第一章 整体介绍 2
1.1 什么是 Table API 和 Flink SQL 2
1.2 需要引入的依赖 2
1.3 两种 planner（old & blink）的区别 4
第二章 API 调用 5
2.1 基本程序结构 5
2.2 创建表环境 5
2.3 在 Catalog 中注册表 7
2.3.1 表（Table）的概念 7
2.3.2 连接到文件系统（Csv 格式） 7
2.3.3 连接到 Kafka 8
2.4 表的查询 9
2.4.1 Table API 的调用 9
2.4.2 SQL 查询 10
2.5 将 DataStream 转换成表 11
2.5.1 代码表达 11
2.5.2 数据类型与 Table schema 的对应 12
2.6. 创建临时视图（Temporary View） 12
2.7. 输出表 14
2.7.1 输出到文件 14
2.7.2 更新模式（Update Mode） 15
2.7.3 输出到 Kafka 16
2.7.4 输出到 ElasticSearch 16
2.7.5 输出到 MySql 17
2.8 将表转换成 DataStream 18
2.9 Query 的解释和执行 20
1. 优化查询计划 20
2. 解释成 DataStream 或者 DataSet 程序 20
第三章 流处理中的特殊概念 20
3.1 流处理和关系代数（表，及 SQL）的区别 21
3.2 动态表（Dynamic Tables） 21
3.3 流式持续查询的过程 21
3.3.1 将流转换成表（Table） 22
3.3.2 持续查询（Continuous Query） 23
3.3.3 将动态表转换成流 23
3.4 时间特性 25
3.4.1 处理时间（Processing Time） 25
3.4.2 事件时间（Event Time） 27
第四章 窗口（Windows） 30
4.1 分组窗口（Group Windows） 30
4.1.1 滚动窗口 31
4.1.2 滑动窗口 32
4.1.3 会话窗口 32
4.2 Over Windows 33
1） 无界的 over window 33
2） 有界的 over window 34
4.3 SQL 中窗口的定义 34
4.3.1 Group Windows 34
4.3.2 Over Windows 35
4.4 代码练习（以分组滚动窗口为例） 36
第五章 函数（Functions） 38
5.1 系统内置函数 38
5.2 UDF 40
5.2.1 注册用户自定义函数 UDF 40
5.2.2 标量函数（Scalar Functions） 40
5.2.3 表函数（Table Functions） 42
5.2.4 聚合函数（Aggregate Functions） 45
5.2.5 表聚合函数（Table Aggregate Functions） 47
2021-01-28 04:27:30
1.29MB
1