Flink SQL 知其所以然：Group 聚合操作

Group 聚合Group 聚合定义（支持 Batch\Streaming 任务）：Flink 也支持 Group 聚合。知其作Group 聚合和上面介绍到的合操窗口聚合的不同之处，就在于 Group 聚合是知其作按照数据的类别进行分组，比如年龄、合操性别，知其作是合操横向的；而窗口聚合是在时间粒度上对数据进行分组，是知其作纵向的。如下图所示，合操就展示出了其区别。知其作其中按颜色分 key（横向）​ 就是合操 Group 聚合，按窗口划分（纵向） 就是知其作窗口聚合。

tumble window + key

应用场景：一般用于对数据进行分组，合操然后后续使用聚合函数进行 count、知其作sum 等聚合操作。合操

那么这时候，知其作小伙伴萌就会问到，我其实可以把窗口聚合的写法也转换为 Group 聚合，只需要把 Group 聚合的 Group By key 换成时间就行，那这两个聚合的区别到底在哪？

首先来举一个例子看看怎么将窗口聚合转换为 Group 聚合。假如一个窗口聚合是亿华云计算按照 1 分钟的粒度进行聚合，如下 SQL：

-- 数据源表

CREATE TABLE source_table (

-- 维度数据

dim STRING,

-- 用户 id

user_id BIGINT,

-- 用户

price BIGINT,

-- 事件时间戳

row_time AS cast(CURRENT_TIMESTAMP as timestamp(3)),

-- watermark 设置

WATERMARK FOR row_time AS row_time - INTERVAL 5 SECOND

) WITH (

connector = datagen,

rows-per-second = 10,

fields.dim.length = 1,

fields.user_id.min = 1,

fields.user_id.max = 100000,

fields.price.min = 1,

fields.price.max = 100000

)

-- 数据汇表

CREATE TABLE sink_table (

dim STRING,

pv BIGINT,

sum_price BIGINT,

max_price BIGINT,

min_price BIGINT,

uv BIGINT,

window_start bigint

) WITH (

connector = print

)

-- 数据处理逻辑

insert into sink_table

select dim,

count(*) as pv,

sum(price) as sum_price,

max(price) as max_price,

min(price) as min_price,

-- 计算 uv 数

count(distinct user_id) as uv,

UNIX_TIMESTAMP(CAST(tumble_start(row_time, interval 1 minute) AS STRING)) * 1000 as window_start

from source_table

group by

dim,

-- 按照 Flink SQL tumble 窗口写法划分窗口

tumble(row_time, interval 1 minute)

转换为 Group 聚合的写法如下：

Group 聚合

-- 数据源表

CREATE TABLE source_table (

-- 维度数据

dim STRING,

-- 用户 id

user_id BIGINT,

-- 用户

price BIGINT,

-- 事件时间戳

row_time AS cast(CURRENT_TIMESTAMP as timestamp(3)),

-- watermark 设置

WATERMARK FOR row_time AS row_time - INTERVAL 5 SECOND

) WITH (

connector = datagen,

rows-per-second = 10,

fields.dim.length = 1,

fields.user_id.min = 1,

fields.user_id.max = 100000,

fields.price.min = 1,

fields.price.max = 100000

);

-- 数据汇表

CREATE TABLE sink_table (

dim STRING,

pv BIGINT,

sum_price BIGINT,

max_price BIGINT,

min_price BIGINT,

uv BIGINT,

window_start bigint

) WITH (

connector = print

);

-- 数据处理逻辑

insert into sink_table

select dim,

count(*) as pv,

sum(price) as sum_price,

max(price) as max_price,

min(price) as min_price,

-- 计算 uv 数

count(distinct user_id) as uv,

cast((UNIX_TIMESTAMP(CAST(row_time AS STRING))) / 60 as bigint) as window_start

from source_table

group by

dim,

-- 将秒级别时间戳 / 60 转化为 1min

cast((UNIX_TIMESTAMP(CAST(row_time AS STRING))) / 60 as bigint)

确实没错，上面这个转换是一点问题都没有的。

但是窗口聚合和 Group by 聚合的差异在于：

本质区别：窗口聚合是具有时间语义的，其本质是想实现窗口结束输出结果之后，后续有迟到的数据也不会对原有的结果发生更改了，即输出结果值是定值（不考虑 allowLateness）。而 Group by 聚合是没有时间语义的，不管数据迟到多长时间，只要数据来了，就把上一次的输出的结果数据撤回，然后把计算好的新的结果数据发出。

运行层面：窗口聚合是和 时间 绑定的，服务器租用窗口聚合其中窗口的计算结果触发都是由时间（Watermark）推动的。Group by 聚合完全由数据推动触发计算，新来一条数据去根据这条数据进行计算出结果发出；由此可见两者的实现方式也大为不同。

SQL 语义

也是拿离线和实时做对比，Orders 为 kafka，target_table 为 Kafka，这个 SQL 生成的实时任务，在执行时，会生成三个算子：

数据源算子​（From Order）：数据源算子一直运行，实时的从 Order Kafka 中一条一条的读取数据，然后一条一条发送给下游的Group 聚合算子，向下游发送数据的 shuffle 策略是根据 group by 中的 key 进行发送，相同的 key 发到同一个 SubTask（并发） 中。

Group 聚合算子​（group by key + sum\count\max\min）：接收到上游算子发的一条一条的数据，去状态 state 中找这个 key 之前的 sum\count\max\min 结果。如果有结果oldResult​，拿出来和当前的服务器托管数据进行sum\count\max\min​ 计算出这个 key 的新结果newResult​，并将新结果[key, newResult]​ 更新到 state 中，在向下游发送新计算的结果之前，先发一条撤回上次结果的消息-[key, oldResult]​，然后再将新结果发往下游+[key, newResult]​；如果 state 中没有当前 key 的结果，则直接使用当前这条数据计算 sum\max\min 结果newResult​，并将新结果[key, newResult]​ 更新到 state 中，当前是第一次往下游发，则不需要先发回撤消息，直接发送+[key, newResult]。

数据汇算子（INSERT INTO target_table）：接收到上游发的一条一条的数据，写入到 target_table Kafka 中。

这个实时任务也是 24 小时一直在运行的，所有的算子在同一时刻都是处于 running 状态的。

特别注意：

Group by 聚合涉及到了回撤流（也叫 retract 流），会产生回撤流是因为从整个 SQL 的语义来看，上游的 Kafk数据是源源不断的，无穷无尽的，那么每次这个 SQL 任务产出的结果都是一个中间结果，所以每次结果发生更新时，都需要将上一次发出的中间结果给撤回，然后将最新的结果发下去。Group by 聚合涉及到了状态：状态大小也取决于不同 key 的数量。为了防止状态无限变大，我们可以设置状态的 TTL。以上面的 SQL 为例，上面 SQL 是按照分钟进行聚合的，理论上到了今天，通常我们就可以不用关心昨天的数据了，那么我们可以设置状态过期时间为一天。关于状态过期时间的设置参数可以参考下文运行时参数 小节。

如果这个 SQL 放在 Hive 中执行时，其中 Orders 为 Hive，target_table 也为 Hive，其也会生成三个相同的算子，但是其和实时任务的执行方式完全不同：

数据源算子​（From Order）：数据源算子从 Order Hive 中读取到所有的数据，然后所有数据发送给下游的Group 聚合算子，向下游发送数据的 shuffle 策略是根据 group by 中的 key 进行发送，相同的 key 发到同一个算子中，然后这个算子就运行结束了，释放资源了。Group 聚合算子​（group by + sum\count\max\min）：接收到上游算子发的所有数据，然后遍历计算 sum\count\max\min 结果，批量发给下游数据汇算子，这个算子也就运行结束了，释放资源了。数据汇算子（INSERT INTO target_table）：接收到上游发的一条一条的数据，写入到 target_table Hive 中，整个任务也就运行结束了，整个任务的资源也就都释放了。Group 聚合支持 Grouping sets、Rollup、Cube

Group 聚合也支持 Grouping sets、Rollup、Cube。

举一个 Grouping sets 的案例：

SELECT

supplier_id

, rating

, product_id

, COUNT(*)

FROM (VALUES

(supplier1, product1, 4),

(supplier1, product2, 3),

(supplier2, product3, 3),

(supplier2, product4, 4))

AS Products(supplier_id, product_id, rating)

GROUP BY GROUPING SET (

( supplier_id, product_id, rating ),

( supplier_id, product_id ),

( supplier_id, rating ),

( supplier_id ),

( product_id, rating ),

( product_id ),

( rating ),

( )

)‍