Flink - Table API UDF --- 用户自定义函数_flink numeric

函数 (Functions)

• Flink Table API 和 SQL 为用户提供了一组用于数据转换的内置函数

• SQL中支持的很多函数，Table API和SQL 都已经做了实现

• 比较函数

  • SQL:
    • value1 = value2
    • value1 > value2
  • Table API
    • ANY1 === ANY2
    • ANY1 > ANY2

• 逻辑函数

  • SQL:
    • boolean1 OR boolean2
    • boolean IS FALSE
    • NOT boolean
  • Table API
    • BOOLEAN1 || BOOLEAN2
    • BOOLEAN.isFalse
    • IBOOLEAN

• 算数函数

  • SQL:
    • numeric1 + numeric2
    • POWER(numeric1,numeric2)
  • Table API:
    • NUMERIC1 + NUMERIC2
    • NUMERIC1,pow(NUMERIC2)

• 字符串函数

  • SQL:
    • string1 || string2
    • UPPER(string)
    • CHAR_LENGTH(string)
  • Table API:
    • STRING1 + STRING2
    • STRING.upperCase()
    • STRING.charLength()

• 时间函数

  • SQL:
    • DATE string
    • TIMESTAMP string
    • CURRENT_TIME
    • INTERVAL string range
  • Table API:
    • STRING.toDate
    • STRING.toTimestamp
    • currentTime()
    • NUMERIC_days
    • NUMERIC_minutes

• 聚合函数

  • SQL:
    • COUNT(*)
    • SUM(expression)
    • RANK()
    • ROW_NUMBER()
  • Table API:
    • FIELD.count
    • FIELD.sum()

用户自定义函数(UDF)

• 用户定义函数(User-defined Functions,UDF)是一个重要的特性，它们是显著地扩展了查询的表达能力
• 在大多数情况下，用户定义的函数必须先注册，然后才能在查询中使用
• 函数通过调用registerFunction()方法在TableEnvironment的函数目录中，这样Table API或SQL 解析器就可以识别并正确地解释它

标量函数(Scalar Function)

• 用户定义的标量函数，可以将0，1或多个标量值，映射到新的标量值

• 为了定义标量函数，必须在org.apache.flink.table.functions中扩展基类Scalar Function, 并实现(一个或多个)求值(eval)方法

• 标量函数的行为由求值方法决定，求值的方法必须公开声明为eval

  public static class HashCode extends ScalarFunction{
  	private int factor = 13;
  	public HashCoded(int factor){
  		this.factor = factor;
  	}
  	public int eval(String s){
  		return s.hashCode() * factor;
  	}
  }
  1
  2
  3
  4
  5
  6
  7
  8
  9

• 案例

  public static void main(String[] args) throws Exception {
       
  
          StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
  
          env.setParallelism(1);
  
          DataStream<String> fileDataStream = env.readTextFile("data/temps.txt");
  
  
          DataStream<TempInfo> dataStream = fileDataStream.map(new MapFunction<String, TempInfo>() {
       
              @Override
              public TempInfo map(String value) throws Exception {
       
                  String[
  1
  2
  3
  4
  5
  6
  7
  8
  9
  10
  11
  12
  13
  14
  15