FLINK SQL UDF

🕗 发布于 2024-10-15 13:19 flink sql python

在Flink SQL中，UDF（User-Defined Function，用户自定义函数）是一种扩展Flink SQL处理能力的机制。通过UDF，用户可以编写自定义的Java或Scala代码，以处理Flink SQL无法直接支持的数据处理逻辑。Flink SQL支持多种类型的UDF，包括标量函数（Scalar Function）、表值函数（Table Function，虽然Flink没有直接命名为UDTF的接口，但FlatTableFunction和TableFunction提供了类似的功能）、聚合函数（Aggregate Function）和表聚合函数（虽然Flink没有直接命名为UDTAGG的接口，但TableAggregateFunction可以看作是一种表级别的聚合函数）。

以下是Flink SQL UDF的一些关键点：

标量函数（Scalar Function）：

接收一个或多个输入参数，并返回一个单一的结果。
常用于选择列表、过滤条件或计算表达式中。
示例：自定义一个计算两个整数之和的函数。

表值函数（Table Function，FlatTableFunction/TableFunction）：

接收一个输入行，并返回零个、一个或多个输出行。
常用于需要将输入行拆分成多个输出行的情况。
示例：自定义一个将字符串拆分成单词的函数。

聚合函数（Aggregate Function）：

对一组输入行进行计算，并返回一个单一的结果。
需要实现累加器逻辑，以处理输入行的累积效应。
示例：自定义一个计算平均值的函数。

表聚合函数（TableAggregateFunction）：

这是一个更复杂的聚合函数，它返回的是一行或多行结果，而不是单一结果。
通常用于需要基于输入行的集合生成复杂数据结构的情况。
示例：自定义一个计算每个分组中不同值的数量的函数。

要创建和使用Flink SQL中的UDF，需要：

定义UDF类：

编写一个Java或Scala类，并实现相应的UDF接口（如ScalarFunction、FlatTableFunction、AggregateFunction或TableAggregateFunction）。

注册UDF：

在Flink SQL CLI、Table API或SQL DDL语句中注册UDF。这通常涉及指定UDF的名称、返回类型以及输入参数类型。

使用UDF：

在SQL查询中使用注册的UDF名称和参数。Flink SQL解析器将识别UDF，并在执行查询时调用相应的Java或Scala代码。

函数归类

一、标量函数（Scalar Function）

功能特性：
- 接收一个或多个输入参数，并返回一个单一的结果。
- 类似于Flink算子的map操作，实现一对一的转换。
使用场景：
- 常用于选择列表、过滤条件或计算表达式中。
- 例如，自定义一个将字符串转换为大写的函数，或计算两个数值的和等。

二、表值函数（Table Function，包括TableFunction和FlatTableFunction）

功能特性：
- 接收一个输入行，并返回零个、一个或多个输出行。
- 类似于Flink的flatmap操作，实现一对多的转换。
使用场景：
- 常用于需要将输入行拆分成多个输出行的情况。
- 例如，自定义一个将字符串拆分成单词的函数，或根据输入行的数据生成多个输出行等。

三、聚合函数（Aggregate Function）

功能特性：
- 对一组输入行进行计算，并返回一个单一的结果。
- 类似于Flink的reduce操作，通过聚合操作将多行输出为一个值。
使用场景：
- 常用于需要对一组数据进行聚合计算的情况。
- 例如，自定义一个计算平均值的函数，或计算一组数据中的最大值、最小值等。

四、表聚合函数（Table Aggregate Function）

功能特性：
- 这是一个更复杂的聚合函数，它返回的是一行或多行结果，而不是单一结果。
- 可以看作是对多行数据进行复杂聚合计算后，生成一个或多个新的行数据。
使用场景：
- 常用于需要基于输入行的集合生成复杂数据结构的情况。
- 例如，自定义一个计算每个分组中不同值的数量的函数，或根据输入数据生成一个包含多个统计信息的表等。

函数引用方式

在Flink SQL中，UDF（User-Defined Function，用户自定义函数）函数的引用方式主要有以下几种：

一、通过Table API内联方式引用

定义UDF类：首先，需要定义一个继承自相应基类（如ScalarFunction、TableFunction等）的UDF类，并实现相应的方法（如eval等）。
内联调用：在Table API中，可以直接使用call函数内联方式调用UDF，而无需先注册。这种方式适用于临时使用UDF且不需要重复调用的场景。

示例代码：

// 自定义标量函数，将输入字符串转换为大写  
public static class ToUpperCase extends ScalarFunction {  
    public String eval(String s) {  
        return s.toUpperCase();  
    }  
}  
  
// 在Table API中使用内联方式调用UDF  
TableResult result = tableEnv.from("example_table")  
    .select(call(ToUpperCase.class, $("name")))  
    .execute();

二、通过Table API先注册后引用

定义UDF类：与内联方式相同，需要先定义一个UDF类。
注册UDF：使用TableEnvironment的createTemporarySystemFunction或createTemporaryTableFunction方法将UDF注册到Flink SQL环境中。注册时需要指定UDF的名称和类名。
引用UDF：在Table API中，通过注册的名称调用UDF。这种方式适用于需要在多个查询中重复使用UDF的场景。

示例代码：

// 注册自定义标量函数  
tableEnv.createTemporarySystemFunction("ToUpperCase", ToUpperCase.class);  
  
// 在Table API中使用注册后的UDF  
TableResult result = tableEnv.from("example_table")  
    .select(call("ToUpperCase", $("name")))  
    .execute();

三、通过SQL语句先注册后引用

定义UDF类：同样需要先定义一个UDF类。
SQL注册：使用SQL的CREATE FUNCTION语句将UDF注册到Flink SQL环境中。注册时需要指定UDF的名称、类名（可能需要包含完整的包名）以及返回类型。
SQL引用：在SQL查询中，通过注册的名称调用UDF。这种方式适用于需要在SQL查询中直接使用UDF的场景。

示例代码：

-- 注册自定义标量函数（假设UDF类在com.example包下）  
CREATE FUNCTION upper_func AS 'com.example.ToUpperCase' RETURNS STRING;  
  
-- 在SQL查询中使用注册后的UDF  
SELECT upper_func(name) FROM example_table;

注意事项

UDF类的要求：UDF类需要是公共的、非抽象的、全局可访问的，并且需要有一个默认的无参构造方法。此外，UDF类中的方法（如eval）也需要是公共的。
注册名称的唯一性：在同一个Flink SQL环境中，注册的UDF名称需要是唯一的。如果尝试注册一个已经存在的UDF名称，将会导致错误。
UDF的性能：在使用UDF时，需要注意其性能影响。因为UDF是在Flink SQL执行过程中被调用的，所以其执行效率将直接影响到整个查询的性能。因此，在编写UDF时，需要尽量优化其实现逻辑。

函数解析顺序

在Flink SQL中，UDF（User-Defined Function，用户自定义函数）的解析顺序通常与SQL查询的解析和执行流程相关。虽然Flink SQL的官方文档没有直接提及UDF的解析顺序，但可以根据SQL查询的一般解析和执行过程来推断UDF的解析顺序。
首先，需要明确的是，UDF是在SQL查询被解析和执行的过程中被调用的。因此，UDF的解析顺序与SQL查询的解析顺序紧密相关。
在Flink SQL中，SQL查询的解析和执行通常包括以下几个步骤：

词法分析和语法分析：
- SQL查询首先被分解为一系列的词法单元（如关键字、标识符、操作符等）。
- 然后，这些词法单元被组合成语法树，以表示SQL查询的结构和语义。
语义分析：
- 在这个阶段，SQL查询的语法树被进一步处理，以验证其语义正确性。
- 例如，会检查表名、列名是否存在，以及数据类型是否匹配等。
优化：
- SQL查询经过优化器进行优化，以提高其执行效率。
- 优化器可能会对查询进行重写、选择最佳的执行计划等。
执行：
- 优化后的查询被传递给执行器进行执行。
- 在执行过程中，UDF会被调用以处理特定的数据操作或计算。

关于UDF的解析顺序，可以归纳为以下几点：

在语法分析阶段：
- UDF会被识别为SQL查询中的一部分，并被标记为需要特别处理的函数。
在语义分析阶段：
- UDF的参数和返回类型会被检查，以确保它们与SQL查询中的其他部分兼容。
- 如果UDF需要访问特定的表或列，这些表或列的存在性和数据类型也会被验证。
在执行阶段：
- 当SQL查询的执行器遇到UDF时，它会调用相应的Java或Scala代码来执行UDF的逻辑。
- UDF的执行顺序取决于SQL查询的执行计划，这通常是由优化器决定的。

系统内置函数

在Flink SQL中，UDF（User-Defined Function，用户自定义函数）与系统内置函数是两个不同的概念。系统内置函数是Flink SQL预先定义好的一系列函数，用于执行常见的操作，如字符串处理、数值计算、日期时间处理等。而UDF则是用户根据特定需求自定义的函数，用于扩展Flink SQL的功能。
关于Flink SQL的系统内置函数，它们涵盖了多个类别，包括但不限于：

字符串函数：用于处理字符串数据，如UPPER（将字符串转换为大写）、LOWER（将字符串转换为小写）、SUBSTRING（截取字符串）、REPLACE（替换字符串中的子串）等。
数值函数：用于执行数值计算，如ABS（绝对值）、CEIL（向上取整）、FLOOR（向下取整）、ROUND（四舍五入）等。
日期和时间函数：用于处理日期和时间数据，如CURRENT_DATE（当前日期）、CURRENT_TIME（当前时间）、CURRENT_TIMESTAMP（当前时间戳）、DATE_FORMAT（格式化日期）等。
聚合函数：用于对一组数据进行聚合计算，如COUNT（计数）、SUM（求和）、AVG（平均值）、MAX（最大值）、MIN（最小值）等。
比较函数：用于比较两个值的大小或相等性，如=（等于）、<>（不等于）、>（大于）、<（小于）、>=（大于等于）、<=（小于等于）等。
逻辑函数：用于执行逻辑运算，如AND（与）、OR（或）、NOT（非）等。
这些系统内置函数提供了丰富的功能，使得用户可以在Flink SQL中轻松地进行数据处理和分析。同时，由于这些函数是Flink SQL预先定义好的，因此它们的性能和稳定性都得到了保证。

开发UDF之前的须知事项

在开发Flink SQL UDF（User-Defined Function，用户自定义函数）之前，有几个关键须知事项需要牢记，以确保UDF的正确性、性能和安全性。以下是对这些须知事项的详细解释：

1. 集成UDF基类

选择正确的基类：根据UDF的类型（如标量函数、表函数、聚合函数等），选择相应的Flink SQL UDF基类进行继承。例如，对于标量函数，应继承ScalarFunction类。
遵循基类规范：确保遵循所选基类的规范，包括实现必要的方法、处理异常等。

2. 实现UDF执行逻辑函数

明确功能需求：在编写UDF之前，明确其功能需求，确保实现的逻辑与需求一致。
编写高效代码：由于UDF在查询执行过程中被频繁调用，因此应编写高效、简洁的代码，避免不必要的计算和资源消耗。
处理边界情况：考虑并处理可能的边界情况，如空值、异常值等，以确保UDF的健壮性。

3. 注意UDF入参、出参类型推导

类型匹配：确保UDF的入参和出参类型与Flink SQL中的数据类型匹配。如果类型不匹配，可能会导致查询执行失败或结果不正确。
类型推导：了解Flink SQL的类型推导机制，以便在必要时提供类型信息或进行类型转换。

4. 明确UDF输出结果是否是定值

定值与非定值：在Flink SQL中，定值函数是指在给定输入下总是返回相同结果的函数。非定值函数则可能根据上下文（如时间、状态等）返回不同的结果。
性能影响：定值函数通常更容易被优化，因为它们的结果可以被缓存和重用。非定值函数则可能需要更复杂的处理逻辑。
标记定值性：如果可能，通过适当的注解或配置标记UDF的定值性，以便Flink SQL优化器能够利用这一信息。

5. 巧妙运用运行时上下文

访问运行时信息：Flink SQL提供了运行时上下文（如RuntimeContext），允许UDF访问执行时的信息，如任务配置、并行度、状态等。
利用上下文优化：根据运行时信息优化UDF的执行逻辑。例如，根据并行度调整数据处理策略，或利用状态存储中间结果以加速计算。
注意上下文使用限制：了解并遵守运行时上下文的使用限制，以避免潜在的问题。例如，不要在UDF中频繁访问状态或执行阻塞操作，以免影响查询性能。

示例

SQL标量函数（Scalar Function）

在Flink SQL中，标量函数（Scalar Function）是一种用户自定义函数（UDF），它接受一个或多个输入参数，并返回一个单一的值。标量函数通常用于执行数据转换、计算或格式化等操作。

以下是一个简单的Flink SQL标量函数示例，该函数将输入的整数加倍并返回结果：

Java 示例
首先，需要创建一个Java类来定义这个标量函数。这个类将继承ScalarFunction基类，并实现eval方法，该方法将包含函数的执行逻辑。

import org.apache.flink.table.functions.ScalarFunction;  
  
public class DoubleValue extends ScalarFunction {  
    public int eval(int value) {  
        return value * 2;  
    }  
}

在这个例子中，DoubleValue类定义了一个名为eval的方法，它接受一个int类型的参数value，并返回value的两倍。

接下来，需要在Flink SQL环境中注册这个UDF，以便在SQL查询中使用它。这通常是在Java代码中完成的，如下所示：

// 假设已经有一个TableEnvironment实例名为tableEnv  
tableEnv.createTemporarySystemFunction("double_value", DoubleValue.class);

现在，可以在SQL查询中使用这个名为double_value的UDF了：

SELECT double_value(my_column) AS doubled_value  
FROM my_table;

在这个查询中，double_value函数被应用于my_table中的my_column列，并将结果命名为doubled_value。

SQL表值函数（Table Function）

在Flink SQL中，表值函数（Table Function）是一种用户自定义函数（UDF），它接受一个或多个输入参数，并返回一个表（即多行数据）。表值函数通常用于将复杂的数据结构或逻辑映射到关系表的形式，以便在SQL查询中进行进一步的处理和分析。

以下是一个简单的Flink SQL表值函数示例，该函数将一个输入字符串拆分为单词，并返回包含这些单词的表：

Java 示例
首先，需要创建一个Java类来定义这个表值函数。这个类将继承TableFunction基类，并实现eval方法，该方法负责产生输出表的行。此外，还需要调用collect方法来收集每一行的输出。

import org.apache.flink.table.functions.TableFunction;  
import org.apache.flink.types.Row;  
  
import java.util.Arrays;  
  
public class SplitToWords extends TableFunction<Row> {  
    public void eval(String str) {  
        // 将字符串按空格拆分为单词数组  
        String[] words = str.split(" ");  
          
        // 将每个单词封装为Row对象（这里只包含一个字段），并通过collect方法输出  
        for (String word : words) {  
            collect(Row.of(word));  
        }  
    }  
}

在这个例子中，SplitToWords类定义了一个名为eval的方法，它接受一个String类型的参数str，并将str按空格拆分为单词数组。然后，它遍历这个数组，将每个单词封装为一个Row对象（这里Row只包含一个字段，即单词本身），并通过collect方法输出。

接下来，需要在Flink SQL环境中注册这个UDF，以便在SQL查询中使用它。这通常是在Java代码中完成的，如下所示：

// 假设已经有一个TableEnvironment实例名为tableEnv  
tableEnv.createTemporarySystemFunction("split_to_words", SplitToWords.class);

现在，可以在SQL查询中使用这个名为split_to_words的UDF了：

-- 假设有一个名为my_table的表，其中有一列名为my_column，包含要拆分的字符串  
SELECT T.*  
FROM my_table,  
     TABLE(split_to_words(my_column)) AS T(word);

在这个查询中，split_to_words函数被应用于my_table中的my_column列。该函数返回一个表，该表被命名为T，并且包含一个名为word的列。然后，使用SELECT语句从这个返回的表中选择所有行。

SQL聚合函数（Aggregate Function）

在Flink SQL中，聚合函数（Aggregate Function）是一种用户自定义函数（UDF），它接受一组输入值，并返回一个单一的值。与标量函数和表值函数不同，聚合函数通常用于对一组行执行计算，并返回一个汇总结果，如总和、平均值、最大值、最小值等。

以下是一个简单的Flink SQL聚合函数示例，该函数计算输入值的加权平均值：

Java 示例
首先，需要创建一个Java类来定义这个聚合函数。这个类将继承AggregateFunction基类，并实现必要的方法：createAccumulator、accumulate、retract（可选，用于处理增量聚合）、merge（用于并行执行时的合并操作）、getResult和resetAccumulator。

import org.apache.flink.table.functions.AggregateFunction;  
  
import java.io.Serializable;  
  
public class WeightedAvg implements AggregateFunction<Double, WeightedAvgAccumulator, Double> {  
  
    public static class WeightedAvgAccumulator implements Serializable {  
        private long sumWeight = 0;  
        private double sumValue = 0.0;  
  
        // 累加器重置为初始状态  
        public void reset() {  
            this.sumWeight = 0;  
            this.sumValue = 0.0;  
        }  
  
        // 累加器累加  
        public void add(double value, long weight) {  
            this.sumWeight += weight;  
            this.sumValue += value * weight;  
        }  
  
        // 合并两个累加器  
        public void merge(WeightedAvgAccumulator other) {  
            this.sumWeight += other.sumWeight;  
            this.sumValue += other.sumValue;  
        }  
  
        // 计算最终结果  
        public double getResult() {  
            if (this.sumWeight == 0) {  
                return 0.0; // 避免除以零  
            } else {  
                return this.sumValue / this.sumWeight;  
            }  
        }  
    }  
  
    @Override  
    public WeightedAvgAccumulator createAccumulator() {  
        return new WeightedAvgAccumulator();  
    }  
  
    @Override  
    public void accumulate(WeightedAvgAccumulator accumulator, Double value, Long weight) {  
        accumulator.add(value, weight);  
    }  
  
    // 注意：对于不支持retract的聚合，可以抛出UnsupportedOperationException  
    @Override  
    public void retract(WeightedAvgAccumulator accumulator, Double value, Long weight) {  
        throw new UnsupportedOperationException("This aggregate function does not support retract operation");  
    }  
  
    @Override  
    public WeightedAvgAccumulator merge(WeightedAvgAccumulator a, WeightedAvgAccumulator b) {  
        WeightedAvgAccumulator merged = new WeightedAvgAccumulator();  
        merged.merge(a);  
        merged.merge(b);  
        return merged;  
    }  
  
    @Override  
    public Double getResult(WeightedAvgAccumulator accumulator) {  
        return accumulator.getResult();  
    }  
  
    @Override  
    public void resetAccumulator(WeightedAvgAccumulator accumulator) {  
        accumulator.reset();  
    }  
}

在这个例子中，WeightedAvg类定义了一个名为WeightedAvgAccumulator的内部类，用于存储累加器的状态（即加权总和和权重总和）。然后，WeightedAvg类实现了AggregateFunction接口的方法，以定义聚合函数的行为。

接下来，需要在Flink SQL环境中注册这个UDF，以便在SQL查询中使用它。这通常是在Java代码中完成的，如下所示：

// 假设已经有一个TableEnvironment实例名为tableEnv  
tableEnv.createTemporarySystemFunction("weighted_avg", WeightedAvg.class);

但是，请注意，对于聚合函数，通常不会直接这样注册，而是使用Flink SQL的CREATE AGGREGATE FUNCTION语法（如果支持）或通过Table API以不同的方式注册。不过，上面的代码展示了如何定义聚合函数本身。在Flink中，聚合函数通常是通过Table API的aggregate方法或在DDL中定义的。
由于Flink SQL的语法和API可能会随着版本而变化，因此以下是一个更通用的说明，而不是具体的注册代码：
- 使用Table API：在构建查询时，使用Table对象的aggregate方法，并传入自定义的聚合函数。
- 使用DDL：如果Flink SQL支持CREATE AGGREGATE FUNCTION语法，您可以使用该语法来注册聚合函数。
一旦聚合函数被正确注册，您就可以在SQL查询中使用它了，如下所示（假设它已经被正确注册为weighted_avg）：

SELECT weighted_avg(my_value, my_weight) AS weighted_average  
FROM my_table  
GROUP BY my_group;

在这个查询中，weighted_avg函数被应用于my_table中的my_value和my_weight列，并计算每个组的加权平均值。结果列被命名为weighted_average。

SQL表值聚合函数（Table Aggregate Function）

在Flink SQL中，表值聚合函数（Table Aggregate Function, 简称TAF）是一种较为特殊的用户自定义函数（UDF），它返回一个表作为结果，而不是单个值。表值聚合函数通常用于对输入表进行分组，并对每个分组应用复杂的计算逻辑，最终输出一个包含多个行的结果表。

需要注意的是，Flink SQL本身并不直接支持“表值聚合函数”这一术语所对应的特定函数类型，但可以通过实现TableFunction或TableAggregateFunction（如果Flink版本支持）来模拟类似的行为。然而，TableAggregateFunction在Flink中并不是一个标准的API，它可能是社区扩展或特定版本中的功能。在标准Flink API中，更常见的是使用TableFunction或AggregateFunction与Table API的结合来实现类似的功能。

由于Flink SQL的API可能会随着版本而变化，并且没有直接的“表值聚合函数”API，提供一个使用TableFunction的示例，它可以在某种程度上模拟表值聚合函数的行为。但是，请注意，这个示例并不是真正的表值聚合函数，因为它不直接对分组数据进行聚合并返回表。相反，它展示了如何使用TableFunction来生成一个表作为查询结果的一部分。

使用TableFunction模拟表值聚合函数的行为
以下是一个使用TableFunction的Java示例，它接受一个输入参数并返回一个表（实际上是返回多行结果）：

import org.apache.flink.table.functions.TableFunction;  
import org.apache.flink.types.Row;  
  
import java.util.ArrayList;  
import java.util.List;  
  
public class ExplodeListTableFunction implements TableFunction<String, Row> {  
  
    @Override  
    public void eval(String input, Collector<Row> out) {  
        // 假设输入是一个逗号分隔的字符串，将其拆分为一个列表，并为每个元素生成一行  
        String[] elements = input.split(",");  
        for (String element : elements) {  
            // 这里简单地将元素作为一行返回，但可以根据需要构建更复杂的Row对象  
            out.collect(Row.of(element));  
        }  
    }  
}

在Flink SQL中注册并使用这个TableFunction：

-- 假设已经有一个TableEnvironment实例，并且已经通过Java代码注册了ExplodeListTableFunction  
-- CREATE TEMPORARY SYSTEM FUNCTION explode_list AS 'com.example.ExplodeListTableFunction';  
  
-- 使用自定义的TableFunction来“爆炸”一个逗号分隔的字符串列，并生成一个新的表  
SELECT T2.f0 AS element  
FROM my_table,  
     TABLE(explode_list(my_table.my_column)) AS T2(f0);

在这个例子中，explode_list函数接受一个字符串列（假设是一个逗号分隔的列表），并返回一个包含每个元素的表。这不是一个真正的表值聚合函数，因为它没有对分组数据进行聚合。但是，它展示了如何使用TableFunction来生成一个表作为查询结果的一部分。

真正的表值聚合函数（如果支持）

如果Flink版本或扩展支持真正的表值聚合函数（这通常不是标准Flink API的一部分），可能需要实现一个特定的接口，并在DDL中注册这个函数。然而，由于这不是标准功能，无法提供一个具体的示例。

在标准Flink中，要实现类似的功能，通常会：
1. 使用AggregateFunction来计算每个分组的聚合值。
2. 使用Table API的join、lateral table或其他操作来将这些聚合值与原始数据或其他表结合起来。
3. 如果需要更复杂的逻辑，可能需要编写一个自定义的RichFlatMapFunction或ProcessFunction，并在其中处理分组和表值生成。

原文地址：https://blog.csdn.net/mqiqe/article/details/142919627

免责声明：本站文章内容转载自网络资源，如本站内容侵犯了原著者的合法权益，可联系本站删除。更多内容请关注自学内容网（zxcms.com）！

上一篇：C#代码串口通信晋中A2板，控制直流电机
下一篇：Docker

leetcode289:生命游戏
根据，简称为，是英国数学家约翰·何顿·康威在 1970 年发明的细胞自动机。给定一个包含m × n个格子的面板，每一个格子都可以看成是一个细胞。每个细胞都具有一个初始状态：1即为（live），或0即为
阅读更多2024-10-20
MongoDB数据恢复
注意：两个MongoDB的版本要一致，本文使用的是mongo:4.2.24。先把K8S上面的MongoDB 容器停止（可以把副本改成0）。1、将容器挂载MongoDB的数据目录备份到本地。经常是数据文
阅读更多2024-10-20
C#中实现事务
C#中实现事务
阅读更多2024-10-20
【LeetCode每日一题】——560.和为 K 的子数组
给你一个整数数组 nums 和一个整数 k ，请你统计并返回该数组中和为 k 的子数组的个数。子数组是数组中元素的连续非空序列。
阅读更多2024-10-20
「漏洞复现」满客宝智慧食堂系统 selectUserByOrgId 未授权访问漏洞
请勿利用文章内的相关技术从事非法测试，由于传播、利用此文所提供的信息而造成的任何直接或者间接的后果及损失，均由使用者本人负责，作者不为此承担任何责任。工具来自网络，安全性自测，如有侵权请联系删除。本次
阅读更多2024-10-20
React面试题目（从基本到高级）
React前端面试常见题目涵盖了React的基础概念、组件、状态管理、生命周期、性能优化等多个方面。
阅读更多2024-10-20
12.个人博客系统（Java项目基于spring和vue）
1 在校学习的学生，可用于日常学习使用或是毕业设计使用 2 毕业一到两年的开发人员，用于锻炼自己的独立功能模块设计能力，增强代码编写能力。 3 亦可以部署为商化项目使用。 4 需要完整资料及源码
阅读更多2024-10-20
YoloV8改进策略：注意力改进|DeBiFormer，可变形双级路由注意力|引入DeBiLevelRoutingAttention注意力模块（全网首发）
本次改进的核心在于将DeBiLevelRoutingAttention模块嵌入到YoloV8的主干网络中，具体位置是在SPPF（Spatial Pyramid Pooling Fast）模块之后。这一
阅读更多2024-10-20
word取消自动单词首字母大写
情况说明：在word输入单词后首字母会自动变成大写取消单词首字母大写步骤：（1）点击菜单栏文件（2）点击“更多”——>“选项”（3）点击“校对”——>“自动更正选项”（4）取消“句首字母大
阅读更多2024-10-20
web前端网页用户注册页面
【代码】web前端网页用户注册页面。
阅读更多2024-10-20

FLINK SQL UDF

函数归类

一、标量函数（Scalar Function）

二、表值函数（Table Function，包括TableFunction和FlatTableFunction）

三、聚合函数（Aggregate Function）

四、表聚合函数（Table Aggregate Function）

函数引用方式

一、通过Table API内联方式引用

二、通过Table API先注册后引用

三、通过SQL语句先注册后引用

函数解析顺序

系统内置函数

开发UDF之前的须知事项

1. 集成UDF基类

2. 实现UDF执行逻辑函数

3. 注意UDF入参、出参类型推导

4. 明确UDF输出结果是否是定值

5. 巧妙运用运行时上下文

示例

SQL标量函数（Scalar Function）

SQL表值函数（Table Function）

SQL聚合函数（Aggregate Function）

SQL表值聚合函数（Table Aggregate Function）

相关文章