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!!!
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。
背景篇
目标篇-预期效果是什么
框架设计篇-具体方案实现
总结篇
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
:cwiki.apache.org/confluence/display/FLINK/FLIP-37%3A+Rework+of+the+Table+API+Type+System。
Flip-65
:cwiki.apache.org/confluence/display/FLINK/FLIP-65%3A+New+type+inference+for+Table+API+UDFs
issue
:issues.apache.org/jira/browse/FLINK-12251
比如一些用户反馈有以下问题:
docs.google.com/document/d/1zKSY1z0lvtQdfOgwcLnCMSRHew3weeJ6QfQjSD0zWas/edit#heading=h.64s92ad5mb1
在 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
:
docs.google.com/document/d/1a9HUb6OaBIoj9IRfbILcMFPrOL7ALeZ3rVI66dvA2_U/edit#heading=h.5qoorezffk0t
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>#<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:
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
。
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。
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。
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。
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
。
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
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 LogicalTypeFamily
,LogicalTypeRoot
,LogicalType
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。ci.apache.org/projects/flink/flink-docs-release-1.13/docs/dev/table/types/
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:
博主画了一张图来比较下 TypeInformation
与 LogicalType
,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
。
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。
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~