Re: 求助帖: 流join场景可能出现的重复计算
谢谢!
我研究一下
JingsongLee 于2020年1月15日周三 上午11:57写道：
> Hi ren,
>
> Blink的deduplication功能应该是能match你的需求。[1]
>
> [1]
> https://ci.apache.org/projects/flink/flink-docs-master/dev/table/sql/queries.html#deduplication
>
> Best,
> Jingsong Lee
>
>
> --
> From:Caizhi Weng
> Send Time:2020年1月15日(星期三) 11:53
> To:user-zh
> Subject:Re: 求助帖: 流join场景可能出现的重复计算
>
> Hi,
>
> Flink 目前认为所有的 source 都是 append only 的，retract、upsert 等都是内部处理时的概念，对用户是不可见的。
>
> 所以目前你只能先通过 group by 和 last_value 等方式实现功能。不过 1.11 有计划支持这样的需求。
>
> Ren Xie 于2020年1月14日周二 下午9:30写道：
>
> > 谢谢
> >
> > 考虑过group by , 实际中 一个好多字段的表, 保不准就是那个字段发生了变化.
> >
> > 请问 类似的双流操作在开发中常见吗, 怎么都搜不到相似的使用, 按理谁流依赖另一个流做处理 应该算常见吧
> >
> > 还是说我这样的需求呀 实现呀 是野路子?
> >
> > Yuan,Youjun 于2020年1月14日周二 下午8:22写道：
> >
> > > 取决于具体的场景。想到的有如下几种方案：
> > > 1，group by student_id和student_name，而不是只group by
> > > student_id。当然前提是修改同名名字不会推送一条消息到流1.
> > > 2，过滤掉update的消息
> > > 3，基于时间窗口的聚合，对于student表的数据，每n秒输出一个唯一的student_id，然后再与score流join。
> > >
> > > -邮件原件-
> > > 发件人: xin Destiny
> > > 发送时间: Tuesday, January 14, 2020 6:39 PM
> > > 收件人: user-zh@flink.apache.org
> > > 主题: Re: 求助帖: 流join场景可能出现的重复计算
> > >
> > > Hi，
> > > 如果说插入两条update操作呢，一次分数是-97，一次是97
> > >
> > >
> > >
> > >
> > > Ren Xie 于2020年1月14日周二 下午6:20写道：
> > >
> > > > 实际场景还是有点复杂的, 便于理解 我简化成这样的, 简化后的这个, 没有实际的代码, 抱歉
> > > >
> > > > 大致 写一下 也就是这样了
> > > > ```sql
> > > > select sum(score)
> > > > from
> > > > student t1 inner join score t2 on t1.student_id = t2.std_id where
> > > > t1.student_id = 11
> > > > ```
> > > > 然后
> > > >
> > > > ```Java
> > > > String sql = ↑;
> > > > Table t = tEnv.sqlQuery(sql);
> > > > DataStream stream1 = tEnv.toAppendStream(t, Integer.class);
> > > > stream1.keyBy("").sum("");
> > > > ```
> > > >
> > > > 这样的一个sql, 在student表插入一个数据, score表插入2个数据后, 会执行一次计算出一个结果97 + 98
> > > >
> > > > update 学生表的name后, 一个新事件进入student的流, 还会触发一次计算, 得到97 + 98
> > > >
> > > > 因为可能有新的成绩插入, 所以对 stream1进行sum操作, 导致 97和98 都被重复计算了一次
> > > >
> > > >
> > > > Caizhi Weng 于2020年1月14日周二 下午5:49写道：
> > > >
> > > > > Hi,
> > > > >
> > > > > 有可能的话，是否方便提供一下代码呢？
> > > > >
> > > > > Ren Xie 于2020年1月14日周二 下午5:38写道：
> > > > >
> > > > > > 学生
> > > > > > student_id name
> > > > > > 11 foo
> > > > > >
> > > > > > 学科分数
> > > > > > id name score std_id
> > > > > > 100 math 97 11
> > > > > > 101 english 98 11
> > > > > >
> > > > > > 有如下一个场景(假设只有一个学生)
> > > > > >
> > > > > > 基于binlog检测这2个表的变化, 计算这个学生的总分数, 使用了Table/SQL API join操作计算
> > > > > >
> > > > > > 假设insert以上数据后到达某时刻, 以上数据都进入了flink, 计算出这个学生总分数 97 + 98 = 195
> > > > > >
> > > > > > 但此时发现学生姓名登记错误, 于是进行了修改,
> > > > > > 结果此时Flink中学生流中有2个事件(insert的一个+update的一个), 分数流中有2个事件, 计算的总分数就会是 2
> *
> > > > > > (97
> > > > +
> > > > > > 98) = 390
> > > > > >
> > > > > > Q: 请问这种场景下使用什么能够解决, 计算出正确的结果 97 + 98 = 193
> > > > > >
> > > > > > 接触flink不久, 不是太了解, 请大佬给个提示, 谢谢!!
> > > > > >
> > > > >
> > > >
> > >
> >
>
求助帖: 流join场景可能出现的重复计算
学生 student_id name 11 foo 学科分数 id name score std_id 100 math 97 11 101 english 98 11 有如下一个场景(假设只有一个学生) 基于binlog检测这2个表的变化, 计算这个学生的总分数, 使用了Table/SQL API join操作计算 假设insert以上数据后到达某时刻, 以上数据都进入了flink, 计算出这个学生总分数 97 + 98 = 195 但此时发现学生姓名登记错误, 于是进行了修改, 结果此时Flink中学生流中有2个事件(insert的一个+update的一个), 分数流中有2个事件, 计算的总分数就会是 2 * (97 + 98) = 390 Q: 请问这种场景下使用什么能够解决, 计算出正确的结果 97 + 98 = 193 接触flink不久, 不是太了解, 请大佬给个提示, 谢谢!!
Re: 求助帖: 流join场景可能出现的重复计算
实际场景还是有点复杂的, 便于理解 我简化成这样的, 简化后的这个, 没有实际的代码, 抱歉
大致 写一下 也就是这样了
```sql
select sum(score)
from
student t1 inner join score t2 on t1.student_id = t2.std_id
where
t1.student_id = 11
```
然后
```Java
String sql = ↑;
Table t = tEnv.sqlQuery(sql);
DataStream stream1 = tEnv.toAppendStream(t, Integer.class);
stream1.keyBy("").sum("");
```
这样的一个sql, 在student表插入一个数据, score表插入2个数据后, 会执行一次计算出一个结果97 + 98
update 学生表的name后, 一个新事件进入student的流, 还会触发一次计算, 得到97 + 98
因为可能有新的成绩插入, 所以对 stream1进行sum操作, 导致 97和98 都被重复计算了一次
Caizhi Weng 于2020年1月14日周二 下午5:49写道：
> Hi,
>
> 有可能的话，是否方便提供一下代码呢？
>
> Ren Xie 于2020年1月14日周二 下午5:38写道：
>
> > 学生
> > student_id name
> > 11 foo
> >
> > 学科分数
> > id name score std_id
> > 100 math 97 11
> > 101 english 98 11
> >
> > 有如下一个场景(假设只有一个学生)
> >
> > 基于binlog检测这2个表的变化, 计算这个学生的总分数, 使用了Table/SQL API join操作计算
> >
> > 假设insert以上数据后到达某时刻, 以上数据都进入了flink, 计算出这个学生总分数 97 + 98 = 195
> >
> > 但此时发现学生姓名登记错误, 于是进行了修改,
> > 结果此时Flink中学生流中有2个事件(insert的一个+update的一个), 分数流中有2个事件, 计算的总分数就会是 2 * (97 +
> > 98) = 390
> >
> > Q: 请问这种场景下使用什么能够解决, 计算出正确的结果 97 + 98 = 193
> >
> > 接触flink不久, 不是太了解, 请大佬给个提示, 谢谢!!
> >
>
Re: 求助帖: 流join场景可能出现的重复计算
谢谢解答!
稍微用代码写了一下, 如下:
public class JoinMain1 {
private static final String host = "127.0.0.1";
private static final intport = 9000;
private static final intport1 = 9001;
public static void main(String[] args) throws Exception {
StreamExecutionEnvironment env =
StreamExecutionEnvironment.getExecutionEnvironment();
env.setParallelism(1);
StreamTableEnvironment tEnv = StreamTableEnvironment.create(env);
SingleOutputStreamOperator student =
env.socketTextStream(host, port, "\n")
.map(new MapFunction() {
@Override
public Student map(String s) throws Exception {
String[] tokens = s.toLowerCase().split(",");
Student ss = new Student();
ss.setId(Integer.valueOf(tokens[0]));
ss.setName(tokens[1]);
return ss;
}
}
);
SingleOutputStreamOperator score =
env.socketTextStream(host, port1, "\n")
.map(new MapFunction() {
@Override
public Score map(String s) throws Exception {
String[] tokens = s.toLowerCase().split(",");
Score ss = new Score();
ss.setId(Integer.valueOf(tokens[0]));
ss.setName(tokens[1]);
ss.setSid(Integer.valueOf(tokens[2]));
ss.setScore(Integer.valueOf(tokens[3]));
return ss;
}
}
);
/// sql
tEnv.registerDataStream("student", student, "id, name");
tEnv.registerDataStream("score", score, "id, name, sid, score");
Table t = tEnv.sqlQuery("select sum(t2.score) from student t1
inner join score t2 on t1.id = t2.sid");
tEnv.toRetractStream(t, Integer.class).print("result");
env.execute("table join");
}
}
测试数据如下(红色数据为操作顺序):
[image: image.png]
执行结果如下:
[image: image.png]
1 2 3步骤计算出195(1个studen join 2个分数),
4步骤计算出390(原来195 + 新的student join 2个分数)
5步计算出196(390 + 新分数 join 2个student, 其实是 390 - 97 -97)
6步骤计算出390(196 + 新分数 join 2个student)
在第4步的时候, 分数就不太对了, 因为流中同一个student对应了2个事件
xin Destiny 于2020年1月14日周二 下午6:39写道：
> Hi，
> 如果说插入两条update操作呢，一次分数是-97，一次是97
>
>
>
>
> Ren Xie 于2020年1月14日周二 下午6:20写道：
>
> > 实际场景还是有点复杂的, 便于理解 我简化成这样的, 简化后的这个, 没有实际的代码, 抱歉
> >
> > 大致 写一下 也就是这样了
> > ```sql
> > select sum(score)
> > from
> > student t1 inner join score t2 on t1.student_id = t2.std_id
> > where
> > t1.student_id = 11
> > ```
> > 然后
> >
> > ```Java
> > String sql = ↑;
> > Table t = tEnv.sqlQuery(sql);
> > DataStream stream1 = tEnv.toAppendStream(t, Integer.class);
> > stream1.keyBy("").sum("");
> > ```
> >
> > 这样的一个sql, 在student表插入一个数据, score表插入2个数据后, 会执行一次计算出一个结果97 + 98
> >
> > update 学生表的name后, 一个新事件进入student的流, 还会触发一次计算, 得到97 + 98
> >
> > 因为可能有新的成绩插入, 所以对 stream1进行sum操作, 导致 97和98 都被重复计算了一次
> >
> >
> > Caizhi Weng 于2020年1月14日周二 下午5:49写道：
> >
> > > Hi,
> > >
> > > 有可能的话，是否方便提供一下代码呢？
> > >
> > > Ren Xie 于2020年1月14日周二 下午5:38写道：
> > >
> > > > 学生
> > > > student_id name
> > > > 11 foo
> > > >
> > > > 学科分数
> > > > id name score std_id
> > > > 100 math 97 11
> > > > 101 english 98 11
> > > >
> > > > 有如下一个场景(假设只有一个学生)
> > > >
> > > > 基于binlog检测这2个表的变化, 计算这个学生的总分数, 使用了Table/SQL API join操作计算
> > > >
> > > > 假设insert以上数据后到达某时刻, 以上数据都进入了flink, 计算出这个学生总分数 97 + 98 = 195
> > > >
> > > > 但此时发现学生姓名登记错误, 于是进行了修改,
> > > > 结果此时Flink中学生流中有2个事件(insert的一个+update的一个), 分数流中有2个事件, 计算的总分数就会是 2 *
> (97
> > +
> > > > 98) = 390
> > > >
> > > > Q: 请问这种场景下使用什么能够解决, 计算出正确的结果 97 + 98 = 193
> > > >
> > > > 接触flink不久, 不是太了解, 请大佬给个提示, 谢谢!!
> > > >
> > >
> >
>
Re: 求助帖: 流join场景可能出现的重复计算
谢谢
考虑过group by , 实际中 一个好多字段的表, 保不准就是那个字段发生了变化.
请问 类似的双流操作在开发中常见吗, 怎么都搜不到相似的使用, 按理谁流依赖另一个流做处理 应该算常见吧
还是说我这样的需求呀 实现呀 是野路子?
Yuan,Youjun 于2020年1月14日周二 下午8:22写道：
> 取决于具体的场景。想到的有如下几种方案：
> 1，group by student_id和student_name，而不是只group by
> student_id。当然前提是修改同名名字不会推送一条消息到流1.
> 2，过滤掉update的消息
> 3，基于时间窗口的聚合，对于student表的数据，每n秒输出一个唯一的student_id，然后再与score流join。
>
> -邮件原件-
> 发件人: xin Destiny
> 发送时间: Tuesday, January 14, 2020 6:39 PM
> 收件人: user-zh@flink.apache.org
> 主题: Re: 求助帖: 流join场景可能出现的重复计算
>
> Hi，
> 如果说插入两条update操作呢，一次分数是-97，一次是97
>
>
>
>
> Ren Xie 于2020年1月14日周二 下午6:20写道：
>
> > 实际场景还是有点复杂的, 便于理解 我简化成这样的, 简化后的这个, 没有实际的代码, 抱歉
> >
> > 大致 写一下 也就是这样了
> > ```sql
> > select sum(score)
> > from
> > student t1 inner join score t2 on t1.student_id = t2.std_id where
> > t1.student_id = 11
> > ```
> > 然后
> >
> > ```Java
> > String sql = ↑;
> > Table t = tEnv.sqlQuery(sql);
> > DataStream stream1 = tEnv.toAppendStream(t, Integer.class);
> > stream1.keyBy("").sum("");
> > ```
> >
> > 这样的一个sql, 在student表插入一个数据, score表插入2个数据后, 会执行一次计算出一个结果97 + 98
> >
> > update 学生表的name后, 一个新事件进入student的流, 还会触发一次计算, 得到97 + 98
> >
> > 因为可能有新的成绩插入, 所以对 stream1进行sum操作, 导致 97和98 都被重复计算了一次
> >
> >
> > Caizhi Weng 于2020年1月14日周二 下午5:49写道：
> >
> > > Hi,
> > >
> > > 有可能的话，是否方便提供一下代码呢？
> > >
> > > Ren Xie 于2020年1月14日周二 下午5:38写道：
> > >
> > > > 学生
> > > > student_id name
> > > > 11 foo
> > > >
> > > > 学科分数
> > > > id name score std_id
> > > > 100 math 97 11
> > > > 101 english 98 11
> > > >
> > > > 有如下一个场景(假设只有一个学生)
> > > >
> > > > 基于binlog检测这2个表的变化, 计算这个学生的总分数, 使用了Table/SQL API join操作计算
> > > >
> > > > 假设insert以上数据后到达某时刻, 以上数据都进入了flink, 计算出这个学生总分数 97 + 98 = 195
> > > >
> > > > 但此时发现学生姓名登记错误, 于是进行了修改,
> > > > 结果此时Flink中学生流中有2个事件(insert的一个+update的一个), 分数流中有2个事件, 计算的总分数就会是 2 *
> > > > (97
> > +
> > > > 98) = 390
> > > >
> > > > Q: 请问这种场景下使用什么能够解决, 计算出正确的结果 97 + 98 = 193
> > > >
> > > > 接触flink不久, 不是太了解, 请大佬给个提示, 谢谢!!
> > > >
> > >
> >
>
