Flink 1.10 SQL、HiveCatalog与事件时间整合示例

前言

Flink 1.10与1.9相比又是个船新版本，在我们感兴趣的很多方面都有改进，特别是Flink SQL。本文用根据埋点日志计算PV、UV的简单示例来体验Flink 1.10的两个重要新特性，一是SQL DDL对事件时间的支持，二是Hive Metastore作为Flink的元数据存储（即HiveCatalog）。这两点将会为我们构建实时数仓提供很大的便利。

添加依赖项

示例采用Hive版本为1.1.0，Kafka版本为0.11.0.2。

要使Flink与Hive集成以使用HiveCatalog，需要先将以下JAR包放在${FLINK_HOME}/lib目录下。

• flink-connector-hive_2.11-1.10.0.jar
• flink-shaded-hadoop-2-uber-2.6.5-8.0.jar
• hive-metastore-1.1.0.jar
• hive-exec-1.1.0.jar
• libfb303-0.9.2.jar

后三个JAR包都是Hive自带的，可以在${HIVE_HOME}/lib目录下找到。前两个可以通过阿里云Maven搜索GAV找到并手动下载（groupId都是org.apache.flink）。

再在pom.xml内添加相关的Maven依赖。

  
    2.11
    1.10.0
    1.1.0
  

  
    
      org.apache.flink
      flink-table-api-scala_${scala.bin.version}
      ${flink.version}
    
    
      org.apache.flink
      flink-table-api-scala-bridge_${scala.bin.version}
      ${flink.version}
    
    
      org.apache.flink
      flink-table-planner-blink_${scala.bin.version}
      ${flink.version}
    
    
      org.apache.flink
      flink-connector-hive_${scala.bin.version}
      ${flink.version}
    
    
      org.apache.flink
      flink-json
      ${flink.version}
    
    
      org.apache.hive
      hive-exec
      ${hive.version}
    
  

最后，找到Hive的配置文件hive-site.xml，准备工作就完成了。

注册HiveCatalog、创建数据库

不多废话了，直接上代码，简洁易懂。

    val streamEnv = StreamExecutionEnvironment.getExecutionEnvironment
    streamEnv.setParallelism(5)
    streamEnv.setStreamTimeCharacteristic(TimeCharacteristic.EventTime)

    val tableEnvSettings = EnvironmentSettings.newInstance()
        .useBlinkPlanner()
        .inStreamingMode()
        .build()
    val tableEnv = StreamTableEnvironment.create(streamEnv, tableEnvSettings)

    val catalog = new HiveCatalog(
      "rtdw",                   // catalog name
      "default",                // default database
      "/Users/lmagic/develop",  // Hive config (hive-site.xml) directory
      "1.1.0"                   // Hive version
    )
    tableEnv.registerCatalog("rtdw", catalog)
    tableEnv.useCatalog("rtdw")

    val createDbSql = "CREATE DATABASE IF NOT EXISTS rtdw.ods"
    tableEnv.sqlUpdate(createDbSql)

创建Kafka流表并指定事件时间

我们的埋点日志存储在指定的Kafka topic里，为JSON格式，简化版schema大致如下。

{
    "eventType": "clickBuyNow",
    "userId": "97470180",
    "shareUserId": "",
    "platform": "xyz",
    "columnType": "merchDetail",
    "merchandiseId": "12727495",
    "fromType": "wxapp",
    "siteId": "20392",
    "categoryId": "",
    "ts": 1585136092541
}

其中ts字段就是埋点事件的时间戳（毫秒）。在Flink 1.9时代，用CREATE TABLE语句创建流表时是无法指定事件时间的，只能默认用处理时间。而在Flink 1.10下，可以这样写。

CREATE TABLE rtdw.ods.streaming_user_active_log (
  eventType STRING COMMENT '...',
  userId STRING,
  shareUserId STRING,
  platform STRING,
  columnType STRING,
  merchandiseId STRING,
  fromType STRING,
  siteId STRING,
  categoryId STRING,
  ts BIGINT,
  procTime AS PROCTIME(), -- 处理时间
  eventTime AS TO_TIMESTAMP(FROM_UNIXTIME(ts / 1000, 'yyyy-MM-dd HH:mm:ss')), -- 事件时间
  WATERMARK FOR eventTime AS eventTime - INTERVAL '10' SECOND -- 水印
) WITH (
  'connector.type' = 'kafka',
  'connector.version' = '0.11',
  'connector.topic' = 'ng_log_par_extracted',
  'connector.startup-mode' = 'latest-offset', -- 指定起始offset位置
  'connector.properties.zookeeper.connect' = 'zk109:2181,zk110:2181,zk111:2181',
  'connector.properties.bootstrap.servers' = 'kafka112:9092,kafka113:9092,kafka114:9092',
  'connector.properties.group.id' = 'rtdw_group_test_1',
  'format.type' = 'json',
  'format.derive-schema' = 'true', -- 由表schema自动推导解析JSON
  'update-mode' = 'append'
)

Flink SQL引入了计算列（computed column）的概念，其语法为column_name AS computed_column_expression，它的作用是在表中产生数据源schema不存在的列，并且可以利用原有的列、各种运算符及内置函数。比如在以上SQL语句中，就利用内置的PROCTIME()函数生成了处理时间列，并利用原有的ts字段与FROM_UNIXTIME()、TO_TIMESTAMP()两个时间转换函数生成了事件时间列。

为什么ts字段不能直接用作事件时间呢？因为Flink SQL规定时间特征必须是TIMESTAMP(3)类型，即形如"yyyy-MM-ddTHH:mm:ssZ"格式的字符串，Unix时间戳自然是不行的，所以要先转换一波。

既然有了事件时间，那么自然要有水印。Flink SQL引入了WATERMARK FOR rowtime_column_name AS watermark_strategy_expression的语法来产生水印，有以下两种通用的做法：

• 单调不减水印（对应DataStream API的AscendingTimestampExtractor）

WATERMARK FOR rowtime_column AS rowtime_column - INTERVAL '0.001' SECOND

• 有界乱序水印（对应DataStream API的BoundedOutOfOrdernessTimestampExtractor）

WATERMARK FOR rowtime_column AS rowtime_column - INTERVAL 'n' TIME_UNIT

上文的SQL语句中就是设定了10秒的乱序区间。如果看官对水印、AscendingTimestampExtractor和BoundedOutOfOrdernessTimestampExtractor不熟的话，可以参见之前的这篇，就能理解为什么会是这样的语法了。

下面来正式建表。

    val createTableSql =
      """
        |上文的SQL语句
        |......
      """.stripMargin
    tableEnv.sqlUpdate(createTableSql)

执行完毕后，我们还可以去到Hive执行DESCRIBE FORMATTED ods.streaming_user_active_log语句，能够发现该表并没有事实上的列，而所有属性（包括schema、connector、format等等）都作为元数据记录在了Hive Metastore中。

Flink SQL创建的表都会带有一个标记属性is_generic=true，图中未示出。

开窗计算PV、UV

用30秒的滚动窗口，按事件类型来分组，查询语句如下。

SELECT eventType,
TUMBLE_START(eventTime, INTERVAL '30' SECOND) AS windowStart,
TUMBLE_END(eventTime, INTERVAL '30' SECOND) AS windowEnd,
COUNT(userId) AS pv,
COUNT(DISTINCT userId) AS uv
FROM rtdw.ods.streaming_user_active_log
WHERE platform = 'xyz'
GROUP BY eventType, TUMBLE(eventTime, INTERVAL '30' SECOND)

关于窗口在SQL里的表达方式请参见官方文档。1.10版本SQL的官方文档写的还是比较可以的。

懒得再输出到一个结果表了，直接转换成流打到屏幕上。

    val queryActiveSql =
      """
        |......
        |......
      """.stripMargin
    val result = tableEnv.sqlQuery(queryActiveSql)

    result
        .toAppendStream[Row]
        .print()
        .setParallelism(1)

敏感数据较多，就不截图了。民那晚安。