什么是 Flink SQL 解决不了的问题？

简介

在实时数据开发过程中，大家经常会用 Flink SQL 或者 Flink DataStream API 来做数据加工。通常情况下选用2者都能加工出想要的数据，但是总会有 Flink SQL 覆盖不了的问题，但 SQL 的易用性又难以让人释怀。所以有些场景在使用 FLink SQL 开始就与需要额外注意，下面就介绍一种多表关联时存在部分列更新（partial Update）场景，在 DataStream API 和 Flink SQL 开发时都容易忽视的情况而导致的问题。为了简化问题描述，采用了Flink SQL 来阐述此类问题。

场景介绍

多表关联时表 A 关联表 B, 表 A 具有pk1, field1, field2, field3字段，表 B 具有 pk2, field4, field5, field6 字段，表 A 通过 pk1 关联表B pk2。使用 Flink SQL 会如下实现：

CREATE TABLE jdq_source(
pk1 INT,
field1 STIRNG,
field2 STIRNG,
field3 STIRNG,
PRIMARY KEY(pk1) NOT ENFORCED
) WITH(...);

CREATE TABLE sr_sink(
pk1 INT,
field1 STRING,
field2 STRING,
field3 STRING,
field4 STRING,
field5 STRING,
field6 STRING,
PRIMARY KEY(pk2) NOT ENFORCED
) WITH (...);

INSERT INTO C
SELECT A.pk1,A.field1,A.field2,A.field3,B.pk2,B.field4,B.field5,B.field6 FROM jdq_source A
INNER JOIN sr_sink B
ON A.pk1 = B.pk2;

上述实例中有明显特征：使用了Join 关联, 且需要注意的是写入的数据库 sink 是 StarRocks。StarRocks 存在如下特性：当表是主键表时是不支持部分列更新（ Partial Update）的，实际上大部分时候大家都用的是主键表。

然后在一个SQL查询数据的接口就遇到了如下问题：每次从接口查询返回的结果都不稳定，同样的查询条件不同时机返回的结果不一样。SQL查询语句如下：

select C.field1,C.field2,C.field3
FROM C group by field1,field2,field3;

为什么SQL查询的结果会不一致呢？起初排查原因发现 group by 返回结果有多条，而在SQL 中也没有使用 order by 对数据进行排序，所以导致了结果不稳定。后又排查为什么会出现多条结果呢？于是怀疑 field1, field2, field3 有不符合预期的数据。如： 

20240530, 2, 3
20240530, 2, null
20240531, 2, 4

其中第2条是多余的，不应该出现。结果发现可能是如下原因导致的：这3个字段 filed1, field2, filed3 在StarRocks数据库中会一直在变化，不停的写入新值。导致 SQL 查询时可以查到 field3 为 null 的数据。
为什么field3为不断变化呢？究其原因是：StarRocks 主键表不支持部分列更新（Partial Update）。当field3 为null时，同样会被写入 StarRocks。我们在通过JDQ读取表A field1, field2, field3 数据给表C写入数据时，当JDQ 消息队列中表A的记录存在乱序场景且field3 字段可能为null时，最终写入StarRocks的field3 字段会出现时而为null，时而不为null。 所以SQL查询接口中 group by的结果会出现不稳定。

总结

为什么在开发的时候当时没有发现 StarRocks 主键表这个问题呢？原因：1. 大家所关注的部分列更新，多数是关注insert into table_C(field1, field2, field3) 中不包含的字段field4,field5...等被更新为null，而当前场景是会把 field3 为null的值也写入SR数据库中，这不是我们期望的结果。2.表A作为主表，通常不会出现开始field3有值后来又没有值（null）的场景。出现这个现象大概率是因为上游JDQ消息队列中的数据乱序了，导致field3 为null的后出现了。而这种问题又比较难发现。

什么情况下会出现此类问题呢？写入的数据库不支持部分列更新场景时会出现。如StarRocks, Doris。因为MySQL, ES，ClickHouse的部分表引擎支持部分列更新，所以在MySQL, ES，ClickHouse中不会出现。

同理在 DataStream API 中如果表 A,表 B 关联后的数据直接写入StarRocks 的话，也会出现此类问题。
以上这个问题在 Flink SQL 中无法解决，在 Flink DataStream API 中可以模拟部分列更新来避免此类问题。具体方法：在DatStream 任务中增加一个MapState, 用来在新数据到来时从MapState拿出缓存的数据，并和新到来的数据进行合并，来实现部分列更新功能，最后再写入 StarRocks。
虽然问题不是Flink SQL导致的，但是上面的问题可以通过Flink DataStream API来规避。

审核编辑 黄宇