您可以通过多种方式实现去重需求，例如FIRST_VALUE、LAST_VALUE和DISTINCT等。本文为您介绍如何使用TopN方法实现去重，以及使用过程中的注意事项。

去重的方案通常有两种：
  • 保留第一条
  • 保留最后一条
说明 ORDER BY后的时间属性字段必须在源表中定义。

语法

由于SQL没有直接去重的语法，因此我们使用SQL的ROW_NUMBER OVER WINDOW功能实现去重。ROW_NUMBER OVER WINDOW与TopN语句方法类似，可以理解为一种特殊的TopN。 
SELECT *
FROM (
   SELECT *,
    ROW_NUMBER() OVER ([PARTITION BY col1[, col2..]
     ORDER BY timeAttributeCol [asc|desc]) AS rownum
   FROM table_name)
WHERE rownum = 1
参数说明：
  • ROW_NUMBER() : 计算行号的OVER窗口函数，行号计算从1开始。
  • PARTITION BY col1[, col2..] ：指定分区的列，即去重的Keys，也可以不指定分区的列。
  • ORDER BY timeAttributeCol [asc|desc]) ：指定排序的列，必须是时间属性字段（Processing Time或Event Time）。可以指定为顺序（Keep First Row）或倒序（Keep Last Row）。
  • 外层查询rownum必须为= 1或者<= 1。条件必须是AND，且不能存在Undeterministic的UDF的条件。
如上语法所示，去重需要两层Query：
  • 子查询中：使用ROW_NUMBER() 窗口函数，按照时间属性列对数据进行排序编号。
  • 外层查询中：对排名进行过滤，只取第一条，达到去重的目的。时间列排序方向可以为：
    • 顺序：deduplicate keep first row。
    • 倒序：deduplicate keep last row。
当排序字段是Processing Time列时，Flink会按系统时间去重，其每次运行结果不确定。当排序字段是Event Time列时，Flink会按业务时间去重，其每次运行结果是确定的。

Deduplicate Keep First Row

保留首行的去重策略，即保留指定Key下第一条出现的数据，之后出现在该Key下的数据会被丢弃掉。因为其State中只存储了Key数据，因此性能较优。示例如下。 
SELECT *
FROM (
  SELECT *,
    ROW_NUMBER() OVER (PARTITION BY b ORDER BY proctime) as rowNum
  FROM T
)
WHERE rowNum = 1

本例中，将T表按照b字段进行去重，并按照系统时间保留第一条数据。proctime在以上示例中是源表T中的一个具有Processing Time属性的字段。如果您按照系统时间去重，也可以将proctime字段简化成PROCTIME()函数进行调用，可以省略proctime字段的声明。

说明 blink-3.3.1版本后，FirstRow支持使用Event Time进行开窗，并且不会产生Retraction。

Deduplicate Keep Last Row

注意 LastRow目前不支持使用Event Time进行开窗。
LastRow的作用是也是去重，且只保留该主键下最后一条出现的数据。其性能略胜于使用LAST_VALUE函数，示例如下。 
SELECT *
FROM (
  SELECT *,
    ROW_NUMBER() OVER (PARTITION BY b, d ORDER BY proctime DESC) as rowNum
  FROM T
)
WHERE rowNum = 1

FAQ

Q：执行ROW_NUMBER() OVER (PARTITION BY b, d ORDER BY now() as time DESC)语句时，产生如下报错，应该如何处理？ 
java.lang.RuntimeException: Can not retract a non-existent record:
    38c30001,1b800000008,1c000000013,85000035343a3731,5d304013.
    This should never happen.
A：
  • 问题原因：由代码中now()导致。因为TopN不支持非确定性的排序字段，now()每次输出的值不同，所以导致Retraction会找不到之前的值。

    解决方法：Event Time或源表中一个具有Processing Time属性的字段。

  • 问题原因：blink.state.ttl.ms或state.backend.niagara.ttl.ms参数值设置过小。

    解决方法：设置过小的TTL参数使用默认配置，或调大参数值。