flink sql 知其所以然| sql api 类型系统

Posted antigeneral

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了flink sql 知其所以然| sql api 类型系统相关的知识,希望对你有一定的参考价值。

感谢您的关注  +  点赞 + 再看,对博主的肯定,会督促博主持续的输出更多的优质实战内容!!!

1.序篇-先说结论 大数据羊说 用数据提升美好事物发生的概率~ 29篇原创内容 公众号

protobuf 作为目前各大公司中最广泛使用的高效的协议数据交换格式工具库,会大量作为流式数据传输的序列化方式,所以在 flink sql 中如果能实现 protobuf 的 format 会非常有用(目前社区已经有对应的实现,不过目前还没有 merge,预计在 1.14 系列版本中能 release)。

这一节原本是介绍 flink sql 中怎么自定义实现 protobuf format 类型,但是 format 的实现过程中涉及到了 flink sql 类型系统的知识,所以此节先讲解 flink sql 类型系统的内容作为铺垫。以帮助能更好的理解 flink sql 的类型系统。

flink sql 类型系统并不是一开始就是目前这样的 LogicalType 体系,其最开始也是复用了 datastream 的 TypeInformation,后来才由 TypeInformation 转变为了 LogicalType,因此本节分为以下几个小节,来说明 flink sql api 类型的转变原因、过程以及新类型系统设计。

  1. 背景篇
  2. 目标篇-预期效果是什么
  3. 框架设计篇-具体方案实现
  4. 总结篇
2.背景篇

熟悉 DataStream API 的同学都知道,DataStream API 的类型系统 TypeInformation 体系。所以初期 SQL API 的类型系统也是完全由 TypeInformation 实现的。但是随着 SQL API 的 feature 增强,用户越来越多的使用 SQL API 之后,发现 TypeInformation 作为 SQL API 的类型系统还是有一些缺陷的。

具体我们参考 Flip-37:https://cwiki.apache.org/confluence/display/FLINK/FLIP-37%3A+Rework+of+the+Table+API+Type+System。

Flip-65:https://cwiki.apache.org/confluence/display/FLINK/FLIP-65%3A+New+type+inference+for+Table+API+UDFs

issue:https://issues.apache.org/jira/browse/FLINK-12251

比如一些用户反馈有以下问题:

https://docs.google.com/document/d/1zKSY1z0lvtQdfOgwcLnCMSRHew3weeJ6QfQjSD0zWas/edit#heading=h.64s92ad5mb1

Flip-37 中介绍到:

1. TypeInformation 不能和 SQL 类型系统很好的集成,并且不同实现语言也会对其类型信息产生影响。

2. TypeInformation 与 SQL 类型系统不一致。

3. 不能为 DECIMAL 等定义精度和小数位数。

4. 不支持 CHAR/VARCHAR 之间的差异(FLINK-10257、FLINK-9559)。

5. 物理类型和逻辑类型是紧密耦合的。

flink sql 类型系统设计文档:https://docs.google.com/document/d/1a9HUb6OaBIoj9IRfbILcMFPrOL7ALeZ3rVI66dvA2_U/edit#heading=h.5qoorezffk0t

2.1.序列化器受执行环境影响

怎么理解不同语言的环境会对类型信息产生影响,直接来看一下下面这个例子(基于 flink 1.8):

import org.apache.flink.table.functions.TableFunction

case class SimpleUser(name: String, age: Int)

class TableFunc0 extends TableFunction[SimpleUser] {

  // make sure input element\'s format is "<string&gt#<int>"

  def eval(user: String): Unit = {

    if (user.contains("#")) {

      val splits = user.split("#")

      collect(SimpleUser(splits(0), splits(1).toInt))

    }
  }

}

TableFunc0 出参(SimpleUser)的 TypeInformation 不仅取决于出参本身,还取决于使用的表环境,而且最终的序列化器也是不同的,这里以 java 环境和 scala 环境做比较:

2.1.1.java 环境

在 java 环境中,使用 org.apache.flink.table.api.java.StreamTableEnvironment#registerFunction 注册函数。

Java 类型提取是通过基于反射的 TypeExtractor 提取 TypeInformation

示例代码如下(基于 flink 1.8 版本):

public class JavaEnvTest {

    public static void main(String[] args) throws Exception {


        StreamExecutionEnvironment sEnv = StreamExecutionEnvironment.getExecutionEnvironment();
        // create a TableEnvironment for streaming queries
        StreamTableEnvironment sTableEnv = StreamTableEnvironment.create(sEnv);

        sTableEnv.registerFunction("table1", new TableFunc0());

        TableSqlFunction tableSqlFunction =
                (TableSqlFunction) sTableEnv
                        .getFunctionCatalog()
                        .getSqlOperatorTable()
                        .getOperatorList()
                        .get(170);

        TypeSerializer<?> t = tableSqlFunction.getRowTypeInfo().createSerializer(sEnv.getConfig());

        sEnv.execute();

    }

}

1

java 环境,可以看到,最终使用的是 Kryo 序列化器

2.1.2.scala 环境

在 scala 环境中,使用 org.apache.flink.table.api.scala.StreamTableEnvironment#registerFunction 注册函数。

使用 Scala 类型提取堆栈并通过使用 Scala 宏提取 TypeInformation

示例代码如下(基于 flink 1.8 版本):

object ScalaEnv {

  def main(args: Array[String]): Unit = {
    val env = StreamExecutionEnvironment.getExecutionEnvironment

    // create a TableEnvironment
    val tableEnv = StreamTableEnvironment.create(env)

    tableEnv.registerFunction("hashCode", new TableFunc0())

    val config = env.getConfig

    val function = new TableFunc0()

    registerFunction(config, function)

    // execute
    env.execute()
  }

  def registerFunction[T: TypeInformation](config: ExecutionConfig, tf: TableFunction[T]): Unit = {
    val typeInfo: TypeInformation[_] = if (tf.getResultType != null) {
      tf.getResultType
    } else {
      implicitly[TypeInformation[T]]
    }

    val ty = typeInfo.createSerializer(config)

  }

}

2

scala 环境,最终使用的是 Case Class 序列化器

但是逻辑上同一个 sql 的 model 的序列化方式只应该与 model 本身有关,不应该与不同语言的 env 有关。不同的 env 的 model 序列化器都应该相同。

2.2.类型系统不一致

SQL 类型系统与 TypeInformation 系统不一致。如下图

TypeInformation 类型系统的组成,熟悉 datastream 的同学应该都见过:

但是标准的 sql 类型系统的组成应该是由如下组成这样:

可见 TypeInformation 类型系统与标准 SQL 类型系统的对应关系是不太一致的,这也就导致了 flink sql 与 TypeInformation 不能很好的集成。

2.3.TypeInformation 类型信息与序列化器绑定

如图 TypeInformation 的具体实现类需要实现 TypeInformation<T>#createSerializer,来指定类型信息的具体序列化器。

3

举例,旧类型系统中,flink sql api 中是使用 CRow 进行的内部数据的流转, CRowTypeInfo 如下图,其序列化器固定为 CRowSerializer

19

再来一个例子, ListTypeInfo 的序列化器固定为 ListSerializer

4

可以看到 TypeInformation 的类型体系中,一种 TypeInformation 就和一个 TypeSerializer 是绑定的。

3.目标篇-预期效果是什么

博主体感比较深的是:

1. 统一以及标准化 SQL 类型系统

2. 逻辑类型与物理类型解耦

然后来看看 flink 是怎么做这件事情的,下面的代码都基于 flink 1.13.1

4.框架设计篇-具体方案实现

先从最终最上层的角度出发,看看 flink sql 程序运行时数据载体的变化。

1.old planner

内部数据流的基本数据类型:CRow = Row + 标识(是否回撤数据)

类型信息:CRowTypeInfo,其类型系统使用的完全也是 TypeInformation 那一套

序列化器:CRowSerializer = RowSerializer + 标识序列化

2.blink planner

内部数据流的基本数据类型:RowData

类型信息:RowType,基于 LogicalType

序列化器:RowDataSerializer

4.1.统一以及标准化 SQL 类型系统

先来重温下,SQL 标准类型:

然后开看看,flink sql 的类型系统设计,代码位于 flink-table-common 模块:

新的类型系统是基于 LogicalTypeFamilyLogicalTypeRootLogicalType 进行实现的:

LogicalTypeFamily

LogicalTypeRoot

LogicalType

具体 LogicalType 的各类实现类如下图所示:

12

可以发现其设计(枚举信息、实现等)都是与 SQL 标准进行了对齐的。

具体类型详情可以参考官方文档,这里不过多赘述。https://ci.apache.org/projects/flink/flink-docs-release-1.13/docs/dev/table/types/

4.2.逻辑类型与物理类型解耦

解耦这部分的实现比较好理解,博主通过两种方式来解释其解耦方式:

4.2.1.看看解耦的具体实现

博主画了一张图来比较下 TypeInformationLogicalType,如下图。

20

  • datastream\\old planner:如左图所示,都是基于 TypeInformation 体系,一种 TypeInformation 就和一个 TypeSerializer 是绑定的。
  • blink planner:如右图所示,都是基于 LogicalType 体系,但是与 TypeSerializer 通过中间的一层映射层进行解耦,这层映射层是 blink planner 独有的,当然如果你也能自定义一个 planner,你也可以自定义对应的映射方式

LogicalType 只包含类型信息,关于具体的序列化器是在不同的 planner 中实现的。Blink Planner 是 InternalSerializers

4.2.2.看看包的划分

其实我们也可以通过这些具体实现类的在 flink 中所在的包也可以看出其解耦方式。如图所示。

21

  • datastream\\old planner:如左图所示,其中的核心逻辑类型、序列化器都是在 flink-core 中实现的。都是基于以及复用了 TypeInformation 体系。

  • blink planner:如右图所示,LogicalType 体系都是位于 flink-table-common 模块中,作为 sql 基础、标准的体系。而其中具体的序列化器是在 flink-table-runtime-blink 中的,可以说明不同的 planner 是有对应不同的实现的,从而实现了逻辑类型和物理序列化器的解耦。

5.总结篇

本文主要介绍了 flink sql 类型系统的内容,从背景、目标以及最终的实现上做了一些思考和分析。

希望能抛砖引玉,让大家能在使用层面之上还能有一些更深层次的思考~

大数据羊说 用数据提升美好事物发生的概率~ 29篇原创内容 公众号

 

往期推荐

flink sql 知其所以然(三)| 自定义 redis 数据汇表(附源码)

flink sql 知其所以然(二)| 自定义 redis 数据维表(附源码)

flink sql 知其所以然(一)| source\\sink 原理

揭秘字节跳动埋点数据实时动态处理引擎(附源码)

实时数仓不保障时效还玩个毛?

 

多 Flink 实时大数据分析相关技术博文,视频。后台回复 “flink” 获取。

点个赞+在看,感谢您的肯定 ????

 

以上是关于flink sql 知其所以然| sql api 类型系统的主要内容,如果未能解决你的问题,请参考以下文章

Flink学习31:Table API & SQL之注册表

Flink学习:Flink Table/Sql API

Flink SQL - 2.Table API & SQL 概述与常规 API

2021年大数据Flink(三十):Flink ​​​​​​​Table API & SQL 介绍

Flink Table API & SQL Planner 演变

翻译Flink Table 和 SQL API 概念与通用API