《Flink SQL 语法篇》系列，共包含以下 10 篇文章：

• Flink SQL 语法篇（一）：CREATE
• Flink SQL 语法篇（二）：WITH、SELECT & WHERE、SELECT DISTINCT
• Flink SQL 语法篇（三）：窗口聚合（TUMBLE、HOP、SESSION、CUMULATE）
• Flink SQL 语法篇（四）：Group 聚合、Over 聚合
• Flink SQL 语法篇（五）：Regular Join、Interval Join
• Flink SQL 语法篇（六）：Temporal Join
• Flink SQL 语法篇（七）：Lookup Join、Array Expansion、Table Function
• Flink SQL 语法篇（八）：集合、Order By、Limit、TopN
• Flink SQL 语法篇（九）：Window TopN、Deduplication
• Flink SQL 语法篇（十）：EXPLAIN、USE、LOAD、SET、SQL Hints

😊 如果您觉得这篇文章有用 ✔️ 的话，请给博主一个一键三连 🚀🚀🚀 吧 （点赞 🧡、关注 💛、收藏 💚）！！！您的支持 💖💖💖 将激励 🔥 博主输出更多优质内容！！！

Flink SQL 语法篇（四）：Group 聚合、Over 聚合

• 1.Group 聚合
• • 1.1 基础概念
  • 1.2 窗口聚合和 Group 聚合
  • 1.3 SQL 语义
  • 1.4 Group 聚合支持 Grouping sets、Rollup、Cube
• 2.Over 聚合
• • 2.1 时间区间聚合
  • 2.2 行数聚合

1.Group 聚合

1.1 基础概念

Group 聚合定义（支持 Batch / Streaming 任务）：Flink 也支持 Group 聚合。Group 聚合和上面介绍到的窗口聚合的不同之处，就在于 Group 聚合是按照数据的类别进行分组，比如年龄、性别，是横向的；而窗口聚合是在时间粒度上对数据进行分组，是纵向的。如下图所示，就展示出了其区别。其中 按颜色分 key（横向）就是 Group 聚合，按窗口划分（纵向）就是 窗口聚合。

1.2 窗口聚合和 Group 聚合

应用场景：一般用于对数据进行分组，然后后续使用聚合函数进行 count、sum 等聚合操作。

那么这时候，小伙伴萌就会问到，我其实可以把窗口聚合的写法也转换为 Group 聚合，只需要把 Group 聚合的 Group By key 换成时间就行，那这两个聚合的区别到底在哪？

首先来举一个例子看看怎么将 窗口聚合 转换为 Group 聚合。假如一个窗口聚合是按照 1 1 1 分钟的粒度进行聚合，如下 滚动窗口 SQL：

-- 数据源表 CREATE TABLE source_table (     -- 维度数据     dim STRING,     -- 用户 id     user_id BIGINT,     -- 用户     price BIGINT,     -- 事件时间戳     row_time AS cast(CURRENT_TIMESTAMP as timestamp(3)),     -- watermark 设置     WATERMARK FOR row_time AS row_time - INTERVAL '5' SECOND ) WITH (   'connector' = 'datagen',   'rows-per-second' = '10',   'fields.dim.length' = '1',   'fields.user_id.min' = '1',   'fields.user_id.max' = '100000',   'fields.price.min' = '1',   'fields.price.max' = '100000' )  -- 数据汇表 CREATE TABLE sink_table (     dim STRING,     pv BIGINT,     sum_price BIGINT,     max_price BIGINT,     min_price BIGINT,     uv BIGINT,     window_start bigint ) WITH (   'connector' = 'print' )  -- 数据处理逻辑 insert into sink_table select dim,     count(*) as pv,     sum(price) as sum_price,     max(price) as max_price,     min(price) as min_price,     -- 计算 uv 数     count(distinct user_id) as uv,     UNIX_TIMESTAMP(CAST(tumble_start(row_time, interval '1' minute) AS STRING)) * 1000  as window_start from source_table group by     dim,     -- 按照 Flink SQL tumble 窗口写法划分窗口     tumble(row_time, interval '1' minute) 

转换为 Group 聚合 的写法如下：

-- 数据源表 CREATE TABLE source_table (     -- 维度数据     dim STRING,     -- 用户 id     user_id BIGINT,     -- 用户     price BIGINT,     -- 事件时间戳     row_time AS cast(CURRENT_TIMESTAMP as timestamp(3)),     -- watermark 设置     WATERMARK FOR row_time AS row_time - INTERVAL '5' SECOND ) WITH (   'connector' = 'datagen',   'rows-per-second' = '10',   'fields.dim.length' = '1',   'fields.user_id.min' = '1',   'fields.user_id.max' = '100000',   'fields.price.min' = '1',   'fields.price.max' = '100000' );  -- 数据汇表 CREATE TABLE sink_table (     dim STRING,     pv BIGINT,     sum_price BIGINT,     max_price BIGINT,     min_price BIGINT,     uv BIGINT,     window_start bigint ) WITH (   'connector' = 'print' );  -- 数据处理逻辑 insert into sink_table select dim,     count(*) as pv,     sum(price) as sum_price,     max(price) as max_price,     min(price) as min_price,     -- 计算 uv 数     count(distinct user_id) as uv,     cast((UNIX_TIMESTAMP(CAST(row_time AS STRING))) / 60 as bigint) as window_start from source_table group by     dim,     -- 将秒级别时间戳 / 60 转化为 1min     cast((UNIX_TIMESTAMP(CAST(row_time AS STRING))) / 60 as bigint) 

确实没错，上面这个转换是一点问题都没有的。

但是窗口聚合和 Group by 聚合的差异在于：

• 本质区别：窗口聚合是具有时间语义的，其本质是想实现窗口结束输出结果之后，后续有迟到的数据也不会对原有的结果发生更改了，即输出结果值是定值（不考虑 allowLateness）。而 Group by 聚合是没有时间语义的，不管数据迟到多长时间，只要数据来了，就把上一次的输出的结果数据撤回，然后把计算好的新的结果数据发出。
• 运行层面：窗口聚合是和 时间 绑定的，窗口聚合其中窗口的计算结果触发都是由 时间（Watermark）推动的。Group by 聚合完全由 数据 推动触发计算，新来一条数据去根据这条数据进行计算出结果发出；由此可见两者的实现方式也大为不同。

1.3 SQL 语义

SQL 语义这里也拿离线和实时做对比，Order 为 Kafka，target_table 为 Kafka，这个 SQL 生成的实时任务，在执行时，会生成三个算子。

• 数据源算子（From Order）：数据源算子一直运行，实时的从 Order Kafka 中一条一条的读取数据，然后一条一条发送给下游的 Group 聚合算子，向下游发送数据的 shuffle 策略是根据 group by 中的 key 进行发送，相同的 key 发到同一个 SubTask（并发） 中。
• Group 聚合算子（group by key + sum / count / max / min）：接收到上游算子发的一条一条的数据，去状态 state 中找这个 key 之前的 sum / count / max / min 结果。如果有结果 oldResult，拿出来和当前的数据进行 sum / count / max / min 计算出这个 key 的新结果 newResult，并将新结果 [key, newResult] 更新到 state 中，在向下游发送新计算的结果之前，先发一条撤回上次结果的消息 -[key, oldResult]，然后再将新结果发往下游 +[key, newResult]；如果 state 中没有当前 key 的结果，则直接使用当前这条数据计算 sum / max / min 结果 newResult，并将新结果 [key, newResult] 更新到 state 中，当前是第一次往下游发，则不需要先发回撤消息，直接发送 +[key, newResult]。
• 数据汇算子（INSERT INTO target_table）：接收到上游发的一条一条的数据，写入到 target_table Kafka 中这个实时任务也是 24 24 24 小时一直在运行的，所有的算子在同一时刻都是处于 running 状态的。

1.4 Group 聚合支持 Grouping sets、Rollup、Cube

Group 聚合也支持 Grouping sets、Rollup、Cube。举一个 Grouping sets 的案例：

SELECT      supplier_id     , rating     , product_id     , COUNT(*) FROM (VALUES     ('supplier1', 'product1', 4),     ('supplier1', 'product2', 3),     ('supplier2', 'product3', 3),     ('supplier2', 'product4', 4)) AS Products(supplier_id, product_id, rating) GROUP BY GROUPING SET (     ( supplier_id, product_id, rating ),     ( supplier_id, product_id         ),     ( supplier_id,             rating ),     ( supplier_id                     ),     (              product_id, rating ),     (              product_id         ),     (                          rating ),     (                                 ) ) 

2.Over 聚合

Over 聚合定义（支持 Batch / Streaming）：可以理解为是一种特殊的滑动窗口聚合函数。

那这里我们拿 Over 聚合 与 窗口聚合 做一个对比，其之间的最大不同之处在于：

• 窗口聚合：不在 group by 中的字段，不能直接在 select 中拿到。
• Over 聚合：能够保留原始字段。

注意：其实在生产环境中，Over 聚合的使用场景还是比较少的。在 Hive 中也有相同的聚合，但是小伙伴萌可以想想你在离线数仓经常使用嘛？

• 应用场景：计算最近一段滑动窗口的聚合结果数据。
• 实际案例：查询每个产品最近一小时订单的金额总和。

SELECT order_id, order_time, amount,   SUM(amount) OVER (     PARTITION BY product     ORDER BY order_time     RANGE BETWEEN INTERVAL '1' HOUR PRECEDING AND CURRENT ROW   ) AS one_hour_prod_amount_sum FROM Orders 

• Over 聚合的语法总结如下：

SELECT   agg_func(agg_col) OVER (     [PARTITION BY col1[, col2, ...]]     ORDER BY time_col     range_definition),   ... FROM ... 

• ORDER BY：必须是时间戳列（事件时间、处理时间）。
• PARTITION BY：标识了聚合窗口的聚合粒度，如上述案例是按照 product 进行聚合。
• range_definition：这个标识聚合窗口的聚合数据范围，在 Flink 中有两种指定数据范围的方式。第一种为 按照行数聚合，第二种为 按照时间区间聚合。如下案例所示。

2.1 时间区间聚合

按照时间区间聚合就是时间区间的一个滑动窗口，比如下面案例 1 1 1 小时的区间，最新输出的一条数据的 sum 聚合结果就是最近一小时数据的 amount 之和。

CREATE TABLE source_table (     order_id BIGINT,     product BIGINT,     amount BIGINT,     order_time as cast(CURRENT_TIMESTAMP as TIMESTAMP(3)),     WATERMARK FOR order_time AS order_time - INTERVAL '0.001' SECOND ) WITH (   'connector' = 'datagen',   'rows-per-second' = '1',   'fields.order_id.min' = '1',   'fields.order_id.max' = '2',   'fields.amount.min' = '1',   'fields.amount.max' = '10',   'fields.product.min' = '1',   'fields.product.max' = '2' );  CREATE TABLE sink_table (     product BIGINT,     order_time TIMESTAMP(3),     amount BIGINT,     one_hour_prod_amount_sum BIGINT ) WITH (   'connector' = 'print' );  INSERT INTO sink_table SELECT product, order_time, amount,   SUM(amount) OVER (     PARTITION BY product     ORDER BY order_time     -- 标识统计范围是一个 product 的最近 1 小时的数据     RANGE BETWEEN INTERVAL '1' HOUR PRECEDING AND CURRENT ROW   ) AS one_hour_prod_amount_sum FROM source_table 

2.2 行数聚合

按照行数聚合就是数据行数的一个滑动窗口，比如下面案例，最新输出的一条数据的 sum 聚合结果就是最近 5 5 5 行数据的 amount 之和。

CREATE TABLE source_table (     order_id BIGINT,     product BIGINT,     amount BIGINT,     order_time as cast(CURRENT_TIMESTAMP as TIMESTAMP(3)),     WATERMARK FOR order_time AS order_time - INTERVAL '0.001' SECOND ) WITH (   'connector' = 'datagen',   'rows-per-second' = '1',   'fields.order_id.min' = '1',   'fields.order_id.max' = '2',   'fields.amount.min' = '1',   'fields.amount.max' = '2',   'fields.product.min' = '1',   'fields.product.max' = '2' );  CREATE TABLE sink_table (     product BIGINT,     order_time TIMESTAMP(3),     amount BIGINT,     one_hour_prod_amount_sum BIGINT ) WITH (   'connector' = 'print' );  INSERT INTO sink_table SELECT product, order_time, amount,   SUM(amount) OVER (     PARTITION BY product     ORDER BY order_time     -- 标识统计范围是一个 product 的最近 5 行数据     ROWS BETWEEN 5 PRECEDING AND CURRENT ROW   ) AS one_hour_prod_amount_sum FROM source_table 

预跑结果如下：

+I[2, 2021-12-24T22:18:19.147, 1, 9] +I[1, 2021-12-24T22:18:20.147, 2, 11] +I[1, 2021-12-24T22:18:21.147, 2, 12] +I[1, 2021-12-24T22:18:22.147, 2, 12] +I[1, 2021-12-24T22:18:23.148, 2, 12] +I[1, 2021-12-24T22:18:24.147, 1, 11] +I[1, 2021-12-24T22:18:25.146, 1, 10] +I[1, 2021-12-24T22:18:26.147, 1, 9] +I[2, 2021-12-24T22:18:27.145, 2, 11] +I[2, 2021-12-24T22:18:28.148, 1, 10] +I[2, 2021-12-24T22:18:29.145, 2, 10] 

当然，如果你在一个 SELECT 中有多个聚合窗口的聚合方式，Flink SQL 支持了一种简化写法，如下案例：

SELECT order_id, order_time, amount,   SUM(amount) OVER w AS sum_amount,   AVG(amount) OVER w AS avg_amount FROM Orders -- 使用下面子句，定义 Over Window WINDOW w AS (   PARTITION BY product   ORDER BY order_time   RANGE BETWEEN INTERVAL '1' HOUR PRECEDING AND CURRENT ROW)