0


【Flink SQL】Flink SQL 基础概念(一):SQL & Table 运行环境、基本概念及常用 API

Flink SQL 基础概念》系列,共包含以下 5 篇文章:

  • Flink SQL 基础概念(一):SQL & Table 运行环境、基本概念及常用 API
  • Flink SQL 基础概念(二):数据类型
  • Flink SQL 基础概念(三):SQL 动态表 & 连续查询
  • Flink SQL 基础概念(四):SQL 的时间属性
  • Flink SQL 基础概念(五):SQL 时区问题

😊 如果您觉得这篇文章有用 ✔️ 的话,请给博主一个一键三连 🚀🚀🚀 吧 (点赞 🧡、关注 💛、收藏 💚)!!!您的支持 💖💖💖 将激励 🔥 博主输出更多优质内容!!!

Flink SQL 基础概念(一):SQL & Table 运行环境、基本概念及常用 API 

1.SQL & Table 简介及运行环境

1.1 简介

Apache Flink 提供了两种关系型 API 用于统一流和批处理,Table 和 SQL API。

Table API 是一种集成在 Java、Scala 和 Python 语言中的查询 API,简单理解就是用 Java、Scala、Python 按照 SQL 的查询接口封装了一层 lambda 表达式的查询 API,它允许以强类型接口的方式组合各种关系运算符(如选择、筛选和联接)的查询操作,然后生成一个 Flink 任务运行。如下案例所示:

importorg.apache.flink.table.api.*;importstaticorg.apache.flink.table.api.Expressions.*;EnvironmentSettings settings =EnvironmentSettings.newInstance().inStreamingMode().build();TableEnvironment tEnv =TableEnvironment.create(settings);// 下面就是 Table API 的案例,其语义等同于// select a, count(b) as cnt // from Orders// group by aDataSet<Row> result = tEnv
        .from("Orders").groupBy($("a")).select($("a"), $("b").count().as("cnt")).toDataSet(counts,Row.class);

result.print();

SQL API 是基于 SQL 标准的 Apache Calcite 框架实现的,我们可以使用纯 SQL 来开发和运行一个 Flink 任务。如下案例所示:

insertinto target
select a,count(b)as cnt
from Orders
groupby a

注意:无论输入是连续(流处理)还是有界(批处理),在 Table 和 SQL 任一 API 中同一条查询语句是具有相同的语义并且会产出相同的结果的。这就是说为什么 Flink SQL 和 Table API 可以做到在用户接口层面的流批统一。xdm,用一套 SQL 既能跑流任务,也能跑批任务,它不香嘛?

Table API 和 SQL API 也与 DataStream API 做到了无缝集成。可以轻松地在三种 API 之间灵活切换。例如,可以使用 SQL 的

MATCH_RECOGNIZE

子句匹配出异常的数据,然后使用再转为 DataStream API 去灵活的构建针对于异常数据的自定义报警机制。

在大致了解了这两个 API 是干啥的之后,我们就可以直接来看看,怎么使用这两个 API 了。

1.2 SQL 和 Table API 运行环境依赖

根据小伙伴们使用的编程语言的不同(Java 或 Scala),需要将对应的依赖包添加到项目中。

Java 依赖如下:

<dependency><groupId>org.apache.flink</groupId><artifactId>flink-table-api-java-bridge_2.11</artifactId><version>1.13.5</version></dependency><dependency><groupId>org.apache.flink</groupId><artifactId>flink-table-planner-blink_2.11</artifactId><version>1.13.5</version></dependency><dependency><groupId>org.apache.flink</groupId><artifactId>flink-streaming-java_2.11</artifactId><version>1.13.5</version></dependency><dependency><groupId>org.apache.flink</groupId><artifactId>flink-table-common</artifactId><version>1.13.5</version></dependency>

Scala 依赖如下:

<dependency><groupId>org.apache.flink</groupId><artifactId>flink-table-api-scala-bridge_2.11</artifactId><version>1.13.5</version></dependency><dependency><groupId>org.apache.flink</groupId><artifactId>flink-table-planner-blink_2.11</artifactId><version>1.13.5</version><scope>provided</scope></dependency><dependency><groupId>org.apache.flink</groupId><artifactId>flink-streaming-scala_2.11</artifactId><version>1.13.5</version><scope>provided</scope></dependency><dependency><groupId>org.apache.flink</groupId><artifactId>flink-table-common</artifactId><version>1.13.5</version></dependency>

引入上述依赖之后,小伙伴萌就可以开始使用 Table / SQL API 了。具体案例如下文所示。

2.SQL & Table 的基本概念及常用 API

在小伙伴萌看下文之前,先看一下整体的思路,跟着博主思路走,会更清晰:

  • 先通过一个 SQL / Table API 任务看一下我们在实际开发时的代码结构应该长啥样,让大家能有直观的感受。
  • 重点介绍 SQL / Table API 中核心 API - TableEnvironment。SQL / Table 所有能用的接口都在 TableEnvironment 中。
  • 通过两个角度(外部表 / 视图、临时 / 非临时)认识 Flink SQL 体系中的表的概念。
  • 举几个创建外部表、视图的实际应用案例。

2.1 一个 SQL / Table API 任务的代码结构

// 创建一个 TableEnvironment,为后续使用 SQL 或者 Table API 提供上线EnvironmentSettings settings =EnvironmentSettings.newInstance().inStreamingMode()// 声明为流任务//.inBatchMode() // 声明为批任务.build();TableEnvironment tEnv =TableEnvironment.create(settings);// 创建一个输入表
tableEnv.executeSql("CREATE TEMPORARY TABLE table1 ... WITH ( 'connector' = ... )");// 创建一个输出表
tableEnv.executeSql("CREATE TEMPORARY TABLE outputTable ... WITH ( 'connector' = ... )");// 1. 使用 Table API 做一个查询并返回 TableTable table2 = tableEnv.from("table1").select(...);// 2. 使用 SQl API 做一个查询并返回 TableTable table3 = tableEnv.sqlQuery("SELECT ... FROM table1 ... ");// 将 table2 的结果使用 Table API 写入 outputTable 中,并返回结果TableResult tableResult = table2.executeInsert("outputTable");
tableResult...

总结一下上面案例使用到的一些 API,让大家先对 Table / SQL API 的能力有一个大概了解:

  • TableEnvironment:Table API 和 SQL API 的都集成在一个 统一上下文(即 TableEnvironment)中,其地位等同于 DataStream API 中的 StreamExecutionEnvironment 的地位
  • TableEnvironment::executeSql:用于 SQL API 中,可以执行一段完整 DDL、DML SQL。举例,方法入参可以是 CREATE TABLE xxxINSERT INTO xxx SELECT xxx FROM xxx
  • TableEnvironment::from(xxx):用于 Table API 中,可以以强类型接口的方式运行。方法入参是一个表名称。
  • TableEnvironment::sqlQuery:用于 SQL API 中,可以执行一段查询 SQL,并把结果以 Table 的形式返回。举例,方法的入参是 SELECT xxx FROM xxx
  • Table::executeInsert:用于将 Table 的结果插入到结果表中。方法入参是写入的目标表。

无论是对于 SQL API 来说还是对于 Table API 来说,都是使用

TableEnvironment

接口承载我们的业务查询逻辑的。只是在用户的使用接口的方式上有区别,以上述的 Java 代码为例,Table API 其实就是模拟 SQL 的查询方式封装了 Java 语言的 lambda 强类型 API,SQL 就是纯 SQL 查询。Table 和 SQL 很多时候都是掺杂在一起的,大家理解的时候就可以直接将 Table 和 SQL API 直接按照 SQL 进行理解,不用强行做特殊的区分。

而且博主推荐的话,直接上 SQL API 就行,其实 Table API 在企业实战中用的不是特别多。你说 Table API 方便吧,它确实比 DataStream API 方便,但是又比 SQL 复杂。一般生产使用不多。

注意:由于 Table 和 SQL API 基本上属于一回事,后续如果没有特别介绍的话,博主就直接按照 SQL API 进行介绍了。

2.2 SQL 上下文:TableEnvironment

TableEnvironment

是使用 SQL API 永远都离不开的一个接口。其是 SQL API 使用的入口(上下文),就像是你要使用 Java DataStream API 去写一个 Flink 任务需要使用到

StreamExecutionEnvironment

一样。

可以认为

TableEnvironment

在 SQL API 中的地位和

StreamExecutionEnvironment

在 DataStream 中的地位是一样的,都是包含了一个 Flink 任务运行时的所有上下文环境信息。大家这样对比学习会比较好理解。

TableEnvironment

包含的功能如下:

  • Catalog 管理Catalog 可以理解为 Flink 的 MetaStore,类似 Hive MetaStore 对在 Hive 中的地位,关于 Flink Catalog 的详细内容后续进行介绍。
  • 表管理:在 Catalog 中注册表。
  • SQL 查询:(这 TMD 还用说,最基本的功能啊),就像 DataStream 中提供了 addSourcemapflatmap 等接口。
  • UDF 管理:注册用户定义(标量函数:一进一出、表函数:一进多出、聚合函数:多进一出)函数。
  • UDF 扩展:加载可插拔 Module(Module 可以理解为 Flink 管理 UDF 的模块,是可插拔的,可以让小伙伴萌自定义 Module,去支持奇奇怪怪的 UDF 功能)。

DataStream 和 Table(Table / SQL API 的查询结果)之间进行转换:目前

     1.13 
    
   
  
    1.13 
   
  
1.13 版本的只有流任务支持,批任务不支持。 
 
  
   
   
     1.14 
    
   
  
    1.14 
   
  
1.14 支持批任务。

接下来介绍如何创建一个

TableEnvironment

。案例为 Java。

  • 方法 1:通过 EnvironmentSettings 创建 TableEnvironment
importorg.apache.flink.table.api.EnvironmentSettings;importorg.apache.flink.table.api.TableEnvironment;// 1. 就是设置一些环境信息EnvironmentSettings settings =EnvironmentSettings.newInstance().inStreamingMode()// 声明为流任务//.inBatchMode() // 声明为批任务.build();// 2. 创建 TableEnvironmentTableEnvironment tEnv =TableEnvironment.create(settings);

     1.13 
    
   
  
    1.13 
   
  
1.13 版本中:
  • 如果你是 inStreamingMode,则最终创建出来的 TableEnvironment 实例为 StreamTableEnvironmentImpl
  • 如果你是 inBatchMode,则最终创建出来的 TableEnvironment 实例为 TableEnvironmentImpl

它两虽然都继承了

TableEnvironment

接口,但是

StreamTableEnvironmentImpl

支持的功能更多一些。大家可以直接去看看接口实验一下,这里就不进行详细介绍。

  • 方法 2:通过已有的 StreamExecutionEnvironment 创建 TableEnvironment
importorg.apache.flink.streaming.api.environment.StreamExecutionEnvironment;importorg.apache.flink.table.api.bridge.java.StreamTableEnvironment;StreamExecutionEnvironment env =StreamExecutionEnvironment.getExecutionEnvironment();StreamTableEnvironment tEnv =StreamTableEnvironment.create(env);

2.3 SQL 中表的概念(外部表 TABLE、视图 VIEW)

一个表的全名(标识)会由三个部分组成:Catalog 名称.数据库名称.表名称。如果 Catalog 名称或者数据库名称没有指明,就会使用当前默认值

default

举个例子,下面这个 SQL 创建的 Table 的全名为

default.default.table1

tableEnv.executeSql("CREATE TEMPORARY TABLE table1 ... WITH ( 'connector' = ... )");

下面这个 SQL 创建的 Table 的全名为

default.mydatabase.table1

tableEnv.executeSql("CREATE TEMPORARY TABLE mydatabase.table1 ... WITH ( 'connector' = ... )");

可以是 常规的(外部表 TABLE),也可以是 虚拟的(视图 VIEW)。

  • 外部表 TABLE:描述的是外部数据,例如文件(HDFS)、消息队列(Kafka)等。依然拿离线 Hive SQL 举个例子,离线中一个表指的是 Hive 表,也就是所说的外部数据。
  • 视图 VIEW:从已经存在的表中创建,视图一般是一个 SQL 逻辑的查询结果。对比到离线的 Hive SQL 中,在离线的场景(Hive 表)中 VIEW 也都是从已有的表中去创建的。其实 Flink 也是一样的。

注意:这里有不同的地方就是,离线 Hive MetaStore 中不会有 Catalog 这个概念,其标识都是 数据库.数据表

2.4 SQL 临时表、永久表

  • 表(视图、外部表)可以是 临时的,并与单个 Flink Session(可以理解为 Flink 任务运行一次就是一个 Session)的生命周期绑定。
  • 表(视图、外部表)也可以是 永久的,并且对多个 Flink Session 都生效。

临时表:通常保存于内存中并且仅在创建它们的 Flink Session(可以理解为一次 Flink 任务的运行)持续期间存在。这些表对于其它 Session(即其他 Flink 任务或非此次运行的 Flink 任务)是不可见的。因为这个表的元数据没有被持久化。如下案例:

-- 临时外部表CREATETEMPORARYTABLE source_table (
    user_id BIGINT,`name` STRING
)WITH('connector'='user_defined','format'='json','class.name'='flink.examples.sql._03.source_sink.table.user_defined.UserDefinedSource');-- 临时视图CREATETEMPORARYVIEW query_view asSELECT*FROM source_table;

永久表:需要外部 Catalog(例如 Hive Metastore)来持久化表的元数据。一旦永久表被创建,它将对任何连接到这个 Catalog 的 Flink Session 可见且持续存在,直至从 Catalog 中被明确删除。如下案例:

-- 永久外部表。需要外部 Catalog 持久化!!!CREATETABLE source_table (
    user_id BIGINT,`name` STRING
)WITH('connector'='user_defined','format'='json','class.name'='flink.examples.sql._03.source_sink.table.user_defined.UserDefinedSource');-- 永久视图。需要外部 Catalog 持久化!!!CREATEVIEW query_view asSELECT*FROM source_table;

🚀 注意:如果临时表和永久表使用了相同的名称(Catalog名.数据库名.表名)。那么在这个 Flink Session 中,你的任务访问到这个表时,访问到的永远是临时表(即 相同名称的表,临时表会屏蔽永久表)。

2.5 SQL 外部数据表

由于目前在实时数据的场景中多以消息队列作为数据表。此处就以 Kafka 为例创建一个外部数据表。

2.5.1 Table API 创建外部数据表

publicstaticvoidmain(String[] args)throwsException{StreamExecutionEnvironment env =StreamExecutionEnvironment.createLocalEnvironmentWithWebUI(newConfiguration());EnvironmentSettings settings =EnvironmentSettings.newInstance().useBlinkPlanner().inStreamingMode().build();StreamTableEnvironment tEnv =StreamTableEnvironment.create(env, settings);// kafka 数据源DataStream<Row> r = env.addSource(newFlinkKafkaConsumer<Row>(xxx));// 将 DataStream 转为一个 Table API 中的 Table 对象进行使用Table sourceTable = tEnv.fromDataStream(r
            ,Schema.newBuilder().column("f0","string").column("f1","string").column("f2","bigint").columnByExpression("proctime","PROCTIME()").build());

    tEnv.createTemporaryView("source_table", sourceTable);String selectWhereSql ="select f0 from source_table where f1 = 'b'";Table resultTable = tEnv.sqlQuery(selectWhereSql);

    tEnv.toRetractStream(resultTable,Row.class).print();

    env.execute();}

上述案例中,Table API 将一个 DataStream 的结果集通过

StreamTableEnvironment::fromDataStream

转为一个 Table 对象来使用。

2.5.2 SQL API 创建外部数据表

EnvironmentSettings settings =EnvironmentSettings.newInstance().useBlinkPlanner().inStreamingMode().build();StreamTableEnvironment tEnv =StreamTableEnvironment.create(env, settings);// SQL API 执行 create table 创建表
tEnv.executeSql("CREATE TABLE KafkaSourceTable (\n"+"  `f0` STRING,\n"+"  `f1` STRING\n"+") WITH (\n"+"  'connector' = 'kafka',\n"+"  'topic' = 'topic',\n"+"  'properties.bootstrap.servers' = 'localhost:9092',\n"+"  'properties.group.id' = 'testGroup',\n"+"  'format' = 'json'\n"+")");Table t = tEnv.sqlQuery("SELECT * FROM KafkaSourceTable");

具体的创建方式就是使用

Create Table xxx DDL

定义一个 Kafka 数据源(输入)表(也可以是 Kafka 数据汇(输出)表)。

xdm,是不是又和 Hive 一样?惊不惊喜意不意外。对比学习 +1。

2.6 SQL 视图 VIEW

上文已经说了,一个 VIEW 其实就是一段 SQL 逻辑的查询结果。

视图 VIEW 在 Table API 中的体现就是:一个 Table 的 Java 对象,其封装了一段查询逻辑。如下案例所示。

2.6.1 Table API 创建 VIEW

importorg.apache.flink.table.api.EnvironmentSettings;importorg.apache.flink.table.api.TableEnvironment;EnvironmentSettings settings =EnvironmentSettings.newInstance().inStreamingMode()// 声明为流任务.build();TableEnvironment tEnv =TableEnvironment.create(settings);// Table API 中的一个 Table 对象Table projTable = tEnv.from("X").select(...);// 将 projTable 创建为一个叫做 projectedTable 的 VIEW
tEnv.createTemporaryView("projectedTable", projTable);

Table API 是使用了

TableEnvironment::createTemporaryView

接口将一个 Table 对象创建为一个 VIEW。

2.6.2 SQL API 创建 VIEW

importorg.apache.flink.table.api.EnvironmentSettings;importorg.apache.flink.table.api.TableEnvironment;EnvironmentSettings settings =EnvironmentSettings.newInstance().inStreamingMode()// 声明为流任务.build();TableEnvironment tEnv =TableEnvironment.create(settings);String sql ="CREATE TABLE source_table (\n"+"    user_id BIGINT,\n"+"    `name` STRING\n"+") WITH (\n"+"  'connector' = 'user_defined',\n"+"  'format' = 'json',\n"+"  'class.name' = 'flink.examples.sql._03.source_sink.table.user_defined.UserDefinedSource'\n"+");\n"+"\n"+"CREATE TABLE sink_table (\n"+"    user_id BIGINT,\n"+"    name STRING\n"+") WITH (\n"+"  'connector' = 'print'\n"+");\n"+"CREATE VIEW query_view as\n"// 创建 VIEW+"SELECT\n"+"    *\n"+"FROM source_table\n"+";\n"+"INSERT INTO sink_table\n"+"SELECT\n"+"    *\n"+"FROM query_view;";Arrays.stream(sql.split(";")).forEach(tEnv::executeSql);

SQL API 是直接通过一段

CREATE VIEW query_view as select * from source_table

来创建的 VIEW,是纯 SQL 写法。

这种创建方式是不是贼熟悉,和离线 Hive 一样。对比学习 +1。

🚀 注意:在 Table API 中的一个 Table 对象被后续的多个查询使用的场景下,Table 对象不会真的产生一个中间表供下游多个查询去引用,即多个查询不共享这个 Table 的结果,小伙伴萌可以理解为是一种中间表的简化写法,不会先产出一个中间表结果,然后将这个结果在下游多个查询中复用,后续的多个查询会将这个 Table 的逻辑执行多次。类似于

with tmp as (DML)

的语法

2.7 一个 SQL 查询案例

来看看一个 SQL 查询案例。

  • 案例场景:计算每一种商品(sku_id 唯一标识)的售出个数、总销售额、平均销售额、最低价、最高价。
  • 数据准备:数据源为商品的销售流水(sku_id:商品,price:销售价格),然后写入到 Kafka 的指定 topic 当中(sku_id:商品,count_result:售出个数、sum_result:总销售额、avg_result:平均销售额、min_result:最低价、max_result:最高价)。
EnvironmentSettings settings =EnvironmentSettings.newInstance().inStreamingMode()// 声明为流任务//.inBatchMode() // 声明为批任务.build();TableEnvironment tEnv =TableEnvironment.create(settings);// 1. 创建一个数据源(输入)表,这里的数据源是 flink 自带的一个随机 mock 数据的数据源。String sourceSql ="CREATE TABLE source_table (\n"+"    sku_id STRING,\n"+"    price BIGINT\n"+") WITH (\n"+"  'connector' = 'datagen',\n"+"  'rows-per-second' = '1',\n"+"  'fields.sku_id.length' = '1',\n"+"  'fields.price.min' = '1',\n"+"  'fields.price.max' = '1000000'\n"+")";// 2. 创建一个数据汇(输出)表,输出到 kafka 中String sinkSql ="CREATE TABLE sink_table (\n"+"    sku_id STRING,\n"+"    count_result BIGINT,\n"+"    sum_result BIGINT,\n"+"    avg_result DOUBLE,\n"+"    min_result BIGINT,\n"+"    max_result BIGINT,\n"+"    PRIMARY KEY (`sku_id`) NOT ENFORCED\n"+") WITH (\n"+"  'connector' = 'upsert-kafka',\n"+"  'topic' = 'tuzisir',\n"+"  'properties.bootstrap.servers' = 'localhost:9092',\n"+"  'key.format' = 'json',\n"+"  'value.format' = 'json'\n"+")";// 3. 执行一段 group by 的聚合 SQL 查询String selectWhereSql ="insert into sink_table\n"+"select sku_id,\n"+"       count(*) as count_result,\n"+"       sum(price) as sum_result,\n"+"       avg(price) as avg_result,\n"+"       min(price) as min_result,\n"+"       max(price) as max_result\n"+"from source_table\n"+"group by sku_id";

tEnv.executeSql(sourceSql);
tEnv.executeSql(sinkSql);
tEnv.executeSql(selectWhereSql);

2.8 SQL 与 DataStream API 的转换

大家会比较好奇,要写 SQL 就纯 SQL 呗,要写 DataStream 就纯 DataStream 呗,为啥还要把这两类接口做集成呢?

博主举一个案例:在 PDD 这种发补贴券的场景下,希望可以在发的补贴券总金额超过

     10000 
    
   
  
    10000 
   
  
10000 元时,及时报警出来,来帮助控制预算,防止发的太多。

对应的解决方案,我们可以想到使用 SQL 计算补贴券发放的结果,但是 SQL 的问题在于无法做到报警。所以我们可以将 SQL 的查询的结果(即 Table 对象)转为 DataStream,然后就可以在 DataStream 后自定义报警逻辑的算子。

我们直接上 SQL 和 DataStream API 互相转化的案例:

publicstaticvoidmain(String[] args)throwsException{FlinkEnv flinkEnv =FlinkEnvUtils.getStreamTableEnv(args);// 1. pdd 发补贴券流水数据String createTableSql ="CREATE TABLE source_table (\n"+"    id BIGINT,\n"-- 补贴券的流水 id
            +"    money BIGINT,\n"-- 补贴券的金额
            +"    row_time AS cast(CURRENT_TIMESTAMP as timestamp_LTZ(3)),\n"+"    WATERMARK FOR row_time AS row_time - INTERVAL '5' SECOND\n"+") WITH (\n"+"  'connector' = 'datagen',\n"+"  'rows-per-second' = '1',\n"+"  'fields.id.min' = '1',\n"+"  'fields.id.max' = '100000',\n"+"  'fields.money.min' = '1',\n"+"  'fields.money.max' = '100000'\n"+")\n";// 2. 计算总计发放补贴券的金额String querySql ="SELECT UNIX_TIMESTAMP(CAST(window_end AS STRING)) * 1000 as window_end, \n"+"      window_start, \n"+"      sum(money) as sum_money,\n"-- 补贴券的发放总金额
            +"      count(distinct id) as count_distinct_id\n"+"FROM TABLE(CUMULATE(\n"+"         TABLE source_table\n"+"         , DESCRIPTOR(row_time)\n"+"         , INTERVAL '5' SECOND\n"+"         , INTERVAL '1' DAY))\n"+"GROUP BY window_start, \n"+"        window_end";

    flinkEnv.streamTEnv().executeSql(createTableSql);Table resultTable = flinkEnv.streamTEnv().sqlQuery(querySql);// 3. 将金额结果转为 DataStream,然后自定义超过 1w 的报警逻辑
    flinkEnv.streamTEnv().toDataStream(resultTable,Row.class).flatMap(newFlatMapFunction<Row,Object>(){@OverridepublicvoidflatMap(Row value,Collector<Object> out)throwsException{long l =Long.parseLong(String.valueOf(value.getField("sum_money")));if(l >10000L){
                        log.info("报警,超过 1w");}}});

    flinkEnv.env().execute();}

目前在

     1.13 
    
   
  
    1.13 
   
  
1.13 版本中,Flink 对于 Table 和 DataStream 的转化是有一些限制的:上面的案例可以看到,Table 和 DataStream 之间的转换目前只有 
StreamTableEnvironment::toDataStream

StreamTableEnvironment::fromDataStream

接口支持。

所以其实小伙伴萌可以理解为只有流任务才支持 Table 和 DataStream 之间的转换,批任务是不支持的(虽然可以使用流执行模式处理有界流 - 批数据,也就是模拟按照批执行,但效率较低,这种骚操作不建议大家搞)。

那什么时候才能支持批任务的 Table 和 DataStream 之间的转换呢?

     1.14 
    
   
  
    1.14 
   
  
1.14 版本支持。 
 
  
   
   
     1.14 
    
   
  
    1.14 
   
  
1.14 版本中,流和批的都统一到了 
StreamTableEnvironment

中,因此就可以做 Table 和 DataStream 的互相转换了。


本文转载自: https://blog.csdn.net/be_racle/article/details/136637091
版权归原作者 G皮T 所有, 如有侵权,请联系我们删除。

“【Flink SQL】Flink SQL 基础概念(一):SQL & Table 运行环境、基本概念及常用 API”的评论:

还没有评论