阿里云Flink SQL如何基于SPL实现行过滤与列裁剪

本文介绍Flink SQL用SPL完成行过滤与列裁剪的操作步骤。

背景

在阿里云Flink配置SLS作为源表时，默认会消费SLS的Logstore数据进行动态表的构建，在消费的过程中，可以指定起始时间点，其消费的数据是指定时间点以后的全量数据。这样做有两个问题：

Connector 从源头拉取了过多不必要的数据行或者数据列，造成了网络的开销。
这些不必要的数据需要在Flink中进行过滤投影计算，这些清洗工作并不是数据分析的关注重点，造成了计算浪费。

为此，SLS SPL为Flink SLS Connector提供了过滤下推和投影下推的能力。通过配置SLS Connector的query语句或参数，可以实现过滤条件和投影字段的下推，避免全量数据传输和计算，提升效率。

方案原理

未配置SPL语句时：Flink会拉取SLS的全量日志数据（包含所有列、所有行）进行计算，如图所示。
配置SPL语句时：当SPL语句包含行过滤或列裁剪操作时，Flink拉取的数据是经过这些操作处理后的部分数据，用于后续计算，如图所示。

准备工作

已开通日志服务，已创建Project和Logstore。

本文Logstore数据使用SLS的SLB七层日志模拟接入方式产生模拟数据，其中包含10多个字段。模拟接入会持续产生随机的日志数据，日志内容示例如下：

{
  "__source__": "127.0.0.1",
  "__tag__:__receive_time__": "1706531737",
  "__time__": "1706531727",
  "__topic__": "slb_layer7",
  "body_bytes_sent": "3577",
  "client_ip": "114.137.XXX.XXX",
  "host": "www.pi.mock.com",
  "http_host": "www.cwj.mock.com",
  "http_user_agent": "Mozilla/5.0 (Windows NT 6.2; rv:22.0) Gecko/20130405 Firefox/23.0",
  "request_length": "1662",
  "request_method": "GET",
  "request_time": "31",
  "request_uri": "/request/path-0/file-3",
  "scheme": "https",
  "slbid": "slb-02",
  "status": "200",
  "upstream_addr": "42.63.XXX.XXX",
  "upstream_response_time": "32",
  "upstream_status": "200",
  "vip_addr": "223.18.XX.XXX"
}

Logstore中slbid字段有三种值，对15分钟的日志数据进行slbid统计，可以发现slb-01与slb-02数量相当。

操作步骤

行过滤：SLS SPL为Flink SLS Connector提供了一种支持过滤下推的能力，通过配置SLS Connector的query语句中的过滤条件，即可实现过滤条件下推。避免全量数据传输和全量数据过滤计算。

列过滤：SLS SPL为Flink SLS Connector提供了一种支持投影下推的能力，通过配置SLS Connector的query参数，即可实现投影字段下推。避免全量数据传输和全量数据过滤计算。

行过滤场景

列裁剪场景

步骤一：创建SQL作业

登录实时计算控制台，单击目标工作空间。
在左侧导航栏，选择数据开发 > ETL。
单击新建，在新建作业草稿对话框，选择SQL基础模板 > 空白的流作业草稿，单击下一步。

拷贝如下创建临时表的SQL到SQL编辑区域。

CREATE TEMPORARY TABLE sls_input(
  request_uri STRING,
  scheme STRING,
  slbid STRING,
  status STRING,
  `__topic__` STRING METADATA VIRTUAL,
  `__source__` STRING METADATA VIRTUAL,
  `__timestamp__` STRING METADATA VIRTUAL,
   __tag__ MAP<VARCHAR, VARCHAR> METADATA VIRTUAL,
  proctime as PROCTIME()
) WITH (
  'connector' = 'sls',
  'endpoint' ='cn-hangzhou-intranet.log.aliyuncs.com',
  'accessId' = 'LTAI5tK*******',
  'accessKey' = '3k5PJm*******',
  'starttime' = '2025-02-19 00:00:00',
  'project' ='test-project',
  'logstore' ='clb-access-log',
  'query' = '* | where slbid = ''slb-01'''
);

SQL中的参数说明如下：

参数名	参数含义	示例值
connector	连接器。更多信息，请参见支持的连接器。	sls
endpoint	日志服务的私网域名，获取方式请参见服务接入点。	cn-hangzhou-intranet.log.aliyuncs.com
accessId	用户身份识别ID，获取方式，请参见创建AccessKey。	LTAI5tK*******
accessKey	用于验证您拥有该AccessKey ID的密码。获取方式，请参见创建AccessKey。	3k5PJm*******
starttime	指定查询日志的起始时间点。	2025-02-19 00:00:00
project	日志服务的Project名。	test-project
logstore	日志服务的Logstore名。	clb-access-log
query	填写SLS的SPL语句，注意在阿里云Flink的SQL作业开发中，字符串需要使用英文单引号进行转义。	* \| where slbid = ''slb-01''

鼠标选中SQL，鼠标右击，单击运行，连接SLS。

步骤二：连续查询及效果

在作业中输入如下分析语句，按照slbid进行聚合查询。

SELECT slbid, count(1) as slb_cnt FROM sls_input GROUP BY slbid;

单击右上角调试按钮，在调试弹框，单击选择调试集群下拉框中的创建新的集群，参考下图，创建新的调试集群。
在调试弹框选择创建好的调试集群，然后单击确定。
在结果区域，可以看到结果中slbid的字段值，始终是slb-01。可以看出设置了SPL语句后，sls_input仅包含slbid='slb-01'的数据，其他不符合条件的数据被过滤掉了。

步骤一：创建SQL作业

登录实时计算控制台，单击目标工作空间。
在左侧导航栏，选择数据开发 > ETL。
单击新建，在新建作业草稿对话框，选择SQL基础模板 > 空白的流作业草稿，单击下一步。

拷贝如下创建临时表的SQL到SQL编辑区域。与行过滤场景不同的是，这里query参数配置进行了修改，在过滤的基础上增加了投影语句，使用|符号（类似Unix管道）将不同指令进行分割，上一条指令的输出作为下一条指令的输入，最后指令的输出表示整个管道的输出。实现从SLS服务端仅拉取特定字段的内容。

CREATE TEMPORARY TABLE sls_input_project(
  request_uri STRING,
  scheme STRING,
  slbid STRING,
  status STRING,
  `__topic__` STRING METADATA VIRTUAL,
  `__source__` STRING METADATA VIRTUAL,
  `__timestamp__` STRING METADATA VIRTUAL,
   __tag__ MAP<VARCHAR, VARCHAR> METADATA VIRTUAL,
  proctime as PROCTIME()
) WITH (
  'connector' = 'sls',
  'endpoint' ='cn-hangzhou-intranet.log.aliyuncs.com',
  'accessId' = 'LTAI5tK*******',
  'accessKey' = '3k5PJm*******',
  'starttime' = '2025-02-19 00:00:00',
  'project' ='test-project',
  'logstore' ='clb-access-log',
  'query' = '* | where slbid = ''slb-01'' | project request_uri, scheme, slbid, status, __topic__, __source__, "__tag__:__receive_time__"'
);

SQL中的参数说明如下：

参数名	参数含义	示例值
connector	连接器。更多信息，请参见支持的连接器。	sls
endpoint	日志服务的私网域名，获取方式请参见服务接入点。	cn-hangzhou-intranet.log.aliyuncs.com
accessId	用户身份识别ID，获取方式，请参见创建AccessKey。	LTAI5tK*******
accessKey	用于验证您拥有该AccessKey ID的密码。获取方式，请参见创建AccessKey。	3k5PJm*******
starttime	指定查询日志的起始时间点。	2025-02-19 00:00:00
project	日志服务的Project名。	test-project
logstore	日志服务的Logstore名。	clb-access-log
query	填写SLS的SPL语句，注意在阿里云Flink的SQL作业开发中，字符串需要使用英文单引号进行转义。	* \| where slbid = ''slb-01''

鼠标选中SQL，鼠标右击，单击运行，连接SLS。

步骤二：连续查询及效果

在作业中输入如下分析语句，按照slbid进行聚合查询。

SELECT slbid, count(1) as slb_cnt FROM sls_input_project GROUP BY slbid;

单击右上角调试按钮，在调试弹框，单击选择调试集群下拉框中的创建新的集群，参考下图，创建新的调试集群。
在调试弹框选择创建好的调试集群，然后单击确定。
在结果区域，可以看到结果与行过滤场景结果类似。
说明
注意：这里与行过滤不同的是，行过滤场景会返回全量的字段，而当前的语句令SLS Connector只返回特定的字段，再次减少了数据的网络传输。

背景​

方案原理​

准备工作

操作步骤

步骤一：创建SQL作业​

步骤二：连续查询及效果​

步骤一：创建SQL作业​

步骤二：连续查询及效果​

背景

方案原理

步骤一：创建SQL作业

步骤二：连续查询及效果

步骤一：创建SQL作业

步骤二：连续查询及效果