Flink SQL 知其所以然（四）| sql api 类型系统

Zephus · 发表于 2022-2-18 08:53

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！！！

1.序篇-先说结论

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。

2.背景篇

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：https://cwiki.apache.org/confluence/display/FLINK/FLIP-37%3A+Rework+of+the+Table+API+Type+System。

Flip-65：https://cwiki.apache.org/confluence/display/FLINK/FLIP-65%3A+New+type+inference+for+Table+API+UDFs

issue：https://issues.apache.org/jira/browse/FLINK-12251

比如一些用户反馈有以下问题：

https://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：https://docs.google.com/document/d/1a9HUb6OaBIoj9IRfbILcMFPrOL7ALeZ3rVI66dvA2_U/edit#heading=h.5qoorezffk0t
2.1.序列化器受执行环境影响

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.TableFunctioncase class SimpleUser(name: String, age: Int)class TableFunc0 extends TableFunction[SimpleUser] { // make sure input element's format is "<string&gt#<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：
2.1.1.java 环境

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.png

java 环境，可以看到，最终使用的是 Kryo 序列化器。
2.1.2.scala 环境

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.png

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。
2.2.类型系统不一致

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：

11.png

但是标准的 sql 类型系统的组成应该是由如下组成这样：

8.png

9.png

10.png

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。
2.3.TypeInformation 类型信息与序列化器绑定

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.png

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.png

再来一个例子， ListTypeInfo 的序列化器固定为 ListSerializer。

4.png

可以看到 TypeInformation 的类型体系中，一种 TypeInformation 就和一个 TypeSerializer 是绑定的。
3.目标篇-预期效果是什么

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。
4.框架设计篇-具体方案实现

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
4.1.统一以及标准化 SQL 类型系统

先来重温下，SQL 标准类型：

8.png

9.png

10.png

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：

14.png

LogicalTypeRoot：

15.png

LogicalType：

18.png

具体 LogicalType 的各类实现类如下图所示：

12.png

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。https://ci.apache.org/projects/flink/flink-docs-release-1.13/docs/dev/table/types/
4.2.逻辑类型与物理类型解耦

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：
4.2.1.看看解耦的具体实现

博主画了一张图来比较下 TypeInformation 与 LogicalType，如下图。

20.png

datastream\old planner

blink planner

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。
4.2.2.看看包的划分

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.png

datastream\old planner

blink planner

5.总结篇

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~

		自动登录	找回密码
密码			立即注册

Flink SQL 知其所以然（四）| sql api 类型系统

本帖子中包含更多资源