滚动策略分区提交，我来为大家科普一下关于flink sql 实现原理?下面希望有你要的答案，我们一起来看看吧!
flink sql 实现原理
滚动策略
分区提交
完整示例
flink提供了一个file system connector，可以使用DDL创建一个table，然后使用sql的方法写入数据，支持的写入格式包括json、csv、avro、parquet、orc。
一个最简单的DDL如下：
CREATETABLEfs_table(
user_idSTRING,
order_amountDouble,
dtSTRING,
hstring,
mstring
)PARTITIONEDBY(dt,h,m)WITH(
'connector'='filesystem',
'path'='file:///tmp/abc',
'format'='orc'
);
下面我们简单的介绍一下相关的概念和如何使用。
滚动策略Key Default Type Description sink.rolling-policy.file-size 128MB MemorySize 分区文件的最大值，超过这个大小，将会启动一个新文件。 sink.rolling-policy.rollover-interval 30 m Duration 分区文件滚动的最大时间间隔，超过这个时间，将会新启动一个文件 sink.rolling-policy.check-interval 1 m Duration 一个时间间隔，定期去检查上面那个配置指定的策略下，文件是否应该滚动生成新文件.
在写入列格式（比如parquet、orc）的时候，上述的配置和checkpoint的间隔一起来控制滚动策略，也就是说sink.rolling-policy.file-size、sink.rolling-policy.rollover-interval、checkpoint间隔，这三个选项，只要有一个条件达到了，然后就会触发分区文件的滚动，结束上一个文件的写入，生成新文件。
对于写入行格式的数据，比如json、csv，主要是靠sink.rolling-policy.file-size、sink.rolling-policy.rollover-interval，也就是文件的大小和时间来控制写入数据的滚动策略.
分区提交在往一个分区写完了数据之后，我们希望做一些工作来通知下游。比如在分区目录写一个SUCCESS文件，或者是对于hive来说，去更新metastore的数据，自动刷新一下分区等等。 分区的提交主要依赖于触发器和提交的策略：
触发器：即什么时候触发分区的提交，
提交策略：也就是分区写完之后我们做什么，目前系统提供了两种内置策略：1.往分区目录写一个空SUCCESS文件；2.更新元数据.
分区提交触发器
key default type 解释 sink.partition-commit.trigger process-time String 触发器的类型，目前系统提供了两种：process-time 和 partition-time，如果选择了process-time，则当系统时间大于processtime的时候触发提交，如果选择了partition-time，则需要先从分区字段里面抽取分区时间的开始时间，然后当水印大于这个分区时间的时候触发分区的提交. sink.partition-commit.delay 0 s Duration 提交分区的延迟时间
process-time. 这种提交方式依赖于系统的时间，一旦遇到数据延迟等情况，会造成分区和分区的数据不一致。
partition-time ：这种情况需要从分区字段里抽取出来相应的pattern，具体可参考下一个段落分区的抽取。
sink.partition-commit.delay：一旦这个数值设置不为0，则在process-time情况下，当系统时间大于分区创建时间加上delay延迟，会触发分区提交； 如果是在partition-time 情况下，则需要水印大于分区创建时间加上delay时间，会触发分区提交.
第一个参数process-time、partition-time，我们不用做过多的解释，就类似于flink中的processtime和eventtime。
第二个参数sink.partition-commit.delay我们用实际案例解释下： 比如我们配置的是分区是/yyyy-MM-dd/HH/,写入的是ORC列格式，checkpoint配置的间隔是一分钟，也就是默认情况下会每分钟生成一个orc文件，最终会在每个分区(/yyyy-MM-dd/HH/)下面生成60个orc文件。
比如当前系统正在写入/day=2020-07-06/h=10/分区的数据，那么这个分区的创建时间是2020-07-06 10:00:00，如果这个delay配置采用的是默认值，也就是0s，这个时候当写完了一个ORC文件，也就是2020-07-06 10:01:00分钟的时候，就会触发分区提交，比如更新hive的元数据，这个时候我们去查询hive就能查到刚刚写入的文件；如果我们想/day=2020-07-06/h=10/这个分区的60个文件都写完了再更新分区，那么我们可以将这个delay设置成 1h，也就是等到2020-07-06 11:00:00的时候才会触发分区提交，我们才会看到/2020-07-06/10/分区下面的所有数据
分区时间的抽取
从分区值里抽取分区时间，我们可以理解为上面触发器参数配置为partition-time的时候，分区的创建时间，当水印大于这个时间 delay的时候触发分区的提交.
Key Default Type 解释 partition.time-extractor.kind default String 抽取分区的方式，目前有default和custom两种，如果是default，需要配置partition.time-extractor.timestamp-pattern，如果是custom，需要配置自定义class partition.time-extractor.class null String 自定义class partition.time-extractor.timestamp-pattern null String 从分区值中抽取时间戳的模式，需要组织成yyyy-MM-dd HH:mm:ss格式，比如 对于上面我们提到的分区/yyyy-MM-dd/HH/，其中两个分区字段对应的字段名分为是dt和hour，那么我们这个timestamp-pattern 可以配置成'hour:00:00'
自定义抽取分区时间的话，需要实现PartitionTimeExtractor接口：
publicinterfacePartitionTimeExtractorextendsSerializable{
StringDEFAULT="default";
StringCUSTOM="custom";
/**
*Extracttimefrompartitionkeysandvalues.
*/
LocalDateTimeextract(List<String>partitionKeys,List<String>partitionValues);
...................
}
分区提交策略
定义了分区提交的策略，也就是写完分区数据之后做什么事情，目前系统提供了以下行为：
metastore，只支持hive table，也就是写完数据之后，更新hive的元数据.
success file: 写完数据，往分区文件写一个success file.
自定义
key Default Type 描述 sink.partition-commit.policy.kind null string 可选：metastore,success-file,custom，这个可以写一个或者多个，比如可以这样，'metastore,success-file' sink.partition-commit.policy.class null string 如果上述选择custom的话，这里指定相应的class sink.partition-commit.success-file.name null string 如果上述选择的是success-file，这里可以指定写入的文件名，默认是 _SUCCESS
完整示例定义实体类
publicstaticclassUserInfoimplementsjava.io.Serializable{
privateStringuserId;
privateDoubleamount;
privateTimestampts;
publicStringgetUserId(){
returnuserId;
}
publicvoidsetUserId(StringuserId){
this.userId=userId;
}
publicDoublegetAmount(){
returnamount;
}
publicvoidsetAmount(Doubleamount){
this.amount=amount;
}
publicTimestampgetTs(){
returnts;
}
publicvoidsetTs(Timestampts){
this.ts=ts;
}
}
自定义source
publicstaticclassMySourceimplementsSourceFunction<UserInfo>{
Stringuserids[]={
"4760858d-2bec-483c-a535-291de04b2247","67088699-d4f4-43f2-913c-481bff8a2dc5",
"72f7b6a8-e1a9-49b4-9a0b-770c41e01bfb","dfa27cb6-bd94-4bc0-a90b-f7beeb9faa8b",
"aabbaa50-72f4-495c-b3a1-70383ee9d6a4","3218bbb9-5874-4d37-a82d-3e35e52d1702",
"3ebfb9602ac07779||3ebfe9612a007979","aec20d52-c2eb-4436-b121-c29ad4097f6c",
"e7e896cd939685d7||e7e8e6c1930689d7","a4b1e1db-55ef-4d9d-b9d2-18393c5f59ee"
};
@Override
publicvoidrun(SourceContext<UserInfo>sourceContext)throwsException{
while(true){
Stringuserid=userids[(int)(Math.random()*(userids.length-1))];
UserInfouserInfo=newUserInfo();
userInfo.setUserId(userid);
userInfo.setAmount(Math.random()*100);
userInfo.setTs(newTimestamp(newDate().getTime()));
sourceContext.collect(userInfo);
Thread.sleep(100);
}
}
@Override
publicvoidcancel(){
}
}
写入file
通过sql的ddl创建一个最简单的基于process time的table，然后写入数据.
在这个实例中，我们开启了checkpoint的时间间隔是10s，所以会每隔10s写入一个orc文件.
StreamExecutionEnvironmentbsEnv=StreamExecutionEnvironment.getExecutionEnvironment();
bsEnv.enableCheckpointing(10000);
StreamTableEnvironmenttEnv=StreamTableEnvironment.create(bsEnv);
DataStream<UserInfo>dataStream=bsEnv.addSource(newMySource());
Stringsql="CREATETABLEfs_table(\n"
"user_idSTRING,\n"
"order_amountDOUBLE,\n"
"dtSTRING,"
"hstring,"
"mstring\n"
")PARTITIONEDBY(dt,h,m)WITH(\n"
"'connector'='filesystem',\n"
"'path'='file:///tmp/abc',\n"
"'format'='orc'\n"
")";
tEnv.executeSql(sql);
tEnv.createTemporaryView("users",dataStream);
StringinsertSql="insertintofs_tableSELECTuserId,amount,"
"DATE_FORMAT(ts,'yyyy-MM-dd'),DATE_FORMAT(ts,'HH'),DATE_FORMAT(ts,'mm')FROMusers";
tEnv.executeSql(insertSql);
完整的代码请参考 http://github.com/zhangjun0x01/bigdata-examples/blob/master/flink/src/main/java/connectors/sql/StreamingWriteFile.java
更多精彩内容，欢迎关注我的公众号【大数据技术与应用实战】
