Flink on Zeppelin (2) - Batch 篇

关注

发布于: 2020 年 06 月 15 日

在Flink on Zeppelin 入门篇中我们讲述了如何配置 Zeppelin + Flink 来运行一个最简单的 WordCount 例子。本文将讲述如何使用 Flink SQL + UDF 来做 Batch ETL 和 BI 数据分析的任务。

Flink Interpreter 类型

首先介绍下 Zeppelin 中的 Flink Interpreter 类型。Zeppelin 的 Flink Interpreter 支持 Flink 的所有 API (DataSet, DataStream, Table API ）。语言方面支持 Scala，Python，SQL。下图是 Zeppelin 中支持的不同场景下的 Flink Interpreter。

配置 Flink Interpreter

下图例举了所有重要的 Flink 配置信息，除此之外你还可以配置任意 Flink 的 Configuration（https://ci.apache.org/projects/flink/flink-docs-master/ops/config.html）

内置入口变量

Flink Interpreter (%flink) 为用户自动创建了下面 6 个变量作为 Flink Scala 程序的入口。

senv (StreamExecutionEnvironment),
benv (ExecutionEnvironment)
stenv (StreamTableEnvironment for blink planner)
btenv (BatchTableEnvironment for blink planner)
stenv_2 (StreamTableEnvironment for flink planner)
btenv_2 (BatchTableEnvironment for flink planner)

PyFlinkInterpreter （%flink.pyflink, %flink.ipyflink) 为用户自动创建了 6 个 python 变量作为 PyFlink 程序的入口

s_env (StreamExecutionEnvironment),
b_env (ExecutionEnvironment)
st_env (StreamTableEnvironment for blink planner)
bt_env (BatchTableEnvironment for blink planner)
st_env_2 (StreamTableEnvironment for flink planner)
bt_env_2 (BatchTableEnvironment for flink planner)

Blink/Flink Planner

Flink 1.10 中有 2 种 table api 的 planner：flink & blink.

如果你用 DataSet api 以及需要把 DataSet 转换成 Table，那么就需要使用 Flink planner 的 TableEnvironment (btenv_2 and stenv_2).
其他场景下, 我们都会建议用户使用blink planner. 这也是 Flink sql 使用的 planner(%flink.bsql & %flink.ssql)

使用 Flink Batch SQL

%flink.bsql 是用来执行 Flink 的 batch sql. 运行 help 命令可以得到所有可用的命令

总的来说，Flink Batch SQL 可以用来做 2 大任务：

使用 insert into 语句来做 Batch ETL
使用 select 语句来做 BI 数据分析

基于 Bank 数据的 Batch ETL

下面我们基于 Bank （https://archive.ics.uci.edu/ml/datasets/bank+marketing）数据来做 Batch ETL 任务。

首先用 Flink Sql 创建一个 raw 数据的 source table，以及清洗干净后的 sink table。

然后再定义 Table Function 来 parse raw data。

接下来就可以用 insert into 语句来进行数据转换（source table --> sink table)

用 select 语句来 Preview 最终数据，验证 insert into 语句的正确性

基于 Bank 数据的 BI 数据分析

经过上面的数据清洗工作，接下来就可以对数据进行分析了。用户不仅可以使用标准的 SQL Select 语句进行分析，也可以使用 Zeppelin 的 dynamic forms 来增加交互性（TextBox，Select，Checkbox）

使用 Flink UDF

SQL 虽然强大，但表达能力毕竟有限。有时候就要借助于 UDF 来表达更复杂的逻辑。Flink Interpreter 支持 2 种 UDF (Scala + Python)。下面是 2 个简单的例子。

Scala UDF

%flink
class ScalaUpper extends ScalarFunction {  def eval(str: String) = str.toUpperCase}
btenv.registerFunction("scala_upper", new ScalaUpper())

复制代码

Python UDF

%flink.pyflink
class PythonUpper(ScalarFunction):  def eval(self, s):    return s.upper()
bt_env.register_function("python_upper", udf(PythonUpper(), DataTypes.STRING(), DataTypes.STRING()))

复制代码

对 Hive 数据的数据分析

除了可以分析 Flink SQL 创建的 table 之外，Flink 也可以分析 Hive 上已有的 table。如果要让 Flink Interpreter 使用 Hive，那么需要做以下配置

设置 zeppelin.flink.enableHive 为 true
Copy 下面这些 dependencies 到 flink 的 lib 目录
flink-connector-hive_{scala_version}-{flink.version}.jar
flink-hadoop-compatibility_{scala_version}-{flink.version}.jar
flink-shaded-hadoop-2-uber-{hadoop.version}-{flink-shaded.version}.jar
hive-exec-2.x.jar (for Hive 1.x, you need to copy hive-exec-1.x.jar, hive-metastore-1.x.jar, libfb303-0.9.2.jar and libthrift-0.9.2.jar)
在 Flink interpreter setting 里或者 zeppelin-env.sh 里指定 HIVE_CONF_DIR
在 Flink interpreter setting 指定 zeppelin.flink.hive.version 为你使用的 Hive 版本

下面就用一个简单的例子展示如何在 Zeppelin 中用 Flink 查询 Hive table

1. 用 Zeppelin 的 jdbc interpreter 查询 hive tables

2. 用 Flink sql 查询 hive table 的 schema

3. 用 Flink Sql 查询 hive table

本文只是简单介绍如何在 Zeppelin 中使用 Flink SQL + UDF，关于更多 Flink SQL 和 UDF 请参考 Flink 官方文档

https://ci.apache.org/projects/flink/flink-docs-master/dev/table/sql/
https://ci.apache.org/projects/flink/flink-docs-master/dev/table/connect.html
https://ci.apache.org/projects/flink/flink-docs-master/dev/table/functions/systemFunctions.html
https://ci.apache.org/projects/flink/flink-docs-master/dev/table/functions/udfs.html

如果有碰到任何问题，请加入下面这个钉钉群讨论。后续我们会有更多 Tutorial 的文章，敬请期待。