概述

Flink具有两个关系型API- Table API和SQL，这两个API，这两个API统一了流处理和批处理。其中Table API是用Scala或者是Java的语言集成查询API。它允许以非常直观的方式从关系运算符（如select、filter和join）组成查询。Flink的SQL支持基于实现SQL标准的Apache Calcite.无论输入的是DataSet（批）还是DataStream（流）这两套接口中指定的查询具有相同的语义和相同的计算结果。

其中Table API和SQL的接口可以紧密的和Flink的Datastream和Dataset集成在一起。因此用户可以在所有的API或者是基于API的库之间轻松切换。例如，用户可以使用CEP Library的库对数据进行模式抽取，然后再使用Table API对抽取的数据进行分析，或者用户可以使用SQL去扫描、过滤和聚合一个批处理的表，然后使用Gelly Graph algorithm进行关系运算等。

依赖结构

从Flink 1.9开始，Flink提供了两种不同的执行计划用于执行Table API或是SQL程序:Blink planner和Flink 1.9之前使用的Old planner。这里的Planner负责将关系运算符翻译成一个可以执行的、优化的Flink job.这两种计算底层使用了不同的优化规则和运行时类，因此它们在支持的功能方面可能有所不同。

注意 对于生成环境使用场景，我们推荐使用flink 1.9之前提供的old planner计划。所有的Table API和SQL组件都绑定在flink-table和flink-table-blink依赖中。下面这些模块在我们开发的时候可能和相关的项目相关

用户可以根据自己的编程的目标语言选择合适的依赖，例如

• Java

<dependency>
    <groupId>org.apache.flink</groupId>
    <artifactId>flink-table-api-java-bridge_2.11</artifactId>
    <version>1.10.0</version>
</dependency>

• Scala

<dependency>
    <groupId>org.apache.flink</groupId>
    <artifactId>flink-table-api-scala-bridge_2.11</artifactId>
    <version>1.10.0</version>
    <scope>provided</scope>
</dependency>

如果用户想在本地的IDE中运行Table API&SQL程序，用户还需要根据自己希望使用到值执行计划的类别，添加不同的执行计划：

• old planner

<!-- Either... (for the old planner that was available before Flink 1.9) -->
<dependency>
    <groupId>org.apache.flink</groupId>
    <artifactId>flink-table-planner_2.11</artifactId>
    <version>1.10.0</version>
</dependency>

• Blink planner

<!-- or.. (for the new Blink planner) -->
<dependency>
    <groupId>org.apache.flink</groupId>
    <artifactId>flink-table-planner-blink_2.11</artifactId>
    <version>1.10.0</version>
</dependency>

由于底层，Flink Table生态系统一部分的实现是通过Scala实现的，因此无论是执行批处理还是流计算，请确保导入一下依赖：

<dependency>
    <groupId>org.apache.flink</groupId>
    <artifactId>flink-streaming-scala_2.11</artifactId>
    <version>1.10.0</version>
</dependency>

如果用户想要在连接Kafka的时候实现自定义格式化或者是自定义functions这种场景，用户只需要导入一下依赖即可：

<dependency>
    <groupId>org.apache.flink</groupId>
    <artifactId>flink-table-common</artifactId>
    <version>1.10.0</version>
    <scope>provided</scope>
</dependency>

目前这个模块中可以提供的扩展点:SerializationSchemaFactory、DeserializationSchemaFactory、ScalarFunction、TableFunction、AggregateFunction

概念和常见 API

Table API和SQL集成在一个联合API中，该API的概念是一个Table，该Table主要作为查询的输入和输出，接下来来介绍一下Table API和SQL查询的程序的通用结构，其中涵盖如何注册表、查询表以及如何输出表。

两个planner的主要区别

1.Blink中将Batch jobs看作是一个streaming的一个特殊情况，因此还不支持Table和DataSet之间的转换，并且批处理作业不会像流作业一样转换为DataSet程序，而是直接转换为DataStream程序

2.Blink作业不支持BatchTableSource，而是使用StreamTableSource代替

3.Old Planner和Blink Planner在FilterableTableSource的实现不兼容。Old Planner将PlannerExpressions下推到FilterableTableSource而Blink Planner是将Expressions下推到FilterableTableSource

4.基于key-value的字符串配置选项仅仅在Blink Planner支持

5.对CalciteConfig的实现类 PlannerConfig这两组计划实现不同

6.Blink Planner程序将在TableEnvironment和StreamTableEnvironment优化multi-sinks到一个DAG中，但是在Old Planner中总是将每个Sink分离到独立的DAG中，这些DAG彼此之间是独立的

7.Old Planner不支持 Catalog 信息统计，但是Blink支持

Table API & SQL 结构

所有的Table API & SQL 无论是处理batch还是stream都会遵循以下模式，下面一个例子展示代码的常见通用结构：

// 创建TableEnviroment为指定的计划 
val tableEnv=...
// 创建一个Table
tableEnv.connect(...).createTemporaryTable("table")
// 从Table API Query中创建Table
val tableAPIResult=tableEnv.from("table").select(...)
val sqlResult=tableEnv.sqlQuery("SELECT ... from table ...")
// 将table的结果输出到TableSink中
val tableResult=tableAPIResult.executeInsert("OutputTable")

TableEnvironment是Table API & SQL中的核心概念，TableEnvironment主要负责：

• 将一个表注册到内部的Catalog中
• 注册catalogs
• 加载可插拔模块
• 执行SQL查询
• 注册用户自定义的function（例如：scalar、table或者aggregation等）
• 将DataStream或者DataSet转换为Table
• 持有ExecutionEnvironment和StreamExecutionEnvironment

每个table总是有指定的TableEnvironment创建并绑定，我们是不可能在同一个查询中联合不同TableEnvironment中的表，比如join或者union等操作.TableEnvironment一般是通过调用BatchTableEnvironment.create()或者StreamTableEnvironment.create()`的静态方法创建，在调用该方法的时候需要提供ExecutionEnvironment或者StreamExecutionEnvironment参数以及一个可选的TableConfig参数。TableConfig可用于配置TableEnvironment或者用于自定义查询优化和转换过程。

OldPlanner

<!--开发hadoop数据-->
<dependency>
    <groupId>org.apache.hadoop</groupId>
    <artifactId>hadoop-client</artifactId>
    <version>2.9.2</version>
</dependency>
<!--scala编程环境-->
<dependency>
    <groupId>org.apache.flink</groupId>
    <artifactId>flink-table-api-scala-bridge_2.11</artifactId>
    <version>1.10.0</version>
</dependency>
<!--依赖流核心-->
<dependency>
    <groupId>org.apache.flink</groupId>
    <artifactId>flink-streaming-scala_2.11</artifactId>
    <version>1.10.0</version>
</dependency>
<!--使用OldPlanner计划-->
<dependency>
    <groupId>org.apache.flink</groupId>
    <artifactId>flink-table-planner_2.11</artifactId>
    <version>1.10.0</version>
</dependency>

• 批处理作业

val fbEnv = ExecutionEnvironment.getExecutionEnvironment
val batchTableEnvironment = BatchTableEnvironment.create(fbEnv)

• 流处理作业

val fsSettings = EnvironmentSettings.newInstance().useOldPlanner().inStreamingMode().build()
val fsEnv = StreamExecutionEnvironment.getExecutionEnvironment
val streamTableEnvironment = StreamTableEnvironment.create(fsEnv,fsSettings)

Blink Planner

<!--开发hadoop数据-->
<dependency>
    <groupId>org.apache.hadoop</groupId>
    <artifactId>hadoop-client</artifactId>
    <version>2.9.2</version>
</dependency>
<!--scala编程环境-->
<dependency>
    <groupId>org.apache.flink</groupId>
    <artifactId>flink-table-api-scala-bridge_2.11</artifactId>
    <version>1.10.0</version>
</dependency>
<!--依赖流核心-->
<dependency>
    <groupId>org.apache.flink</groupId>
    <artifactId>flink-streaming-scala_2.11</artifactId>
    <version>1.10.0</version>
</dependency>
<!--使用BlinkPlanner计划-->
<dependency>
    <groupId>org.apache.flink</groupId>
    <artifactId>flink-table-planner-blink_2.11</artifactId>
    <version>1.10.0</version>
</dependency>

• 批处理作业

var settings=EnvironmentSettings.newInstance.useBlinkPlanner.inBatchMode.build
val fbtEnv = TableEnvironment.create(settings)

• 流处理作业

var settings=EnvironmentSettings.newInstance.useBlinkPlanner.inStreamingMode().build
val bsEnv = StreamExecutionEnvironment.getExecutionEnvironment
val bstEnv = StreamTableEnvironment.create(bsEnv,settings)