Flink SQL 知其所以然：Over 聚合操作

Flink SQL 知其所以然：Over 聚合操作

架构

大家好，我是老羊，今天我们来学习 Flink SQL 中的· Over 聚合操作。

Over 聚合定义（支持 Batch\Streaming）：可以理解为是一种特殊的滑动窗口聚合函数。

那这里我们拿 Over 聚合​ 与 窗口聚合 做一个对比，其之间的最大不同之处在于：

窗口聚合：不在 group by 中的字段，不能直接在 select 中拿到

Over 聚合：能够保留原始字段

注意：其实在生产环境中，Over 聚合的使用场景还是比较少的。在 Hive 中也有相同的聚合，但是小伙伴萌可以想想你在离线数仓经常使用嘛？

应用场景：计算最近一段滑动窗口的聚合结果数据。际案例：查询每个产品最近一小时订单的金额总和：

SELECT order_id, order_time, amount, SUM(amount) OVER ( PARTITION BY product ORDER BY order_time RANGE BETWEEN INTERVAL '1' HOUR PRECEDING AND CURRENT ROW ) AS one_hour_prod_amount_sumFROM Orders

Over 聚合的语法总结如下：

SELECT agg_func(agg_col) OVER ( [PARTITION BY col1[, col2, ...]] ORDER BY time_col range_definition), ...FROM ...

其中：

ORDER BY：必须是时间戳列（事件时间、处理时间）PARTITION BY：标识了聚合窗口的聚合粒度，如上述案例是按照 product 进行聚合range_definition：这个标识聚合窗口的聚合数据范围，在 Flink 中有两种指定数据范围的方式。第一种为按照行数聚合​，第二种为按照时间区间聚合。如下案例所示：

a. 时间区间聚合：

按照时间区间聚合就是时间区间的一个滑动窗口，比如下面案例 1 小时的区间，最新输出的一条数据的 sum 聚合结果就是最近一小时数据的 amount 之和。

CREATE TABLE source_table ( order_id BIGINT, product BIGINT, amount BIGINT, order_time as cast(CURRENT_TIMESTAMP as TIMESTAMP(3)), WATERMARK FOR order_time AS order_time - INTERVAL '0.001' SECOND) WITH ( 'connector' = 'datagen', 'rows-per-second' = '1', 'fields.order_id.min' = '1', 'fields.order_id.max' = '2', 'fields.amount.min' = '1', 'fields.amount.max' = '10', 'fields.product.min' = '1', 'fields.product.max' = '2');CREATE TABLE sink_table ( product BIGINT, order_time TIMESTAMP(3), amount BIGINT, one_hour_prod_amount_sum BIGINT) WITH ( 'connector' = 'print');INSERT INTO sink_tableSELECT product, order_time, amount, SUM(amount) OVER ( PARTITION BY product ORDER BY order_time -- 标识统计范围是一个 product 的最近 1 小时的数据 RANGE BETWEEN INTERVAL '1' HOUR PRECEDING AND CURRENT ROW ) AS one_hour_prod_amount_sumFROM source_table

结果如下：

+I[2, 2021-12-24T22:08:26.583, 7, 73]+I[2, 2021-12-24T22:08:27.583, 7, 80]+I[2, 2021-12-24T22:08:28.583, 4, 84]+I[2, 2021-12-24T22:08:29.584, 7, 91]+I[2, 2021-12-24T22:08:30.583, 8, 99]+I[1, 2021-12-24T22:08:31.583, 9, 138]+I[2, 2021-12-24T22:08:32.584, 6, 105]+I[1, 2021-12-24T22:08:33.584, 7, 145]

b.  行数聚合：

按照行数聚合就是数据行数的一个滑动窗口，比如下面案例，最新输出的一条数据的 sum 聚合结果就是最近 5 行数据的 amount 之和。

CREATE TABLE source_table ( order_id BIGINT, product BIGINT, amount BIGINT, order_time as cast(CURRENT_TIMESTAMP as TIMESTAMP(3)), WATERMARK FOR order_time AS order_time - INTERVAL '0.001' SECOND) WITH ( 'connector' = 'datagen', 'rows-per-second' = '1', 'fields.order_id.min' = '1', 'fields.order_id.max' = '2', 'fields.amount.min' = '1', 'fields.amount.max' = '2', 'fields.product.min' = '1', 'fields.product.max' = '2');CREATE TABLE sink_table ( product BIGINT, order_time TIMESTAMP(3), amount BIGINT, one_hour_prod_amount_sum BIGINT) WITH ( 'connector' = 'print');INSERT INTO sink_tableSELECT product, order_time, amount, SUM(amount) OVER ( PARTITION BY product ORDER BY order_time -- 标识统计范围是一个 product 的最近 5 行数据 ROWS BETWEEN 5 PRECEDING AND CURRENT ROW ) AS one_hour_prod_amount_sumFROM source_table

预跑结果如下：

+I[2, 2021-12-24T22:18:19.147, 1, 9]+I[1, 2021-12-24T22:18:20.147, 2, 11]+I[1, 2021-12-24T22:18:21.147, 2, 12]+I[1, 2021-12-24T22:18:22.147, 2, 12]+I[1, 2021-12-24T22:18:23.148, 2, 12]+I[1, 2021-12-24T22:18:24.147, 1, 11]+I[1, 2021-12-24T22:18:25.146, 1, 10]+I[1, 2021-12-24T22:18:26.147, 1, 9]+I[2, 2021-12-24T22:18:27.145, 2, 11]+I[2, 2021-12-24T22:18:28.148, 1, 10]+I[2, 2021-12-24T22:18:29.145, 2, 10]

当然，如果你在一个 SELECT 中有多个聚合窗口的聚合方式，Flink SQL 支持了一种简化写法，如下案例：

SELECT order_id, order_time, amount, SUM(amount) OVER w AS sum_amount, AVG(amount) OVER w AS avg_amountFROM Orders-- 使用下面子句，定义 Over WindowWINDOW w AS ( PARTITION BY product ORDER BY order_time RANGE BETWEEN INTERVAL '1' HOUR PRECEDING AND CURRENT ROW)

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。