Flink1.12-2021黑马 6-7Table&SQL +实战

红太狼 2022-11-10 10:41 181阅读 0赞

# 6.Flink Table&SQL #

## 1. Table API & SQL 介绍 ##

1.1 为什么需要Table API & SQL  
https://ci.apache.org/projects/flink/flink-docs-release-1.12/dev/table/  
Table API & SQL的特点  
Flink之所以选择将 Table API & SQL 作为未来的核心 API，是因为其具有一些非常重要的特点：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3lhbmdzaGVuZ3dlaTIzMDYxMg_size_16_color_FFFFFF_t_70]

1.  声明式:属于设定式语言，用户只要表达清楚需求即可，不需要了解底层执行；
2.  高性能:可优化，内置多种查询优化器，这些查询优化器可为 SQL 翻译出最优执行计划；
3.  简单易学:易于理解，不同行业和领域的人都懂，学习成本较低；
4.  标准稳定:语义遵循SQL标准，非常稳定，在数据库 30 多年的历史中，SQL 本身变化较少；
5.  流批统一:可以做到API层面上流与批的统一，相同的SQL逻辑，既可流模式运行，也可批模式运行，Flink底层Runtime本身就是一个流与批统一的引擎

**Flink的Table模块包括 Table API 和 SQL：**  
Table API 是一种类SQL的API，通过Table API，用户可以像操作表一样操作数据，非常直观和方便  
SQL作为一种声明式语言，有着标准的语法和规范，用户可以不用关心底层实现即可进行数据的处理，非常易于上手  
Flink Table API 和 SQL 的实现上有80%左右的代码是公用的。作为一个流批统一的计算引擎，Flink 的 Runtime 层是统一的。

### 1.2 Table API& SQL发展历程 ###

架构升级  
自 2015 年开始，阿里巴巴开始调研开源流计算引擎，最终决定基于 Flink 打造新一代计算引擎，针对 Flink 存在的不足进行优化和改进，并且在 2019 年初将最终代码开源，也就是Blink。Blink 在原来的 Flink 基础上最显著的一个贡献就是 Flink SQL 的实现。随着版本的不断更新，API 也出现了很多不兼容的地方。  
在 Flink 1.9 中，Table 模块迎来了核心架构的升级，引入了阿里巴巴Blink团队贡献的诸多功能  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3lhbmdzaGVuZ3dlaTIzMDYxMg_size_16_color_FFFFFF_t_70 1]  
在Flink 1.9 之前，Flink API 层 一直分为DataStream API 和 DataSet API，Table API & SQL 位于 DataStream API 和 DataSet API 之上。可以看处流处理和批处理有各自独立的api (流处理DataStream，批处理DataSet)。而且有不同的执行计划解析过程，codegen过程也完全不一样，完全没有流批一体的概念，面向用户不太友好。  
在Flink1.9之后新的架构中，有两个查询处理器：Flink Query Processor，也称作Old Planner和Blink Query Processor，也称作Blink Planner。为了兼容老版本Table及SQL模块，插件化实现了Planner，Flink原有的Flink Planner不变，后期版本会被移除。新增加了Blink Planner，新的代码及特性会在Blink planner模块上实现。批或者流都是通过解析为Stream Transformation来实现的，不像Flink Planner，批是基于Dataset，流是基于DataStream。

查询处理器的选择  
查询处理器是 Planner 的具体实现，通过parser、optimizer、codegen(代码生成技术)等流程将 Table API & SQL作业转换成 Flink Runtime 可识别的 Transformation DAG，最终由 Flink Runtime 进行作业的调度和执行。  
Flink Query Processor查询处理器针对流计算和批处理作业有不同的分支处理，流计算作业底层的 API 是 DataStream API， 批处理作业底层的 API 是 DataSet API  
Blink Query Processor查询处理器则实现流批作业接口的统一，底层的 API 都是Transformation，这就意味着我们和Dataset完全没有关系了

Flink1.11之后Blink Query Processor查询处理器已经是默认的了  
https://ci.apache.org/projects/flink/flink-docs-release-1.12/dev/table/  
![在这里插入图片描述][20210316154753713.png]  
了解-Blink planner和Flink Planner具体区别如下：  
https://ci.apache.org/projects/flink/flink-docs-release-1.12/dev/table/common.html  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3lhbmdzaGVuZ3dlaTIzMDYxMg_size_16_color_FFFFFF_t_70 2]  
**1.3 注意：**  
https://ci.apache.org/projects/flink/flink-docs-release-1.11/dev/table/common.html  
API稳定性  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3lhbmdzaGVuZ3dlaTIzMDYxMg_size_16_color_FFFFFF_t_70 3]  
性能对比  
注意：目前FlinkSQL性能不如SparkSQL，未来FlinkSQL可能会越来越好  
下图是Hive、Spark、Flink的SQL执行速度对比：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3lhbmdzaGVuZ3dlaTIzMDYxMg_size_16_color_FFFFFF_t_70 4]

## 2. 案例准备 ##

2.1 依赖  
https://ci.apache.org/projects/flink/flink-docs-release-1.12/dev/table/

<dependency>
        <groupId>org.apache.flink</groupId>
        <artifactId>flink-table-api-scala-bridge_2.12</artifactId>
        <version>${flink.version}</version>
        <scope>provided</scope>
    </dependency>
    <dependency>
        <groupId>org.apache.flink</groupId>
        <artifactId>flink-table-api-java-bridge_2.12</artifactId>
        <version>${flink.version}</version>
        <scope>provided</scope>
    </dependency>
    
    
    
    <dependency>
        <groupId>org.apache.flink</groupId>
        <artifactId>flink-table-planner-blink_2.12</artifactId>
        <version>${flink.version}</version>
        <scope>provided</scope>
    </dependency>
    <dependency>
        <groupId>org.apache.flink</groupId>
        <artifactId>flink-table-common</artifactId>
        <version>${flink.version}</version>
        <scope>provided</scope>
    </dependency>

flink-table-common：这个包中主要是包含 Flink Planner 和 Blink Planner一些共用的代码。  
● flink-table-api-java：这部分是用户编程使用的 API，包含了大部分的 API。  
● flink-table-api-scala：这里只是非常薄的一层，仅和 Table API 的 Expression 和 DSL 相关。  
● 两个 Planner：flink-table-planner 和 flink-table-planner-blink。  
● 两个 Bridge：flink-table-api-scala-bridge 和 flink-table-api-java-bridge，  
Flink Planner 和 Blink Planner 都会依赖于具体的 JavaAPI，也会依赖于具体的 Bridge，通过 Bridge 可以将 API 操作相应的转化为Scala 的 DataStream、DataSet，或者转化为 JAVA 的 DataStream 或者Data Set  
2.2 程序结构  
https://ci.apache.org/projects/flink/flink-docs-release-1.12/dev/table/common.html\#structure-of-table-api-and-sql-programs  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3lhbmdzaGVuZ3dlaTIzMDYxMg_size_16_color_FFFFFF_t_70 5]

// create a TableEnvironment for specific planner batch or streaming
    TableEnvironment tableEnv = ...; // see "Create a TableEnvironment" section
    
    // create a Table
    tableEnv.connect(...).createTemporaryTable("table1");
    // register an output Table
    tableEnv.connect(...).createTemporaryTable("outputTable");
    
    // create a Table object from a Table API query
    Table tapiResult = tableEnv.from("table1").select(...);
    
    // create a Table object from a SQL query
    Table sqlResult  = tableEnv.sqlQuery("SELECT ... FROM table1 ... ");
    
    // emit a Table API result Table to a TableSink, same for SQL result
    TableResult tableResult = tapiResult.executeInsert("outputTable");
    tableResult...

### 2.3 SQL API ###

#### 2.3.1 获取环境 ####

https://ci.apache.org/projects/flink/flink-docs-release-1.12/dev/table/common.html\#create-a-tableenvironment

// **********************
    // FLINK STREAMING QUERY
    // **********************
    import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;
    import org.apache.flink.table.api.EnvironmentSettings;
    import org.apache.flink.table.api.bridge.java.StreamTableEnvironment;
    
    EnvironmentSettings fsSettings = EnvironmentSettings.newInstance().useOldPlanner().inStreamingMode().build();
    StreamExecutionEnvironment fsEnv = StreamExecutionEnvironment.getExecutionEnvironment();
    StreamTableEnvironment fsTableEnv = StreamTableEnvironment.create(fsEnv, fsSettings);
    // or TableEnvironment fsTableEnv = TableEnvironment.create(fsSettings);
    
    // ******************
    // FLINK BATCH QUERY
    // ******************
    import org.apache.flink.api.java.ExecutionEnvironment;
    import org.apache.flink.table.api.bridge.java.BatchTableEnvironment;
    
    ExecutionEnvironment fbEnv = ExecutionEnvironment.getExecutionEnvironment();
    BatchTableEnvironment fbTableEnv = BatchTableEnvironment.create(fbEnv);
    
    // **********************
    // BLINK STREAMING QUERY
    // **********************
    import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;
    import org.apache.flink.table.api.EnvironmentSettings;
    import org.apache.flink.table.api.bridge.java.StreamTableEnvironment;
    
    StreamExecutionEnvironment bsEnv = StreamExecutionEnvironment.getExecutionEnvironment();
    EnvironmentSettings bsSettings = EnvironmentSettings.newInstance().useBlinkPlanner().inStreamingMode().build();
    StreamTableEnvironment bsTableEnv = StreamTableEnvironment.create(bsEnv, bsSettings);
    // or TableEnvironment bsTableEnv = TableEnvironment.create(bsSettings);
    
    // ******************
    // BLINK BATCH QUERY
    // ******************
    import org.apache.flink.table.api.EnvironmentSettings;
    import org.apache.flink.table.api.TableEnvironment;
    
    EnvironmentSettings bbSettings = EnvironmentSettings.newInstance().useBlinkPlanner().inBatchMode().build();
    TableEnvironment bbTableEnv = TableEnvironment.create(bbSettings);

#### 2.3.2 创建表 ####

// get a TableEnvironment
    TableEnvironment tableEnv = ...; // see "Create a TableEnvironment" section
    
    // table is the result of a simple projection query 
    Table projTable = tableEnv.from("X").select(...);
    
    // register the Table projTable as table "projectedTable"
    tableEnv.createTemporaryView("projectedTable", projTable);

tableEnvironment
      .connect(...)
      .withFormat(...)
      .withSchema(...)
      .inAppendMode()
      .createTemporaryTable("MyTable")

#### 2.3.3 查询表 ####

Table API

// get a TableEnvironment
    TableEnvironment tableEnv = ...; // see "Create a TableEnvironment" section
    // register Orders table
    // scan registered Orders table
    Table orders = tableEnv.from("Orders");// compute revenue for all customers from France
    Table revenue = orders
      .filter($("cCountry")
    .isEqual("FRANCE"))
      .groupBy($("cID"), $("cName")
      .select($("cID"), $("cName"), $("revenue")
    .sum()
    .as("revSum"));
    // emit or convert Table
    // execute query

SQL

// get a TableEnvironment
    TableEnvironment tableEnv = ...; // see "Create a TableEnvironment" section
    
    // register Orders table
    // compute revenue for all customers from France
    Table revenue = tableEnv.sqlQuery(
        "SELECT cID, cName, SUM(revenue) AS revSum " +
        "FROM Orders " +
        "WHERE cCountry = 'FRANCE' " +
        "GROUP BY cID, cName"
      );
    // emit or convert Table
    // execute query

// get a TableEnvironment
    TableEnvironment tableEnv = ...; // see "Create a TableEnvironment" section
    
    // register "Orders" table
    // register "RevenueFrance" output table
    // compute revenue for all customers from France and emit to "RevenueFrance"
    tableEnv.executeSql(
        "INSERT INTO RevenueFrance " +
        "SELECT cID, cName, SUM(revenue) AS revSum " +
        "FROM Orders " +
        "WHERE cCountry = 'FRANCE' " +
        "GROUP BY cID, cName"
      );

#### 2.3.4 写出表 ####

// get a TableEnvironment
    TableEnvironment tableEnv = ...; // see "Create a TableEnvironment" section
    // create an output Table
    final Schema schema = new Schema()
        .field("a", DataTypes.INT())
        .field("b", DataTypes.STRING())
        .field("c", DataTypes.BIGINT());
    tableEnv.connect(new FileSystem().path("/path/to/file"))
        .withFormat(new Csv().fieldDelimiter('|').deriveSchema())
        .withSchema(schema)
        .createTemporaryTable("CsvSinkTable");
    // compute a result Table using Table API operators and/or SQL queries
    Table result = ...
    // emit the result Table to the registered TableSink
    result.executeInsert("CsvSinkTable");

#### 2.3.5 与DataSet/DataStream集成 ####

https://ci.apache.org/projects/flink/flink-docs-release-1.12/dev/table/common.html\#integration-with-datastream-and-dataset-api  
Create a View from a DataStream or DataSet

// get StreamTableEnvironment
    // registration of a DataSet in a BatchTableEnvironment is equivalent
    StreamTableEnvironment tableEnv = ...; 
    
    // see "Create a TableEnvironment" section
    DataStream<Tuple2<Long, String>> stream = ...
    
    // register the DataStream as View "myTable" with fields "f0", "f1"
    tableEnv.createTemporaryView("myTable", stream);
    
    // register the DataStream as View "myTable2" with fields "myLong", "myString"
    tableEnv.createTemporaryView("myTable2", stream, $("myLong"), $("myString"));

Convert a DataStream or DataSet into a Table

// get StreamTableEnvironment// registration of a DataSet in a BatchTableEnvironment is equivalent
    StreamTableEnvironment tableEnv = ...; 
    // see "Create a TableEnvironment" section
    
    DataStream<Tuple2<Long, String>> stream = ...
    // Convert the DataStream into a Table with default fields "f0", "f1"
    
    Table table1 = tableEnv.fromDataStream(stream);
    // Convert the DataStream into a Table with fields "myLong", "myString"
    Table table2 = tableEnv.fromDataStream(stream, $("myLong"), $("myString"));

Convert a Table into a DataStream or DataSet  
Convert a Table into a DataStream  
Append Mode: This mode can only be used if the dynamic Table is only modified by INSERT changes, i.e, it is append-only and previously emitted results are never updated.  
追加模式：只有当动态表仅通过插入更改进行修改时，才能使用此模式，即，它是仅追加模式，并且以前发出的结果从不更新。  
Retract Mode: This mode can always be used. It encodes INSERT and DELETE changes with a boolean flag.  
撤回模式：此模式始终可用。它使用布尔标志对插入和删除更改进行编码。

// get StreamTableEnvironment. 
    StreamTableEnvironment tableEnv = ...; // see "Create a TableEnvironment" section
    
    // Table with two fields (String name, Integer age)
    Table table = ...
    
    // convert the Table into an append DataStream of Row by specifying the class
    DataStream<Row> dsRow = tableEnv.toAppendStream(table, Row.class);
    
    // convert the Table into an append DataStream of Tuple2<String, Integer>
     // via a TypeInformation
    TupleTypeInfo<Tuple2<String, Integer>> tupleType = new TupleTypeInfo<>(
      Types.STRING(),
      Types.INT());
    DataStream<Tuple2<String, Integer>> dsTuple = 
      tableEnv.toAppendStream(table, tupleType);
    // convert the Table into a retract DataStream of Row.
    // A retract stream of type X is a DataStream<Tuple2<Boolean, X>>. 
    // The boolean field indicates the type of the change. 
    // True is INSERT, false is DELETE.
    DataStream<Tuple2<Boolean, Row>> retractStream = 
      tableEnv.toRetractStream(table, Row.class);

Convert a Table into a DataSet

// get BatchTableEnvironment
    BatchTableEnvironment tableEnv = BatchTableEnvironment.create(env);
    
    // Table with two fields (String name, Integer age)
    Table table = ...
    
    // convert the Table into a DataSet of Row by specifying a class
    DataSet<Row> dsRow = tableEnv.toDataSet(table, Row.class);
    
    // convert the Table into a DataSet of Tuple2<String, Integer> via a TypeInformationTupleTypeInfo<Tuple2<String, Integer>> tupleType = new TupleTypeInfo<>(
      Types.STRING(),
      Types.INT());
    DataSet<Tuple2<String, Integer>> dsTuple = 
      tableEnv.toDataSet(table, tupleType);

2.3.6 TableAPI  
https://ci.apache.org/projects/flink/flink-docs-release-1.12/dev/table/tableApi.html

2.3.7 SQLAPI  
https://ci.apache.org/projects/flink/flink-docs-release-1.12/dev/table/sql/

2.4 相关概念  
https://ci.apache.org/projects/flink/flink-docs-release-1.12/dev/table/streaming/dynamic\_tables.html

#### 2.4.1 Dynamic Tables & Continuous Queries ####

在Flink中，它把针对无界流的表称之为Dynamic Table（动态表）。它是Flink Table API和SQL的核心概念。顾名思义，它表示了Table是不断变化的。  
我们可以这样来理解，当我们用Flink的API，建立一个表，其实把它理解为建立一个逻辑结构，这个逻辑结构需要映射到数据上去。Flink source源源不断的流入数据，就好比每次都往表上新增一条数据。表中有了数据，我们就可以使用SQL去查询了。要注意一下，流处理中的数据是只有新增的，所以看起来数据会源源不断地添加到表中。  
动态表也是一种表，既然是表，就应该能够被查询。我们来回想一下原先我们查询表的场景。  
打开编译工具，编写一条SQL语句  
将SQL语句放入到mysql的终端执行  
查看结果  
再编写一条SQL语句  
再放入到终端执行  
再查看结果  
……如此反复

而针对动态表，Flink的source端肯定是源源不断地会有数据流入，然后我们基于这个数据流建立了一张表，再编写SQL语句查询数据，进行处理。这个SQL语句一定是不断地执行的。而不是只执行一次。注意：针对流处理的SQL绝对不会像批式处理一样，执行一次拿到结果就完了。而是会不停地执行，不断地查询获取结果处理。所以，官方给这种查询方式取了一个名字，叫Continuous Query，中文翻译过来叫连续查询。而且每一次查询出来的数据也是不断变化的。

动态表/无界表  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3lhbmdzaGVuZ3dlaTIzMDYxMg_size_16_color_FFFFFF_t_70 6]  
连续查询/需要借助State  
![在这里插入图片描述][20210316171433271.png]

这是一个非常简单的示意图。该示意图描述了：我们通过建立动态表和连续查询来实现在无界流中的SQL操作。大家也可以看到，在Continuous上面有一个State，表示查询出来的结果会存储在State中，再下来Flink最终还是使用流来进行处理。  
所以，我们可以理解为Flink的Table API和SQL，是一个逻辑模型，通过该逻辑模型可以让我们的数据处理变得更加简单。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3lhbmdzaGVuZ3dlaTIzMDYxMg_size_16_color_FFFFFF_t_70 7]

## 3. 案例1 ##

3.1 需求  
将DataStream注册为Table和View并进行SQL统计  
代码实现  
**将DataStream数据转Table和View然后使用sql进行统计查询**  
注意：表中内容不能直接打印出来，需要转为datastream打印输出

package cn.itcast.sql;
    
    import lombok.AllArgsConstructor;
    import lombok.Data;
    import lombok.NoArgsConstructor;
    import org.apache.flink.api.java.tuple.Tuple2;
    import org.apache.flink.streaming.api.datastream.DataStream;
    import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;
    import org.apache.flink.table.api.EnvironmentSettings;
    import org.apache.flink.table.api.Table;
    import org.apache.flink.table.api.bridge.java.StreamTableEnvironment;
    
    import java.util.Arrays;
    
    import static org.apache.flink.table.api.Expressions.$;
    
    /** * Author itcast * Desc 演示Flink Table&SQL 案例- 将DataStream数据转Table和View然后使用sql进行统计查询 */
    public class Demo01 { 
        public static void main(String[] args) throws Exception { 
            //TODO 0.env (创建表环境)
            StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
            EnvironmentSettings settings = EnvironmentSettings.newInstance().useBlinkPlanner().inStreamingMode().build();
            StreamTableEnvironment tenv = StreamTableEnvironment.create(env, settings);
    
            //TODO 1.source
            DataStream<Order> orderA = env.fromCollection(Arrays.asList(
                    new Order(1L, "beer", 3),
                    new Order(1L, "diaper", 4),
                    new Order(3L, "rubber", 2)));
    
            DataStream<Order> orderB = env.fromCollection(Arrays.asList(
                    new Order(2L, "pen", 3),
                    new Order(2L, "rubber", 3),
                    new Order(4L, "beer", 1)));
    
            //TODO 2.transformation
            // 将DataStream数据转Table,然后查询
            Table tableA = tenv.fromDataStream(orderA, $("user"), $("product"), $("amount"));
            tableA.printSchema();
            System.out.println(tableA);
            //将DataStream数据转View,然后查询,表名为tableB
            tenv.createTemporaryView("tableB", orderB, $("user"), $("product"), $("amount"));
    
            //查询:tableA中amount>2的和tableB中amount>1的数据最后合并
            /* select * from tableA where amount > 2 union select * from tableB where amount > 1 */
            String sql = "select * from "+tableA+" where amount > 2 \n" +
                    "union \n" +
                    " select * from tableB where amount > 1";
    
            Table resultTable = tenv.sqlQuery(sql);
            resultTable.printSchema();
            System.out.println(resultTable);//UnnamedTable$1
    
    
            //将Table转为DataStream
            //DataStream<Order> resultDS = tenv.toAppendStream(resultTable, Order.class);//union all使用toAppendStream
            DataStream<Tuple2<Boolean, Order>> resultDS = tenv.toRetractStream(resultTable, Order.class);//union使用toRetractStream
            //toAppendStream → 将计算后的数据append到结果DataStream中去
            //toRetractStream → 将计算后的新的数据在DataStream原数据的基础上更新true或是删除false
            //类似StructuredStreaming中的append/update/complete
    
            //TODO 3.sink
            resultDS.print();
    
            //TODO 4.execute
            env.execute();
        }
        @Data
        @NoArgsConstructor
        @AllArgsConstructor
        public static class Order { 
            public Long user;
            public String product;
            public int amount;
        }
    }

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3lhbmdzaGVuZ3dlaTIzMDYxMg_size_16_color_FFFFFF_t_70 8]

## 4. 案例2 ##

4.1 需求  
使用SQL和Table两种方式对DataStream中的单词进行统计  
4.2 代码实现-SQL

![在这里插入图片描述][2021031617361312.png]

4.3 代码实现-table风格(了解)

![在这里插入图片描述][20210316174643576.png]

## 5. 案例3 ##

5.1 需求  
使用Flink SQL来统计5秒内 每个用户的 订单总数、订单的最大金额、订单的最小金额  
也就是每隔5秒统计最近5秒的每个用户的订单总数、订单的最大金额、订单的最小金额  
上面的需求使用流处理的Window的基于时间的滚动窗口就可以搞定!  
那么接下来使用FlinkTable&SQL-API来实现

5.2 编码步骤  
1.创建环境  
2.使用自定义函数模拟实时流数据  
3.设置事件时间和Watermaker  
4.注册表  
5.执行sql-可以使用sql风格或table风格(了解)  
6.输出结果  
7.触发执行

**5.3 代码实现-方式1** sql风格  
查询sql

/* select userId, count(orderId) as orderCount, max(money) as maxMoney,min(money) as minMoney from t_order group by userId, //窗口语法,每隔5秒统计最近5秒 tumble(createTime, INTERVAL '5' SECOND) */

package cn.itcast.sql;
    
    import lombok.AllArgsConstructor;
    import lombok.Data;
    import lombok.NoArgsConstructor;
    import org.apache.flink.api.common.eventtime.WatermarkStrategy;
    import org.apache.flink.api.java.tuple.Tuple2;
    import org.apache.flink.streaming.api.datastream.DataStream;
    import org.apache.flink.streaming.api.datastream.DataStreamSource;
    import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;
    import org.apache.flink.streaming.api.functions.source.RichSourceFunction;
    import org.apache.flink.table.api.EnvironmentSettings;
    import org.apache.flink.table.api.Table;
    import org.apache.flink.table.api.bridge.java.StreamTableEnvironment;
    import org.apache.flink.types.Row;
    
    import java.time.Duration;
    import java.util.Random;
    import java.util.UUID;
    import java.util.concurrent.TimeUnit;
    
    import static org.apache.flink.table.api.Expressions.$;
    
    /** * Author itcast * Desc 演示Flink Table&SQL 案例- 使用事件时间+Watermaker+window完成订单统计 */
    public class Demo03 { 
        public static void main(String[] args) throws Exception { 
            //TODO 0.env
            StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
            EnvironmentSettings settings = EnvironmentSettings.newInstance().useBlinkPlanner().inStreamingMode().build();
            StreamTableEnvironment tenv = StreamTableEnvironment.create(env, settings);
    
            //TODO 1.source
            DataStreamSource<Order> orderDS  = env.addSource(new RichSourceFunction<Order>() { 
                private Boolean isRunning = true;
                @Override
                public void run(SourceContext<Order> ctx) throws Exception { 
                    Random random = new Random();
                    while (isRunning) { 
                        Order order = new Order(UUID.randomUUID().toString(), random.nextInt(3), random.nextInt(101), System.currentTimeMillis());
                        TimeUnit.SECONDS.sleep(1);
                        ctx.collect(order);
                    }
                }
    
                @Override
                public void cancel() { 
                    isRunning = false;
                }
            });
    
            //TODO 2.transformation
            //需求:事件时间+Watermarker+FlinkSQL和Table的window完成订单统计
            DataStream<Order> orderDSWithWatermark = orderDS.assignTimestampsAndWatermarks(WatermarkStrategy.<Order>forBoundedOutOfOrderness(Duration.ofSeconds(5))
                    .withTimestampAssigner((order, recordTimestamp) -> order.getCreateTime())
            );
    
            //将DataStream-->View/Table,注意:指定列的时候需要指定哪一列是时间
            tenv.createTemporaryView("t_order",orderDSWithWatermark,$("orderId"), $("userId"), $("money"), $("createTime").rowtime());
    /* select userId, count(orderId) as orderCount, max(money) as maxMoney,min(money) as minMoney from t_order group by userId, //窗口语法,每隔5秒统计最近5秒 tumble(createTime, INTERVAL '5' SECOND) */
            String sql = "select userId, count(orderId) as orderCount, max(money) as maxMoney,min(money) as minMoney\n " +
                    "from t_order\n " +
                    "group by userId,\n " +
                    "tumble(createTime, INTERVAL '5' SECOND)";
    
            //执行sql
            Table resultTable = tenv.sqlQuery(sql);
       //table转DataStream
            DataStream<Tuple2<Boolean, Row>> resultDS = tenv.toRetractStream(resultTable, Row.class);
    
            //TODO 3.sink
            resultDS.print();
    
            //TODO 4.execute
            env.execute();
        }
        @Data
        @AllArgsConstructor
        @NoArgsConstructor
        public static class Order { 
            private String orderId;
            private Integer userId;
            private Integer money;
            private Long createTime;//事件时间
        }
    }

toAppendStream → 将计算后的数据append到结果DataStream中去  
toRetractStream → 将计算后的新的数据在DataStream原数据的基础上更新true或是删除false  
![在这里插入图片描述][20210316180023936.png]  
5.4 代码实现-方式2 table风格(了解)

package cn.itcast.sql;
    
    import lombok.AllArgsConstructor;
    import lombok.Data;
    import lombok.NoArgsConstructor;
    import org.apache.flink.api.common.eventtime.WatermarkStrategy;
    import org.apache.flink.api.java.tuple.Tuple2;
    import org.apache.flink.streaming.api.datastream.DataStream;
    import org.apache.flink.streaming.api.datastream.DataStreamSource;
    import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;
    import org.apache.flink.streaming.api.functions.source.RichSourceFunction;
    import org.apache.flink.table.api.EnvironmentSettings;
    import org.apache.flink.table.api.Table;
    import org.apache.flink.table.api.Tumble;
    import org.apache.flink.table.api.bridge.java.StreamTableEnvironment;
    import org.apache.flink.types.Row;
    
    import java.time.Duration;
    import java.util.Random;
    import java.util.UUID;
    import java.util.concurrent.TimeUnit;
    
    import static org.apache.flink.table.api.Expressions.$;
    import static org.apache.flink.table.api.Expressions.lit;
    
    /** * Author itcast * Desc 演示Flink Table&SQL 案例- 使用事件时间+Watermaker+window完成订单统计-Table风格 */
    public class Demo03_2 { 
        public static void main(String[] args) throws Exception { 
            //TODO 0.env
            StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
            EnvironmentSettings settings = EnvironmentSettings.newInstance().useBlinkPlanner().inStreamingMode().build();
            StreamTableEnvironment tenv = StreamTableEnvironment.create(env, settings);
    
            //TODO 1.source
            DataStreamSource<Order> orderDS  = env.addSource(new RichSourceFunction<Order>() { 
                private Boolean isRunning = true;
                @Override
                public void run(SourceContext<Order> ctx) throws Exception { 
                    Random random = new Random();
                    while (isRunning) { 
                        Order order = new Order(UUID.randomUUID().toString(), random.nextInt(3), random.nextInt(101), System.currentTimeMillis());
                        TimeUnit.SECONDS.sleep(1);
                        ctx.collect(order);
                    }
                }
    
                @Override
                public void cancel() { 
                    isRunning = false;
                }
            });
    
            //TODO 2.transformation
            //需求:事件时间+Watermarker+FlinkSQL和Table的window完成订单统计
            DataStream<Order> orderDSWithWatermark = orderDS.assignTimestampsAndWatermarks(WatermarkStrategy.<Order>forBoundedOutOfOrderness(Duration.ofSeconds(5))
                    .withTimestampAssigner((order, recordTimestamp) -> order.getCreateTime())
            );
    
            //将DataStream-->View/Table,注意:指定列的时候需要指定哪一列是时间
            tenv.createTemporaryView("t_order",orderDSWithWatermark,$("orderId"), $("userId"), $("money"), $("createTime").rowtime());
            //Table table = tenv.fromDataStream(orderDSWithWatermark, $("orderId"), $("userId"), $("money"), $("createTime").rowtime());
            //table.groupBy().select();
            
             //table查询风格
            Table resultTable = tenv.from("t_order")
                    .window(Tumble.over(lit(5).second())
                            .on($("createTime"))
                            .as("tumbleWindow"))
                    .groupBy($("tumbleWindow"), $("userId"))
                    .select(
                            $("userId"),
                            $("orderId").count().as("orderCount"),
                            $("money").max().as("maxMoney"),
                            $("money").min().as("minMoney")
                    );
    
            DataStream<Tuple2<Boolean, Row>> resultDS = tenv.toRetractStream(resultTable, Row.class);
    
            //TODO 3.sink
            resultDS.print();
    
            //TODO 4.execute
            env.execute();
        }
        @Data
        @AllArgsConstructor
        @NoArgsConstructor
        public static class Order { 
            private String orderId;
            private Integer userId;
            private Integer money;
            private Long createTime;//事件时间
        }
    }

![在这里插入图片描述][20210316180400325.png]

## 6. 案例4 ##

6.1 需求  
从Kafka中消费数据并过滤出状态为success的数据再写入到Kafka

{
       "user_id": "1", "page_id":"1", "status": "success"}
    {
       "user_id": "1", "page_id":"1", "status": "success"}
    {
       "user_id": "1", "page_id":"1", "status": "success"}
    {
       "user_id": "1", "page_id":"1", "status": "success"}
    {
       "user_id": "1", "page_id":"1", "status": "fail"}

/export/server/kafka/bin/kafka-topics.sh --create --zookeeper node1:2181 --replication-factor 2 --partitions 3 --topic input_kafka
    
    /export/server/kafka/bin/kafka-topics.sh --create --zookeeper node1:2181 --replication-factor 2 --partitions 3 --topic output_kafka
    
    /export/server/kafka/bin/kafka-console-producer.sh --broker-list node1:9092 --topic input_kafka
    
    /export/server/kafka/bin/kafka-console-consumer.sh --bootstrap-server node1:9092 --topic output_kafka --from-beginning

--------------------

链接kafka获取的到的数据直接会转为表  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3lhbmdzaGVuZ3dlaTIzMDYxMg_size_16_color_FFFFFF_t_70 9]

<dependency>
                <groupId>org.apache.flink</groupId>
                <artifactId>flink-sql-connector-kafka_2.12</artifactId>
                <version>${flink.version}</version>
            </dependency>

6.2 代码实现  
https://ci.apache.org/projects/flink/flink-docs-release-1.12/dev/table/  
https://ci.apache.org/projects/flink/flink-docs-release-1.12/dev/table/connectors/kafka.html

package cn.itcast.sql;
    
    import lombok.AllArgsConstructor;
    import lombok.Data;
    import lombok.NoArgsConstructor;
    import org.apache.flink.api.java.tuple.Tuple2;
    import org.apache.flink.streaming.api.datastream.DataStream;
    import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;
    import org.apache.flink.table.api.EnvironmentSettings;
    import org.apache.flink.table.api.Table;
    import org.apache.flink.table.api.TableResult;
    import org.apache.flink.table.api.bridge.java.StreamTableEnvironment;
    import org.apache.flink.types.Row;
    
    /** * Author itcast * Desc 演示Flink Table&SQL 案例- 从Kafka:input_kafka主题消费数据并生成Table,然后过滤出状态为success的数据再写回到Kafka:output_kafka主题 */
    public class Demo04 { 
        public static void main(String[] args) throws Exception { 
            //TODO 0.env
            StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
            EnvironmentSettings settings = EnvironmentSettings.newInstance().useBlinkPlanner().inStreamingMode().build();
            StreamTableEnvironment tenv = StreamTableEnvironment.create(env, settings);
    
            //TODO 1.source
            TableResult inputTable = tenv.executeSql(
                    "CREATE TABLE input_kafka (\n" +
                            " `user_id` BIGINT,\n" +
                            " `page_id` BIGINT,\n" +
                            " `status` STRING\n" +
                            ") WITH (\n" +
                            " 'connector' = 'kafka',\n" +
                            " 'topic' = 'input_kafka',\n" +
                            " 'properties.bootstrap.servers' = 'node1:9092',\n" +
                            " 'properties.group.id' = 'testGroup',\n" +
                            " 'scan.startup.mode' = 'latest-offset',\n" +
                            " 'format' = 'json'\n" +
                            ")"
            );
    
    
            //TODO 2.transformation
            //编写sql过滤出状态为success的数据
            String sql = "select * from input_kafka where status='success'";
            Table etlResult = tenv.sqlQuery(sql);
    
            //TODO 3.sink
            DataStream<Tuple2<Boolean, Row>> resultDS = tenv.toRetractStream(etlResult, Row.class);
            resultDS.print();
    
            TableResult outputTable = tenv.executeSql(
                    "CREATE TABLE output_kafka (\n" +
                            " `user_id` BIGINT,\n" +
                            " `page_id` BIGINT,\n" +
                            " `status` STRING\n" +
                            ") WITH (\n" +
                            " 'connector' = 'kafka',\n" +
                            " 'topic' = 'output_kafka',\n" +
                            " 'properties.bootstrap.servers' = 'node1:9092',\n" +
                            " 'format' = 'json',\n" +
                            " 'sink.partitioner' = 'round-robin'\n" +
                            ")"
            );
    
            tenv.executeSql("insert into output_kafka select * from "+ etlResult);
    
    
            //TODO 4.execute
            env.execute();
    
        }
        @Data
        @AllArgsConstructor
        @NoArgsConstructor
        public static class Order { 
            private String orderId;
            private Integer userId;
            private Integer money;
            private Long createTime;//事件时间
        }
    }
    //准备kafka主题
    ///export/server/kafka/bin/kafka-topics.sh --create --zookeeper node1:2181 --replication-factor 2 --partitions 3 --topic input_kafka
    ///export/server/kafka/bin/kafka-topics.sh --create --zookeeper node1:2181 --replication-factor 2 --partitions 3 --topic output_kafka
    ///export/server/kafka/bin/kafka-console-producer.sh --broker-list node1:9092 --topic input_kafka
    //{"user_id": "1", "page_id":"1", "status": "success"}
    //{"user_id": "1", "page_id":"1", "status": "success"}
    //{"user_id": "1", "page_id":"1", "status": "success"}
    //{"user_id": "1", "page_id":"1", "status": "success"}
    //{"user_id": "1", "page_id":"1", "status": "fail"}
    ///export/server/kafka/bin/kafka-console-consumer.sh --bootstrap-server node1:9092 --topic output_kafka --from-beginning

## 7. 总结-Flink-SQL常用算子 ##

7.1 SELECT  
SELECT 用于从 DataSet/DataStream 中选择数据，用于筛选出某些列。  
示例：  
SELECT \* FROM Table；// 取出表中的所有列  
SELECT name，age FROM Table；// 取出表中 name 和 age 两列  
与此同时 SELECT 语句中可以使用函数和别名，例如我们上面提到的 WordCount 中：  
SELECT word, COUNT(word) FROM table GROUP BY word;

7.2 WHERE  
WHERE 用于从数据集/流中过滤数据，与 SELECT 一起使用，用于根据某些条件对关系做水平分割，即选择符合条件的记录。

示例：  
SELECT name，age FROM Table where name LIKE ‘% 小明 %’；  
SELECT \* FROM Table WHERE age = 20；  
WHERE 是从原数据中进行过滤，那么在 WHERE 条件中，Flink SQL 同样支持 =、<、>、<>、>=、<=，以及 AND、OR 等表达式的组合，最终满足过滤条件的数据会被选择出来。并且 WHERE 可以结合 IN、NOT IN 联合使用。举个例子：  
SELECT name, age  
FROM Table  
WHERE name IN (SELECT name FROM Table2)

7.3 DISTINCT  
DISTINCT 用于从数据集/流中去重根据 SELECT 的结果进行去重。

示例：  
SELECT DISTINCT name FROM Table;  
对于流式查询，计算查询结果所需的 State 可能会无限增长，用户需要自己控制查询的状态范围，以防止状态过大。

7.4 GROUP BY  
GROUP BY 是对数据进行分组操作。例如我们需要计算成绩明细表中，每个学生的总分。

示例：  
SELECT name, SUM(score) as TotalScore FROM Table GROUP BY name;

7.5 UNION 和 UNION ALL  
UNION 用于将两个结果集合并起来，要求两个结果集字段完全一致，包括字段类型、字段顺序。  
不同于 UNION ALL 的是，UNION 会对结果数据去重。

示例：  
SELECT \* FROM T1 UNION (ALL) SELECT \* FROM T2；  
7.6 JOIN  
JOIN 用于把来自两个表的数据联合起来形成结果表，Flink 支持的 JOIN 类型包括：

JOIN - INNER JOIN  
LEFT JOIN - LEFT OUTER JOIN  
RIGHT JOIN - RIGHT OUTER JOIN  
FULL JOIN - FULL OUTER JOIN  
这里的 JOIN 的语义和我们在关系型数据库中使用的 JOIN 语义一致。

示例：  
JOIN(将订单表数据和商品表进行关联)  
SELECT \* FROM Orders INNER JOIN Product ON Orders.productId = Product.id

LEFT JOIN 与 JOIN 的区别是当右表没有与左边相 JOIN 的数据时候，右边对应的字段补 NULL 输出，RIGHT JOIN 相当于 LEFT JOIN 左右两个表交互一下位置。FULL JOIN 相当于 RIGHT JOIN 和 LEFT JOIN 之后进行 UNION ALL 操作。

示例：  
SELECT \* FROM Orders LEFT JOIN Product ON Orders.productId = Product.id  
SELECT \* FROM Orders RIGHT JOIN Product ON Orders.productId = Product.id  
SELECT \* FROM Orders FULL OUTER JOIN Product ON Orders.productId = Product.id

7.7 Group Window  
根据窗口数据划分的不同，目前 Apache Flink 有如下 3 种 Bounded Window：  
Tumble，滚动窗口，窗口数据有固定的大小，窗口数据无叠加；  
Hop，滑动窗口，窗口数据有固定大小，并且有固定的窗口重建频率，窗口数据有叠加；  
Session，会话窗口，窗口数据没有固定的大小，根据窗口数据活跃程度划分窗口，窗口数据无叠加。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3lhbmdzaGVuZ3dlaTIzMDYxMg_size_16_color_FFFFFF_t_70 10]  
Tumble 滚动窗口对应的语法如下：  
SELECT  
\[gk\],  
\[TUMBLE\_START(timeCol, size)\],  
\[TUMBLE\_END(timeCol, size)\],  
agg1(col1),  
…  
aggn(colN)  
FROM Tab1  
GROUP BY \[gk\], TUMBLE(timeCol, size)

其中：  
\[gk\] 决定了是否需要按照字段进行聚合；  
TUMBLE\_START 代表窗口开始时间；  
TUMBLE\_END 代表窗口结束时间；  
timeCol 是流表中表示时间字段；  
size 表示窗口的大小，如 秒、分钟、小时、天。

举个例子，假如我们要计算每个人每天的订单量，按照 user 进行聚合分组：  
SELECT user, TUMBLE\_START(rowtime, INTERVAL ‘1’ DAY) as wStart, SUM(amount)  
FROM Orders  
GROUP BY TUMBLE(rowtime, INTERVAL ‘1’ DAY), user;

7.7.2 Hop Window  
Hop 滑动窗口和滚动窗口类似，窗口有固定的 size，与滚动窗口不同的是滑动窗口可以通过 slide 参数控制滑动窗口的新建频率。因此当 slide 值小于窗口 size 的值的时候多个滑动窗口会重叠，具体语义如下：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3lhbmdzaGVuZ3dlaTIzMDYxMg_size_16_color_FFFFFF_t_70 11]  
Hop 滑动窗口对应语法如下：  
SELECT  
\[gk\],  
\[HOP\_START(timeCol, slide, size)\] ,  
\[HOP\_END(timeCol, slide, size)\],  
agg1(col1),  
…  
aggN(colN)  
FROM Tab1  
GROUP BY \[gk\], HOP(timeCol, slide, size)

每次字段的意思和 Tumble 窗口类似：  
\[gk\] 决定了是否需要按照字段进行聚合；  
HOP\_START 表示窗口开始时间；  
HOP\_END 表示窗口结束时间；  
timeCol 表示流表中表示时间字段；  
slide 表示每次窗口滑动的大小；  
size 表示整个窗口的大小，如 秒、分钟、小时、天。

举例说明，我们要每过一小时计算一次过去 24 小时内每个商品的销量：  
SELECT product, SUM(amount)  
FROM Orders  
GROUP BY product,HOP(rowtime, INTERVAL ‘1’ HOUR, INTERVAL ‘1’ DAY)

7.7.3 Session Window  
会话时间窗口没有固定的持续时间，但它们的界限由 interval 不活动时间定义，即如果在定义的间隙期间没有出现事件，则会话窗口关闭。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3lhbmdzaGVuZ3dlaTIzMDYxMg_size_16_color_FFFFFF_t_70 12]  
Seeeion 会话窗口对应语法如下：  
SELECT  
\[gk\],  
SESSION\_START(timeCol, gap) AS winStart,  
SESSION\_END(timeCol, gap) AS winEnd,  
agg1(col1),  
…  
aggn(colN)  
FROM Tab1  
GROUP BY \[gk\], SESSION(timeCol, gap)  
\[gk\] 决定了是否需要按照字段进行聚合；  
SESSION\_START 表示窗口开始时间；  
SESSION\_END 表示窗口结束时间；  
timeCol 表示流表中表示时间字段；  
gap 表示窗口数据非活跃周期的时长。

例如，我们需要计算每个用户访问时间 12 小时内的订单量：  
SELECT user, SESSION\_START(rowtime, INTERVAL ‘12’ HOUR) AS sStart, SESSION\_ROWTIME(rowtime, INTERVAL ‘12’ HOUR) AS sEnd, SUM(amount)  
FROM Orders  
GROUP BY SESSION(rowtime, INTERVAL ‘12’ HOUR), user

# 7.Flink-Action综合练习 #

课程目标  
掌握使用Flink实现模拟双十一实时大屏统计  
掌握使用Flink实现订单自动好评

## 1. Flink模拟双十一实时大屏统计 ##

**1.1 需求**  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3lhbmdzaGVuZ3dlaTIzMDYxMg_size_16_color_FFFFFF_t_70 13]  
在大数据的实时处理中，实时的大屏展示已经成了一个很重要的展示项，比如最有名的双十一大屏实时销售总价展示。除了这个，还有一些其他场景的应用，比如我们在我们的后台系统实时的展示我们网站当前的pv、uv等等，其实做法都是类似的。  
今天我们就做一个最简单的模拟电商统计大屏的小例子，  
需求如下：  
1.实时计算出当天零点截止到当前时间的销售总额  
2.计算出各个分类的销售top3  
3.每秒钟更新一次统计结果

**1.2 数据**  
首先我们通过自定义source 模拟订单的生成，生成了一个Tuple2,第一个元素是分类，第二个元素表示这个分类下产生的订单金额，金额我们通过随机生成.

/** * 自定义数据源实时产生订单数据Tuple2<分类, 金额> */
    public static class MySource implements SourceFunction<Tuple2<String, Double>>{ 
        private boolean flag = true;
        private String[] categorys = { "女装", "男装","图书", "家电","洗护", "美妆","运动", "游戏","户外", "家具","乐器", "办公"};
        private Random random = new Random();
    
        @Override
        public void run(SourceContext<Tuple2<String, Double>> ctx) throws Exception { 
            while (flag){ 
                //随机生成分类和金额
                int index = random.nextInt(categorys.length);//[0~length) ==> [0~length-1]
                String category = categorys[index];//获取的随机分类
                double price = random.nextDouble() * 100;//注意nextDouble生成的是[0~1)之间的随机数,*100之后表示[0~100)
                ctx.collect(Tuple2.of(category,price));
                Thread.sleep(20);
            }
        }
    
        @Override
        public void cancel() { 
            flag = false;
        }
    }

**1.3 编码步骤:**  
1.env  
2.source  
3.transformation  
3.1定义大小为一天的窗口,第二个参数表示中国使用的UTC+08:00时区比UTC时间早  
.keyBy(0)  
window(TumblingProcessingTimeWindows.of(Time.days(1), Time.hours(-8))  
3.2定义一个1s的触发器  
.trigger(ContinuousProcessingTimeTrigger.of(Time.seconds(1)))  
3.3聚合结果.aggregate(new PriceAggregate(), new WindowResult());  
3.4看一下聚合的结果  
CategoryPojo(category=男装, totalPrice=17225.26, dateTime=2020-10-20 08:04:12)  
4.使用上面聚合的结果,实现业务需求:  
result.keyBy(“dateTime”)  
//每秒钟更新一次统计结果  
.window(TumblingProcessingTimeWindows.of(Time.seconds(1)))  
//在ProcessWindowFunction中实现该复杂业务逻辑  
.process(new WindowResultProcess());  
4.1.实时计算出当天零点截止到当前时间的销售总额  
4.2.计算出各个分类的销售top3  
4.3.每秒钟更新一次统计结果  
5.execute

**1.4 代码实现**

package cn.itcast.action;
    
    import lombok.AllArgsConstructor;
    import lombok.Data;
    import lombok.NoArgsConstructor;
    import org.apache.commons.lang3.StringUtils;
    import org.apache.commons.lang3.time.FastDateFormat;
    import org.apache.flink.api.common.RuntimeExecutionMode;
    import org.apache.flink.api.common.functions.AggregateFunction;
    import org.apache.flink.api.java.tuple.Tuple2;
    import org.apache.flink.streaming.api.datastream.DataStream;
    import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;
    import org.apache.flink.streaming.api.functions.source.SourceFunction;
    import org.apache.flink.streaming.api.functions.windowing.ProcessWindowFunction;
    import org.apache.flink.streaming.api.functions.windowing.WindowFunction;
    import org.apache.flink.streaming.api.windowing.assigners.TumblingProcessingTimeWindows;
    import org.apache.flink.streaming.api.windowing.time.Time;
    import org.apache.flink.streaming.api.windowing.triggers.ContinuousProcessingTimeTrigger;
    import org.apache.flink.streaming.api.windowing.windows.TimeWindow;
    import org.apache.flink.util.Collector;
    
    import java.math.BigDecimal;
    import java.math.RoundingMode;
    import java.util.List;
    import java.util.PriorityQueue;
    import java.util.Queue;
    import java.util.Random;
    import java.util.stream.Collectors;
    
    /** * Author itcast * Desc * 1.实时计算出当天零点截止到当前时间的销售总额 11月11日 00:00:00 ~ 23:59:59 * 2.计算出各个分类的销售top3 * 3.每秒钟更新一次统计结果 */
    public class DoubleElevenBigScreem { 
        public static void main(String[] args) throws Exception { 
            //TODO 1.env
            StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
            env.setRuntimeMode(RuntimeExecutionMode.AUTOMATIC);
            env.setParallelism(1);//方便观察
            //TODO 2.source
            DataStream<Tuple2<String, Double>> orderDS = env.addSource(new MySource());
    
            //TODO 3.transformation--初步聚合:每隔1s聚合一下截止到当前时间的各个分类的销售总金额
            DataStream<CategoryPojo> tempAggResult = orderDS
                    //分组
                    .keyBy(t -> t.f0)
                    //如果直接使用之前学习的窗口按照下面的写法表示:
                    //表示每隔1天计算一次---不对!
                    //.window(TumblingProcessingTimeWindows.of(Time.days(1)));
                    //表示每隔1s计算最近一天的数据,但是11月11日 00:01:00运行计算的是: 11月10日 00:01:00~11月11日 00:01:00 ---不对!
                    //.window(SlidingProcessingTimeWindows.of(Time.days(1),Time.seconds(1)));
                    //*例如中国使用UTC+08:00，您需要一天大小的时间窗口，
                    //*窗口从当地时间的00:00:00开始，您可以使用{@code of(时间.天(1),时间.hours(-8))}.
                    //下面的代码表示从当天的00:00:00开始计算当天的数据,缺一个触发时机/触发间隔
                    //3.1定义大小为一天的窗口,第二个参数表示中国使用的UTC+08:00时区比UTC时间早
                    .window(TumblingProcessingTimeWindows.of(Time.days(1), Time.hours(-8)))
                    //3.2自定义触发时机/触发间隔
                    .trigger(ContinuousProcessingTimeTrigger.of(Time.seconds(1)))
                    //.sum()//简单聚合
                    //3.3自定义聚合和结果收集
                    //aggregate(AggregateFunction<T, ACC, V> aggFunction,WindowFunction<V, R, K, W> windowFunction)
                    .aggregate(new PriceAggregate(), new WindowResult());//aggregate支持复杂的自定义聚合
            //3.4看一下聚合的结果
            tempAggResult.print("初步聚合的各个分类的销售总额");
            //初步聚合的各个分类的销售总额> DoubleElevenBigScreem.CategoryPojo(category=游戏, totalPrice=563.8662504982619, dateTime=2021-01-19 10:31:40)
            //初步聚合的各个分类的销售总额> DoubleElevenBigScreem.CategoryPojo(category=办公, totalPrice=876.5216500403918, dateTime=2021-01-19 10:31:40)
    
            //TODO 4.sink-使用上面初步聚合的结果(每隔1s聚合一下截止到当前时间的各个分类的销售总金额),实现业务需求:
            tempAggResult.keyBy(CategoryPojo::getDateTime)
                    .window(TumblingProcessingTimeWindows.of(Time.seconds(1)))//每隔1s进行最终的聚合并输出结果
                    //.sum//简单聚合
                    //.apply()
                    .process(new FinalResultWindowProcess());//在ProcessWindowFunction中实现该复杂业务逻辑
    
            //TODO 5.execute
            env.execute();
        }
    
        /**
         * 自定义数据源实时产生订单数据Tuple2<分类, 金额>
         */
        public static class MySource implements SourceFunction<Tuple2<String, Double>> { 
            private boolean flag = true;
            private String[] categorys = { "女装", "男装", "图书", "家电", "洗护", "美妆", "运动", "游戏", "户外", "家具", "乐器", "办公"};
            private Random random = new Random();
    
            @Override
            public void run(SourceContext<Tuple2<String, Double>> ctx) throws Exception { 
                while (flag) { 
                    //随机生成分类和金额
                    int index = random.nextInt(categorys.length);//[0~length) ==> [0~length-1]
                    String category = categorys[index];//获取的随机分类
                    double price = random.nextDouble() * 100;//注意nextDouble生成的是[0~1)之间的随机小数,*100之后表示[0~100)的随机小数
                    ctx.collect(Tuple2.of(category, price));
                    Thread.sleep(20);
                }
            }
    
            @Override
            public void cancel() { 
                flag = false;
            }
        }
    
        /** * 自定义聚合函数,指定聚合规则 * AggregateFunction<IN, ACC, OUT> */
        private static class PriceAggregate implements AggregateFunction<Tuple2<String, Double>, Double, Double> { 
            //初始化累加器
            @Override
            public Double createAccumulator() { 
                return 0D;//D表示double,L表示Long
            }
    
            //把数据累加到累加器上
            @Override
            public Double add(Tuple2<String, Double> value, Double accumulator) { 
                return value.f1 + accumulator;
            }
    
            //获取累加结果
            @Override
            public Double getResult(Double accumulator) { 
                return accumulator;
            }
    
            //合并各个subtask的结果
            @Override
            public Double merge(Double a, Double b) { 
                return a + b;
            }
        }
    
        /** * 自定义窗口函数,指定窗口数据收集规则(负责返回聚合的结果如何返回) * WindowFunction<IN, OUT, KEY, W extends Window> */
        private static class WindowResult implements WindowFunction<Double, CategoryPojo, String, TimeWindow> { 
            private FastDateFormat df = FastDateFormat.getInstance("yyyy-MM-dd HH:mm:ss");
            @Override
            //void apply(KEY key, W window, Iterable<IN> input, Collector<OUT> out)
            public void apply(String category, TimeWindow window, Iterable<Double> input, Collector<CategoryPojo> out) throws Exception { 
                long currentTimeMillis = System.currentTimeMillis();
                String dateTime = df.format(currentTimeMillis);
                Double totalPrice = input.iterator().next();
                out.collect(new CategoryPojo(category,totalPrice,dateTime));
            }
        }
    
        /** * 用于存储聚合返回结果 */
        @Data
        @AllArgsConstructor
        @NoArgsConstructor
        public static class CategoryPojo { 
            private String category;//分类名称
            private double totalPrice;//该分类总销售额
            private String dateTime;// 截止到当前时间的时间,本来应该是EventTime,但是我们这里简化了直接用当前系统时间即可
        }
    
        /** * 自定义窗口完成销售总额统计和分类销售额top3统计并输出 * abstract class ProcessWindowFunction<IN, OUT, KEY, W extends Window> */
        private static class FinalResultWindowProcess extends ProcessWindowFunction<CategoryPojo, Object, String, TimeWindow> { 
            //注意:
            //下面的key/dateTime表示当前这1s的时间
            //elements:表示截止到当前这1s的各个分类的销售数据
            @Override
            public void process(String dateTime, Context context, Iterable<CategoryPojo> elements, Collector<Object> out) throws Exception { 
                //1.实时计算出当天零点截止到当前时间的销售总额 11月11日 00:00:00 ~ 23:59:59
                double total = 0D;//用来记录销售总额
                //2.计算出各个分类的销售top3:如: "女装": 10000 "男装": 9000 "图书":8000
                //注意:这里只需要求top3,也就是只需要排前3名就行了,其他的不用管!当然你也可以每次对进来的所有数据进行排序,但是浪费!
                //所以这里直接使用小顶堆完成top3排序:
                //70
                //80
                //90
                //如果进来一个比堆顶元素还有小的,直接不要
                //如果进来一个比堆顶元素大,如85,直接把堆顶元素删掉,把85加进去并继续按照小顶堆规则排序,小的在上面,大的在下面
                //80
                //85
                //90
                //创建一个小顶堆
                //https://blog.csdn.net/hefenglian/article/details/81807527
                Queue<CategoryPojo> queue = new PriorityQueue<>(3,//初识容量
                        //正常的排序,就是小的在前,大的在后,也就是c1>c2的时候返回1,也就是升序,也就是小顶堆
                        (c1, c2) -> c1.getTotalPrice() >= c2.getTotalPrice() ? 1 : -1);
                for (CategoryPojo element : elements) { 
                    double price = element.getTotalPrice();
                    total += price;
                    if(queue.size()< 3){ 
                        queue.add(element);//或offer入队
                    }else{ 
                        if(price >= queue.peek().getTotalPrice()){ //peek表示取出堆顶元素但不删除
                            //queue.remove(queue.peek());
                            queue.poll();//移除堆顶元素
                            queue.add(element);//或offer入队
                        }
                    }
                }
                //代码走到这里那么queue存放的就是分类的销售额top3,但是是升序.需要改为逆序然后输出
                List<String> top3List = queue.stream()
                        .sorted((c1, c2) -> c1.getTotalPrice() >= c2.getTotalPrice() ? -1 : 1)
                        .map(c -> "分类:" + c.getCategory() + " 金额:" + c.getTotalPrice())
                        .collect(Collectors.toList());
    
                //3.每秒钟更新一次统计结果-也就是直接输出
                double roundResult = new BigDecimal(total).setScale(2, RoundingMode.HALF_UP).doubleValue();//四舍五入保留2位小数
                System.out.println("时间: "+dateTime +" 总金额 :" + roundResult);
    
                System.out.println("top3: \n" + StringUtils.join(top3List,"\n"));
            }
        }
    }

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3lhbmdzaGVuZ3dlaTIzMDYxMg_size_16_color_FFFFFF_t_70 14]

## 2. Flink实现订单自动好评 ##

**2.1 需求**  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3lhbmdzaGVuZ3dlaTIzMDYxMg_size_16_color_FFFFFF_t_70 15]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3lhbmdzaGVuZ3dlaTIzMDYxMg_size_16_color_FFFFFF_t_70 16]  
在电商领域会有这么一个场景，如果用户买了商品，在订单完成之后，一定时间之内没有做出评价，系统自动给与五星好评，我们今天主要使用Flink的定时器来简单实现这一功能。  
2.2 数据  
自定义source模拟生成一些订单数据.  
在这里，我们生了一个最简单的二元组Tuple3,包含用户id,订单id和订单完成时间三个字段.

/** * 自定义source实时产生订单数据Tuple3<用户id,订单id, 订单生成时间> */
    public static class MySource implements SourceFunction<Tuple3<String, String, Long>> { 
        private boolean flag = true;
        @Override
        public void run(SourceContext<Tuple3<String, String, Long>> ctx) throws Exception { 
            Random random = new Random();
            while (flag) { 
                String userId = random.nextInt(5) + "";
                String orderId = UUID.randomUUID().toString();
                long currentTimeMillis = System.currentTimeMillis();
                ctx.collect(Tuple3.of(userId, orderId, currentTimeMillis));
                Thread.sleep(500);
            }
        }
    
        @Override
        public void cancel() { 
            flag = false;
        }
    }

**2.3 编码步骤**  
1.env  
2.source  
3.transformation  
设置经过interval毫秒用户未对订单做出评价，自动给与好评.为了演示方便，设置5s的时间  
long interval = 5000L;  
分组后使用自定义KeyedProcessFunction完成定时判断超时订单并自动好评  
dataStream.keyBy(0).process(new TimerProcessFuntion(interval));  
3.1定义MapState类型的状态，key是订单号，value是订单完成时间  
3.2创建MapState  
MapStateDescriptor<String, Long> mapStateDesc =  
new MapStateDescriptor<>(“mapStateDesc”, String.class, Long.class);  
mapState = getRuntimeContext().getMapState(mapStateDesc);  
3.3注册定时器  
mapState.put(value.f0, value.f1);  
ctx.timerService().registerProcessingTimeTimer(value.f1 + interval);  
3.4定时器被触发时执行并输出结果  
4.sink  
5.execute

**2.4 代码实现**

package cn.itcast.action;
    
    import org.apache.flink.api.common.state.MapState;
    import org.apache.flink.api.common.state.MapStateDescriptor;
    import org.apache.flink.api.java.tuple.Tuple;
    import org.apache.flink.api.java.tuple.Tuple3;
    import org.apache.flink.configuration.Configuration;
    import org.apache.flink.streaming.api.datastream.DataStreamSource;
    import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;
    import org.apache.flink.streaming.api.functions.KeyedProcessFunction;
    import org.apache.flink.streaming.api.functions.source.SourceFunction;
    import org.apache.flink.util.Collector;
    
    import java.util.Iterator;
    import java.util.Map;
    import java.util.Random;
    import java.util.UUID;
    
    /** * Author itcast * Desc * 在电商领域会有这么一个场景，如果用户买了商品，在订单完成之后，一定时间之内没有做出评价，系统自动给与五星好评， * 我们今天主要使用Flink的定时器来简单实现这一功能。 */
    public class OrderAutomaticFavorableComments { 
        public static void main(String[] args) throws Exception { 
            //1.env
            StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
            env.setParallelism(1);
            //2.source
            DataStreamSource<Tuple3<String, String, Long>> sourceDS = env.addSource(new MySource());
            //这里可以使用订单生成时间作为事件时间,代码和之前的一样
            //这里不作为重点,所以简化处理!
    
            //3.transformation
            //设置经过interval用户未对订单做出评价，自动给与好评.为了演示方便，设置5000ms的时间
            long interval = 5000L;
            //分组后使用自定义KeyedProcessFunction完成定时判断超时订单并自动好评
            sourceDS.keyBy(0) //实际中可以对用户id进行分组
                    //KeyedProcessFunction:进到窗口的数据是分好组的
                    //ProcessFunction:进到窗口的数据是不区分分组的
                    .process(new TimerProcessFuntion(interval));
            //4.execute
            env.execute();
        }
    
        /** * 自定义source实时产生订单数据Tuple2<订单id, 订单生成时间> */
        public static class MySource implements SourceFunction<Tuple3<String, String, Long>> { 
            private boolean flag = true;
            @Override
            public void run(SourceContext<Tuple3<String, String, Long>> ctx) throws Exception { 
                Random random = new Random();
                while (flag) { 
                    String userId = random.nextInt(5) + "";
                    String orderId = UUID.randomUUID().toString();
                    long currentTimeMillis = System.currentTimeMillis();
                    ctx.collect(Tuple3.of(userId, orderId, currentTimeMillis));
                    Thread.sleep(500);
                }
            }
    
            @Override
            public void cancel() { 
                flag = false;
            }
        }
    
        /** * 自定义处理函数用来给超时订单做自动好评! * 如一个订单进来:<订单id, 2020-10-10 12:00:00> * 那么该订单应该在12:00:00 + 5s 的时候超时! * 所以我们可以在订单进来的时候设置一个定时器,在订单时间 + interval的时候触发! * KeyedProcessFunction<K, I, O> * KeyedProcessFunction<Tuple就是String, Tuple3<用户id, 订单id, 订单生成时间>, Object> */
        public static class TimerProcessFuntion extends KeyedProcessFunction<Tuple, Tuple3<String, String, Long>, Object> { 
            private long interval;
    
            public TimerProcessFuntion(long interval) { 
                this.interval = interval;//传过来的是5000ms/5s
            }
    
            //3.1定义MapState类型的状态，key是订单号，value是订单完成时间
            //定义一个状态用来记录订单信息
            //MapState<订单id, 订单完成时间>
            private MapState<String, Long> mapState;
    
            //3.2初始化MapState
            @Override
            public void open(Configuration parameters) throws Exception { 
                //创建状态描述器
                MapStateDescriptor<String, Long> mapStateDesc = new MapStateDescriptor<>("mapState", String.class, Long.class);
                //根据状态描述器初始化状态
                mapState = getRuntimeContext().getMapState(mapStateDesc);
            }
    
    
            //3.3注册定时器
            //处理每一个订单并设置定时器
            @Override
            public void processElement(Tuple3<String, String, Long> value, Context ctx, Collector<Object> out) throws Exception { 
                mapState.put(value.f1, value.f2);
                //如一个订单进来:<订单id, 2020-10-10 12:00:00>
                //那么该订单应该在12:00:00 + 5s 的时候超时!
                //在订单进来的时候设置一个定时器,在订单时间 + interval的时候触发!!!
                ctx.timerService().registerProcessingTimeTimer(value.f2 + interval);
            }
    
            //3.4定时器被触发时执行并输出结果并sink
            @Override
            public void onTimer(long timestamp, OnTimerContext ctx, Collector<Object> out) throws Exception { 
                //能够执行到这里说明订单超时了!超时了得去看看订单是否评价了(实际中应该要调用外部接口/方法查订单系统!,我们这里没有,所以模拟一下)
                //没有评价才给默认好评!并直接输出提示!
                //已经评价了,直接输出提示!
                Iterator<Map.Entry<String, Long>> iterator = mapState.iterator();
                while (iterator.hasNext()) { 
                    Map.Entry<String, Long> entry = iterator.next();
                    String orderId = entry.getKey();
                    //调用订单系统查询是否已经评价
                    boolean result = isEvaluation(orderId);
                    if (result) { //已评价
                        System.out.println("订单(orderid: " + orderId + ")在" + interval + "毫秒时间内已经评价，不做处理");
                    } else { //未评价
                        System.out.println("订单(orderid: " + orderId + ")在" + interval + "毫秒时间内未评价，系统自动给了默认好评!");
                        //实际中还需要调用订单系统将该订单orderId设置为5星好评!
                    }
                    //从状态中移除已经处理过的订单,避免重复处理
                    iterator.remove();
                }
            }
    
            //在生产环境下，可以去查询相关的订单系统.
            private boolean isEvaluation(String key) { 
                return key.hashCode() % 2 == 0;//随机返回订单是否已评价
            }
        }
    }

**2.5 效果**

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3lhbmdzaGVuZ3dlaTIzMDYxMg_size_16_color_FFFFFF_t_70 17]

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3lhbmdzaGVuZ3dlaTIzMDYxMg_size_16_color_FFFFFF_t_70]: /images/20221023/6cc5dbefd99a455384047fe14f8b4611.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3lhbmdzaGVuZ3dlaTIzMDYxMg_size_16_color_FFFFFF_t_70 1]: /images/20221023/35d92e0c41de42e89aac9f5e9eb4945f.png
[20210316154753713.png]: /images/20221023/cd03cb1d4f9d4bb89f5097c6fcbac8b5.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3lhbmdzaGVuZ3dlaTIzMDYxMg_size_16_color_FFFFFF_t_70 2]: /images/20221023/97f930e1b40345d8ab8bc91982c28762.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3lhbmdzaGVuZ3dlaTIzMDYxMg_size_16_color_FFFFFF_t_70 3]: /images/20221023/9136e390a6764161a37499df5a90e4ae.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3lhbmdzaGVuZ3dlaTIzMDYxMg_size_16_color_FFFFFF_t_70 4]: /images/20221023/67c7f049feeb4a58a1bc743364d82ba1.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3lhbmdzaGVuZ3dlaTIzMDYxMg_size_16_color_FFFFFF_t_70 5]: /images/20221023/600dac2799d64e9289bdc62c36d9913c.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3lhbmdzaGVuZ3dlaTIzMDYxMg_size_16_color_FFFFFF_t_70 6]: /images/20221023/8f0533b4bd004cd89b4354de7accb1e4.png
[20210316171433271.png]: /images/20221023/e956db7303024e8db6372969ef35c72a.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3lhbmdzaGVuZ3dlaTIzMDYxMg_size_16_color_FFFFFF_t_70 7]: /images/20221023/09ed1771506748eb8698056f17f4cf98.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3lhbmdzaGVuZ3dlaTIzMDYxMg_size_16_color_FFFFFF_t_70 8]: /images/20221023/15eac925e5fc4b35ac6a00baf753c6e9.png
[2021031617361312.png]: /images/20221023/68aeeaa85da94184bcb37518d6199349.png
[20210316174643576.png]: /images/20221023/f0572e376d8a450eaac8dbf2a13f45eb.png
[20210316180023936.png]: /images/20221023/fe765fbad1624f5d840672cd52b81ec0.png
[20210316180400325.png]: /images/20221023/0eaacf843bac4753aa03d2bf2b39d176.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3lhbmdzaGVuZ3dlaTIzMDYxMg_size_16_color_FFFFFF_t_70 9]: /images/20221023/800321d9f33541f6912a6eeace2c10c1.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3lhbmdzaGVuZ3dlaTIzMDYxMg_size_16_color_FFFFFF_t_70 10]: /images/20221023/6808c5b5a809479683d0f3a4050bb9a8.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3lhbmdzaGVuZ3dlaTIzMDYxMg_size_16_color_FFFFFF_t_70 11]: /images/20221023/2ec1f15659df41728ebf90468490044f.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3lhbmdzaGVuZ3dlaTIzMDYxMg_size_16_color_FFFFFF_t_70 12]: /images/20221023/3bf3d81e3a3f40088c230f55960acff8.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3lhbmdzaGVuZ3dlaTIzMDYxMg_size_16_color_FFFFFF_t_70 13]: /images/20221023/daa4ea7593f8418fb0b68fe0621965d6.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3lhbmdzaGVuZ3dlaTIzMDYxMg_size_16_color_FFFFFF_t_70 14]: /images/20221023/28d118ef58d844c7a6cfe4ef98a6d02c.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3lhbmdzaGVuZ3dlaTIzMDYxMg_size_16_color_FFFFFF_t_70 15]: /images/20221023/60cffa8b03924c698c68aa804df82e8f.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3lhbmdzaGVuZ3dlaTIzMDYxMg_size_16_color_FFFFFF_t_70 16]: /images/20221023/68349917351e409881fd751d5184ea69.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3lhbmdzaGVuZ3dlaTIzMDYxMg_size_16_color_FFFFFF_t_70 17]: /images/20221023/cc5cf6cc0b084fbc8e8469ac4caae8c1.png