Flink SQL TopN语句详解

TopN 定义（⽀持 Batch\Streaming）： TopN 对应离线数仓的 row_number()，使⽤ row_number() 对某⼀个分组的数据进⾏排序。

应⽤场景： 根据 某个排序 条件，计算 某个分组 下的排⾏榜数据。

SQL 语法标准：

SELECT [column_list]
FROM (
 SELECT [column_list],
 ROW_NUMBER() OVER ([PARTITION BY col1[, col2...]]
 ORDER BY col1 [asc|desc][, col2 [asc|desc]...]) AS rownum
 FROM table_name)
WHERE rownum <= N [AND conditions];

• ROW_NUMBER() ：标识 TopN 排序⼦句；
• PARTITION BY col1[, col2…] ：标识分区字段，代表按照这个 col 字段作为分区粒度对数据排序取 topN，下述案例中的 partition by key ，根据需求中的搜索关键词（key）做为分区；
• ORDER BY col1 [asc|desc][, col2 [asc|desc]…] ：标识 TopN 的排序规则，是按照哪些字段、顺序或逆序进⾏排序；
• WHERE rownum <= N ：这个⼦句是必须的，加上这个⼦句，Flink 才能将其识别为 TopN 查询，其中 N 代表 TopN 的条⽬数；
• [AND conditions] ：其他的限制条件也可以加上。

实际案例： 取某个搜索关键词下的搜索热度前 10 名的词条数据。

输⼊数据为搜索词条数据的搜索热度数据，当搜索热度发⽣变化时，会将变化后的数据写⼊到数据源的 Kafka 中：

数据源 schema：

-- 字段名 备注
-- key 搜索关键词
-- name 搜索热度名称
-- search_cnt 热搜消费热度（⽐如 3000）
-- timestamp 消费词条时间戳
CREATE TABLE source_table (
 name STRING NOT NULL,
 search_cnt BIGINT NOT NULL,
 key STRING NOT NULL,
 row_time timestamp(3),
 WATERMARK FOR row_time AS row_time
) WITH (
 'connector' = 'filesystem', 
 'path' = 'file:///Users/hhx/Desktop/source_table.csv',
 'format' = 'csv'
);

A,100,a,2021-11-01 00:01:03
A,200,a,2021-11-02 00:01:03
A,300,a,2021-11-03 00:01:03
B,200,b,2021-11-01 00:01:03
B,300,b,2021-11-02 00:01:03
B,400,b,2021-11-03 00:01:03
C,300,c,2021-11-01 00:01:03
C,400,c,2021-11-02 00:01:03
C,500,c,2021-11-03 00:01:03
D,400,d,2021-11-01 00:01:03
D,500,d,2021-11-02 00:01:03
D,600,d,2021-11-03 00:01:03

-- 数据汇 schema：
-- key 搜索关键词
-- name 搜索热度名称
-- search_cnt 热搜消费热度（⽐如 3000）
-- timestamp 消费词条时间戳
CREATE TABLE sink_table (
 key BIGINT,
 name BIGINT,
 search_cnt BIGINT,
 `timestamp` TIMESTAMP(3)
) WITH (
 ...
);

-- DML 逻辑
INSERT INTO sink_table
SELECT key, name, search_cnt, row_time as `timestamp`
FROM (
 SELECT key, name, search_cnt, row_time, 
 -- 根据热搜关键词 key 作为 partition key，然后按照 search_cnt 倒排取前 2 名
 ROW_NUMBER() OVER (PARTITION BY key ORDER BY search_cnt desc) AS rownum
 FROM source_table)
WHERE rownum <= 2

输出结果：

注意： 包含回撤流。

上⾯ SQL 会翻译成以下三个算⼦

数据源 ：数据源即最新的词条下⾯的搜索词的搜索热度数据，消费到 Kafka 中数据后，按照 partition key 将数据进⾏ hash 分发到下游排序算⼦，相同的 key 数据将会发送到⼀个并发中；

排序算⼦ ：为每个 Key 维护了⼀个 TopN 的榜单数据，接受到上游的⼀条数据后，如果 TopN 榜单还没有到达 N 条，则将这条数据加⼊ TopN 榜单后，直接下发数据，如果到达 N 条之后，经过 TopN 计算，发现这条数据⽐原有的数据排序靠前，那么新的 TopN 排名就会有变化，就变化了的这部分数据，之前下发的排名数据被撤回（即回撤数据），然后下发新的排名数据；

数据汇 ：接收到上游的数据之后，然后输出到外部存储引擎中。