment;
import org.apache.flink.table.descriptors.Csv;
import org.apache.flink.table.descriptors.FileSystem;
import org.apache.flink.table.descriptors.Schema;
import org.apache.flink.table.types.DataType;
import static org.apache.flink.table.api.Expressions.$;
public class Demo2_readWriteText {
public static void main(String[] args) {
//创建执行环境
// Configuration configuration = new Configuration();
// configuration.setInteger("rest.port", 3333);
StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
env.setParallelism(1);
StreamTableEnvironment talEnv = StreamTableEnvironment.create(env);
//创建查询的数据结果封装类型
Schema schema = new Schema()
.field("id", DataTypes.STRING())
.field("ts", DataTypes.BIGINT())
.field("vc", DataTypes.INT());
talEnv
.connect(new FileSystem().path("input/sensor.txt")) //读取文件路径
.withFormat(new Csv()) //读取文件的数据格式
.withSchema(schema) //读取出来的数据格式
.createTemporaryTable("sensor");//定义结果表名
//进行查询
Table select = talEnv.from("sensor")
.where($("id").isEqual("sensor_1"))
.select($("id"), $("ts"), $("vc"));
//将查询结果写入到新文件中
//同样建立一个动态表连接
talEnv
.connect(new FileSystem().path("input/b.txt")) //写入路径
.withFormat(new Csv()) //写入文件的数据格式
.withSchema(schema) //写入的数据格式
.createTemporaryTable("abc");//定义写入表名
//进行写入操作
select.executeInsert("abc");
// try {
// //启动执行环境
// env.execute();
// } catch (Exception e) {
// e.printStackTrace();
// }
}
}
三、TableAPI 读取、写入Kakfa
基本流程
1>需要创建表的运行环境
//创建表的运行环境
StreamTableEnvironment tabEnv = StreamTableEnvironment.create(env);
2>创建查询出的数据写出结构
//创建表结构
Schema schema=new Schema()
.field("id",DataTypes.STRING())
.field("ts",DataTypes.BIGINT())
.field("vc",DataTypes.INT());
3> 创建kafka连接
//创建kafka连接
tabEnv.connect(
new Kafka()
.version("universal")// 版本号
.property("bootstrap.servers","hadoop102:9092")//地址
.property("group.id","cy")//消费者组
.topic("first")//消费主题
)
.withFormat(new Json())//写入的格式
.withSchema(schema)
.createTemporaryTable("a");//临时表
4> 进行查询
//创建表
Table select = tabEnv.from("a").select("*");
5> 创建写入kafka连接
//创建写入主题
tabEnv.connect(
new Kafka()
.version("universal")// 版本号
.property("bootstrap.servers","hadoop102:9092")//地址
.topic("first1")//消费主题
.sinkPartitionerRoundRobin()//随机分区
)
.withFormat(new Json())//写入的格式
.withSchema(schema)
.createTemporaryTable("c");
6> 写入
//写入
select.executeInsert("c");
完整代码如下
package net.cyan.FlinkSql;标签：FlinkSql,flink,TableAPI,new,详解,import,apache,org,table From： https://www.cnblogs.com/CYan521/p/16845742.html
import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;
import org.apache.flink.table.api.DataTypes;
import org.apache.flink.table.api.Table;
import org.apache.flink.table.api.bridge.java.StreamTableEnvironment;
import org.apache.flink.table.descriptors.Json;
import org.apache.flink.table.descriptors.Kafka;
import org.apache.flink.table.descriptors.Schema;
public class Demo5_readWriteKafka {
public static void main(String[] args) {
//创建执行环境
StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
//创建表的运行环境
StreamTableEnvironment tabEnv = StreamTableEnvironment.create(env);
//创建表结构
Schema schema=new Schema()
.field("id",DataTypes.STRING())
.field("ts",DataTypes.BIGINT())
.field("vc",DataTypes.INT());
//创建kafka连接
tabEnv.connect(
new Kafka()
.version("universal")// 版本号
.property("bootstrap.servers","hadoop102:9092")//地址
.property("group.id","cy")//消费者组
.topic("first")//消费主题
)
.withFormat(new Json())//写入的格式
.withSchema(schema)
.createTemporaryTable("a");
//创建表
Table select = tabEnv.from("a").select("*");
//创建写入主题
tabEnv.connect(
new Kafka()
.version("universal")// 版本号
.property("bootstrap.servers","hadoop102:9092")//地址
.topic("first1")//消费主题
.sinkPartitionerRoundRobin()//随即分区
)
.withFormat(new Json())//写入的格式
.withSchema(schema)
.createTemporaryTable("c");
//写入
select.executeInsert("c");
}
}