动态表
和动态表对应的是静态表——常规的数据库中的表或批处理中的表等，其在查询时数据不再变化。动态表是随时间变化的，即使是在查询的时候。怎么理解了？流上的数据是源源不断的，一条数据的到来会触发一次查询，这次查询在执行时还有下一条数据到来，对表本身数据是在变化的，所以称为动态表。
连续查询
物化视图其实就是⼀条 SQL 查询，就像常规的虚拟视图 VIEW ⼀样。但与虚拟视图不同是，物化视图会缓存查询的结果，因此在请求访问视图时不需要对查询进⾏重新计算，可以直接获取物化视图的结果，⼩伙伴萌可以认为 物化视图其实就是把结果缓存了下来。
映射到我们的流任务中，输⼊、处理逻辑、输出这⼀套流程也是⼀个物化视图的概念。相⽐批处理来说，流处理中，我们的数据源表的数据是源源不断的。那么从输⼊、处理、输出的整个物化视图的维护流程也必须是实时的。
因此我们就需要引⼊⼀种 实时视图维护（Eager View Maintenance ） 的技术去做到：⼀旦更新了物化视图的数 据源表就⽴即更新视图的结果，从⽽保证输出的结果也是最新的。
这种 实时视图维护（Eager View Maintenance ） 的技术就叫做 连续查询 。
注意：
1. ⭐ 连续查询（Continuous Query） 不断的消费动态输⼊表的的数据，不断的更新动态结果表的数
据。
2. ⭐ 连续查询（Continuous Query） 的产出的结果 = 批处理模式在输⼊表的上执⾏的相同查询的结 果。相同的 SQL，对应于同⼀个输⼊数据，虽然执⾏⽅式不同，但是流处理和批处理的结果是永远都 会相同的。
Flink SQL 中的执⾏流程总共包含了几个步骤
1. ⭐ 第⼀步：获取数据
将数据输⼊流转换为 SQL 中的动态输⼊表。这⾥的转化其实就是指将输⼊流映射（绑定）为⼀ 个动态输⼊表。上图虽然分开画了，但是可以理解为⼀个东⻄。
CREATE TEMPORARY TABLE kafka_user_path (
`user` string,
`url` string
`cTime` BIGINT,
`my_time` TIMESTAMP(3) METADATA FROM 'timestamp',
`my_date` AS CAST(`my_time` AS DATE)
) WITH (
'connector' = 'kafka',
'properties.bootstrap.servers' = '****',
'properties.group.id' = '***',
'topic' = '***',
'scan.startup.mode' = 'earliest-offset',
'format' = 'json'
);
2. ⭐ 第⼆步：处理数据
在动态输⼊表上执⾏⼀个连续查询，然后⽣成⼀个新的动态结果表。
(1)普通聚合函数
CREATE TEMPORARY VIEW view_user_path AS
SELECT user
,count(url) as cnt
FROM kafka_user_path
group by user;
当查询开始，clicks 表(左侧)是空的。
1. ⭐ 当第⼀⾏数据[Mary,./home] 输⼊后，会计算结果 [Mary, 1] 插⼊ 结果表 。
2. ⭐ 当第⼆⾏数据[Bob, ./cart] 输⼊后，会计算结果 [Bob, 1]，并插⼊ 结果表。
3. ⭐ 当第三⾏数据[Mary, ./prod?id=1]输⼊后，会计算出[Mary, 2]（user 为 Mary 的数据总共来过两条，所以为 2），并 更新（update ）结果表 ，[Mary, 1] 更新成 [Mary, 2]。
4. ⭐ 最后，当第四⾏数据[Liz, ./home] 输⼊后，会计算结果 [Liz, 1]，并插⼊结果表。
(2)窗口聚合函数
select user
,tumble_end(cTime, interval '1' hours) as endT
,count(url) as cnt
from kafka_user_path
group by user
,tumble(cTime, interval '1' hours)
我们的滚动窗⼝的步⻓为1⼩时，即时间粒度上⾯的分组为1⼩时。其中时间戳在 12:00:00 - 12:59:59 之间有四条数据。13:00:00 - 13:59:59 有三条数据。14:00:00 - 14:59:59 之间有四条数据。
1. ⭐ 当 12:00:00 - 12:59:59 数据输⼊之后，1 ⼩时的窗⼝，连续查询（Continuous Query）计算的结果如右图所示，将 [Mary, 3]，[Bob, 1] 插⼊（insert）结果表 。
2. ⭐ 当 13:00:00 - 13:59:59 数据输⼊之后，1 ⼩时的窗⼝，连续查询（Continuous Query）计算的结果如右图所示，将 [Bob, 1]，[Liz, 2] 插⼊（insert）结果表 。
3. ⭐ 当 14:00:00 - 14:59:59 数据输⼊之后，1 ⼩时的窗⼝，连续查询（Continuous Query）计算的结果如右图所示，将 [Mary, 1]，[Bob, 2]，[Liz, 1] 插⼊（insert）结果表 。
⽽这个查询只有 插⼊（insert）结果表 这个⾏为。
3. ⭐ 第三步：⽣成的动态结果表被转换回数据输出流。
连续查询（Continuous Query）的输出结果表是⼀个 changelog。其可以像普通数据库表⼀样通过 INSERT、UPDATE 和 DELETE 来不断修改。它可能是⼀个只有⼀⾏、不断更新 changelog 表，也可能是⼀个 insert-only 的 changelog 表。
CREATE TEMPORARY TABLE `mysql_user_path` (
`user` string COMMENT '用户',
`endT` string COMMENT '时间窗口',
`cnt` BIGINT COMMENT 'url个数',
PRIMARY KEY (`user`,`endT`,`cnt`) NOT ENFORCED
) WITH (
'connector' = 'rds',
'userName' = '****',
'tableName' = '***',
'batchSize' = '4096',
'url' = '*****'
);
BEGIN STATEMENT SET;
insert into mysql_user_path select user,endT,cnt from view_user_path;
END;
注释：像这样 在输出结果表中设置了 PRIMARY KEY，那么当PRIMARY KEY相同的时候在输出的结果表中就会发生update的操作。
FlinkSql中输出流的分类
动态表可像传统表一样被INSERT、UPDATE、DELETE修改。可能只有一行的表被持续更新；或者是没有UPDATE、DELETE更改的只插入表。当将动态表转化为流或将其写入外部系统，这些更改(修改)需要被编码，Flink的Table API & SQL支持三种方式编码动态表上的更改(修改)。
Append-only流:仅使用INSERT更改进行修改的动态表可通过发出插入的行来转化为流。
Retract流:Retract流包含两种类型消息(add消息和retract消息)，通过将动态表的INSERT更改作为add消息、将DELETE更改作为retract消息、将UPDATE更改分解为旧记录的retract消息和新记录的add消息。
Upsert流:Upsert流包含两种类型消息(upset消息和delete消息)，动态表转化为upsert流需要有主键(可复合)，具有主键的动态表通过将INSERT、UPDATE更改编码为upset消息，将DELETE更改编码为delete消息。upset流与retract流主要区别是UPDATE更改使用单一消息(主键)进行编码，因此效率更高,但要求外部系统支持主键。
