ElasticSearch集群环境搭建-CFANZ编程社区

NiFi 中的处理器（一）：GenerateTableFetch

1.简介
2.应用场景
3.示例

1.简介

该处理器用于 生成在表中执行分页查询的 SQL 查询语句，分区（属性 partition）大小以及表的行数决定页面的大小和数量以及生成的流文件。此外，可以通过设置最大值列（Max-Value）来实现增量抓取数据，处理器会跟踪列的最大值，从而 只抓取列值超过已记录到的最大值的行，该处理器只在主节点上运行，可以接受传入的连接。

提供传入连接与否，处理器的行为是不同的:

如果没有指定传入连接，处理器将根据指定的处理器调度生成 SQL 语句。许多字段都支持表达式语言，但是没有流文件属性可用。但是，可以使用变量注册表评估属性。
如果指定了传入连接，并且处理器任务没有可用的流文件，则不执行任何工作。
如果指定了传入连接，并且处理程序任务有可用流文件，则流文件的属性可以在表达式语言中用于表名等字段。但是，Max-Value 列和返回字段的列必须为空或者引用每个指定表中可用的列（多表查询，字段设置成属性表达式语言就可以了）。

关于该组件的相关配置在官方文档中已经描述的很清楚了，此处不再赘述。

2.应用场景

GenerateTableFetch 使用其属性和指定的数据库连接生成包含 SQL 语句的流文件，这些 SQL 语句可用于从表中获取分页的数据。GenerateTableFetch 执行对数据库的查询，以确定当前行数和最大值，如果指定了最大值列，则收集其最大值列的值大于 GenerateTableFetch 最后观察到的值的行数。这允许增量获取新行，而不是每次生成 SQL 来获取整个表。如果没有设置最大值列，那么处理器将生成 SQL 来每次获取整个表。

为了生成将获取分页数据的 SQL，默认情况下 GenerateTableFetch 将生成基于最大值列（如果存在）对数据排序的 SQL，并使用结果集的行号来确定每个页面。例如，如果最大值列是一个整数 id，分区大小为 $10$ ，那么第一个页面的 SQL 可能是 SELECT * FROM myTable LIMIT 10，第二个页面可能是 SELECT * FROM myTable OFFSET 10 LIMIT 10，依此类推。

根据数据库、行数等，对数据进行排序可能是一项昂贵的操作。或者，也可以使用 Column for Value Partitioning 属性指定一个列，该列的值将用于确定页面。如果设置了，GenerateTableFetch 将确定列的最小值和最大值，并使用最小值作为初始偏移量。然后，获取页面的 SQL 基于这个初始偏移量和值的总差（即最大值 - 最小值）除以页面大小。例如，如果列 id 用于值分区，然后列值 $100$ 到 $200$ ，页面大小为 $10$ 的 SQL 来获取第一页可能是 SELECT * FROM myTable id > = 100 and id < 110，第二页可能是 SELECT * from myTable id > = 110 and id < 120 等等。

重要的是，将用于值分区的列设置为可以强制类型为长整数（即不是日期或时间戳）的列，并且为了获得最佳性能，列值是均匀分布的，而不是稀疏的。作为上面的反例，考虑一个列 id，其值分别为 $100$ 、 $2000$ 和 $30000$ 。如果分区大小为 $100$ ，那么列值相对稀疏，因此 “第二页” 的 SQL 将返回零行，直到查询中的值变为 id >= 2000 为止，每个页面都将返回零行。另一个反例是值不是均匀分布的：假设一个值为 $100 、 200 、 201 、 202 、 \dots 299$ 。然后，第一个页面的 SQL 将返回值为 id = 100 的一行，第二个页面将返回值为 $200 \dots\dots 299$ 的 $100$ 行。这可能导致下游处理时间不一致，因为页面可能包含非常不同的行数。由于这些原因，建议使用足够密集（而不是稀疏）且分布相当均匀的列进行值分区。