update 0421

Author: confucianzuoyuan

docs/book/chapter12-05-02-UDF.html

@@ -163,7 +163,7 @@ <h3><a class="header" href="#udf" id="udf">UDF</a></h3>
 <p>用户定义函数（User-defined Functions，UDF）是一个重要的特性，因为它们显著地扩展了查询（Query）的表达能力。一些系统内置函数无法解决的需求，我们可以用UDF来自定义实现。</p>
 <h4><a class="header" href="#注册用户自定义函数udf" id="注册用户自定义函数udf">注册用户自定义函数UDF</a></h4>
 <p>在大多数情况下，用户定义的函数必须先注册，然后才能在查询中使用。不需要专门为Scala 的Table API注册函数。</p>
-<p>函数通过调用registerFunction（）方法在TableEnvironment中注册。当用户定义的函数被注册时，它被插入到TableEnvironment的函数目录中，这样Table API或SQL解析器就可以识别并正确地解释它。</p>
+<p>函数通过调用registerFunction()方法在TableEnvironment中注册。当用户定义的函数被注册时，它被插入到TableEnvironment的函数目录中，这样Table API或SQL解析器就可以识别并正确地解释它。</p>
 <h4><a class="header" href="#标量函数scalar-functions" id="标量函数scalar-functions">标量函数（Scalar Functions）</a></h4>
 <p>用户定义的标量函数，可以将0、1或多个标量值，映射到新的标量值。</p>
 <p>为了定义标量函数，必须在org.apache.flink.table.functions中扩展基类Scalar Function，并实现（一个或多个）求值（evaluation，eval）方法。标量函数的行为由求值方法决定，求值方法必须公开声明并命名为eval（直接def声明，没有override）。求值方法的参数类型和返回类型，确定了标量函数的参数和返回类型。</p>
@@ -247,7 +247,7 @@ <h4><a class="header" href="#标量函数scalar-functions" id="标量函数scala
 <h4><a class="header" href="#表函数table-functions" id="表函数table-functions">表函数（Table Functions）</a></h4>
 <p>与用户定义的标量函数类似，用户定义的表函数，可以将0、1或多个标量值作为输入参数；与标量函数不同的是，它可以返回任意数量的行作为输出，而不是单个值。</p>
 <p>为了定义一个表函数，必须扩展org.apache.flink.table.functions中的基类TableFunction并实现（一个或多个）求值方法。表函数的行为由其求值方法决定，求值方法必须是public的，并命名为eval。求值方法的参数类型，决定表函数的所有有效参数。</p>
-<p>返回表的类型由TableFunction的泛型类型确定。求值方法使用protected collect（T）方法发出输出行。</p>
+<p>返回表的类型由TableFunction的泛型类型确定。求值方法使用protected collect(T)方法发出输出行。</p>
 <p>在Table API中，Table函数需要与.joinLateral或.leftOuterJoinLateral一起使用。</p>
 <p>joinLateral算子，会将外部表中的每一行，与表函数（TableFunction，算子的参数是它的表达式）计算得到的所有行连接起来。</p>
 <p>而leftOuterJoinLateral算子，则是左外连接，它同样会将外部表中的每一行与表函数计算生成的所有行连接起来；并且，对于表函数返回的是空表的外部行，也要保留下来。</p>
@@ -339,20 +339,20 @@ <h4><a class="header" href="#聚合函数aggregate-functions" id="聚合函数ag
 <p>假设现在有一张表，包含了各种饮料的数据。该表由三列（id、name和price）、五行组成数据。现在我们需要找到表中所有饮料的最高价格，即执行max（）聚合，结果将是一个数值。</p>
 <p>AggregateFunction的工作原理如下。</p>
 <ul>
-<li>首先，它需要一个累加器，用来保存聚合中间结果的数据结构（状态）。可以通过调用AggregateFunction的createAccumulator（）方法创建空累加器。</li>
-<li>随后，对每个输入行调用函数的accumulate（）方法来更新累加器。</li>
-<li>处理完所有行后，将调用函数的getValue（）方法来计算并返回最终结果。</li>
+<li>首先，它需要一个累加器，用来保存聚合中间结果的数据结构（状态）。可以通过调用AggregateFunction的createAccumulator()方法创建空累加器。</li>
+<li>随后，对每个输入行调用函数的accumulate()方法来更新累加器。</li>
+<li>处理完所有行后，将调用函数的getValue()方法来计算并返回最终结果。</li>
 </ul>
 <p>AggregationFunction要求必须实现的方法：</p>
 <ul>
 <li>createAccumulator()</li>
 <li>accumulate()</li>
 <li>getValue()</li>
 </ul>
-<p>除了上述方法之外，还有一些可选择实现的方法。其中一些方法，可以让系统执行查询更有效率，而另一些方法，对于某些场景是必需的。例如，如果聚合函数应用在会话窗口（session group window）的上下文中，则merge（）方法是必需的。</p>
+<p>除了上述方法之外，还有一些可选择实现的方法。其中一些方法，可以让系统执行查询更有效率，而另一些方法，对于某些场景是必需的。例如，如果聚合函数应用在会话窗口（session group window）的上下文中，则merge()方法是必需的。</p>
 <ul>
-<li>retract() </li>
-<li>merge() </li>
+<li>retract()</li>
+<li>merge()</li>
 <li>resetAccumulator()</li>
 </ul>
 <p>接下来我们写一个自定义AggregateFunction，计算一下每个sensor的平均温度值。</p>

docs/book/chapter13-09-00-实时对帐：实现两条流的Join.html

@@ -161,6 +161,7 @@ <h1 class="menu-title">尚硅谷Flink教程</h1>
                     <main>
                         <h2><a class="header" href="#实时对帐实现两条流的join" id="实时对帐实现两条流的join">实时对帐：实现两条流的Join</a></h2>
 <p>完整代码如下：</p>
+<p><strong>scala version</strong></p>
 <pre><code class="language-scala">object TwoStreamJoin {
 
   case class OrderEvent(orderId: String, eventType: String, eventTime: Long)

docs/book/print.html

@@ -5563,7 +5563,7 @@ <h3><a class="header" href="#udf" id="udf">UDF</a></h3>
 <p>用户定义函数（User-defined Functions，UDF）是一个重要的特性，因为它们显著地扩展了查询（Query）的表达能力。一些系统内置函数无法解决的需求，我们可以用UDF来自定义实现。</p>
 <h4><a class="header" href="#注册用户自定义函数udf" id="注册用户自定义函数udf">注册用户自定义函数UDF</a></h4>
 <p>在大多数情况下，用户定义的函数必须先注册，然后才能在查询中使用。不需要专门为Scala 的Table API注册函数。</p>
-<p>函数通过调用registerFunction（）方法在TableEnvironment中注册。当用户定义的函数被注册时，它被插入到TableEnvironment的函数目录中，这样Table API或SQL解析器就可以识别并正确地解释它。</p>
+<p>函数通过调用registerFunction()方法在TableEnvironment中注册。当用户定义的函数被注册时，它被插入到TableEnvironment的函数目录中，这样Table API或SQL解析器就可以识别并正确地解释它。</p>
 <h4><a class="header" href="#标量函数scalar-functions" id="标量函数scalar-functions">标量函数（Scalar Functions）</a></h4>
 <p>用户定义的标量函数，可以将0、1或多个标量值，映射到新的标量值。</p>
 <p>为了定义标量函数，必须在org.apache.flink.table.functions中扩展基类Scalar Function，并实现（一个或多个）求值（evaluation，eval）方法。标量函数的行为由求值方法决定，求值方法必须公开声明并命名为eval（直接def声明，没有override）。求值方法的参数类型和返回类型，确定了标量函数的参数和返回类型。</p>
@@ -5647,7 +5647,7 @@ <h4><a class="header" href="#标量函数scalar-functions" id="标量函数scala
 <h4><a class="header" href="#表函数table-functions" id="表函数table-functions">表函数（Table Functions）</a></h4>
 <p>与用户定义的标量函数类似，用户定义的表函数，可以将0、1或多个标量值作为输入参数；与标量函数不同的是，它可以返回任意数量的行作为输出，而不是单个值。</p>
 <p>为了定义一个表函数，必须扩展org.apache.flink.table.functions中的基类TableFunction并实现（一个或多个）求值方法。表函数的行为由其求值方法决定，求值方法必须是public的，并命名为eval。求值方法的参数类型，决定表函数的所有有效参数。</p>
-<p>返回表的类型由TableFunction的泛型类型确定。求值方法使用protected collect（T）方法发出输出行。</p>
+<p>返回表的类型由TableFunction的泛型类型确定。求值方法使用protected collect(T)方法发出输出行。</p>
 <p>在Table API中，Table函数需要与.joinLateral或.leftOuterJoinLateral一起使用。</p>
 <p>joinLateral算子，会将外部表中的每一行，与表函数（TableFunction，算子的参数是它的表达式）计算得到的所有行连接起来。</p>
 <p>而leftOuterJoinLateral算子，则是左外连接，它同样会将外部表中的每一行与表函数计算生成的所有行连接起来；并且，对于表函数返回的是空表的外部行，也要保留下来。</p>
@@ -5739,20 +5739,20 @@ <h4><a class="header" href="#聚合函数aggregate-functions" id="聚合函数ag
 <p>假设现在有一张表，包含了各种饮料的数据。该表由三列（id、name和price）、五行组成数据。现在我们需要找到表中所有饮料的最高价格，即执行max（）聚合，结果将是一个数值。</p>
 <p>AggregateFunction的工作原理如下。</p>
 <ul>
-<li>首先，它需要一个累加器，用来保存聚合中间结果的数据结构（状态）。可以通过调用AggregateFunction的createAccumulator（）方法创建空累加器。</li>
-<li>随后，对每个输入行调用函数的accumulate（）方法来更新累加器。</li>
-<li>处理完所有行后，将调用函数的getValue（）方法来计算并返回最终结果。</li>
+<li>首先，它需要一个累加器，用来保存聚合中间结果的数据结构（状态）。可以通过调用AggregateFunction的createAccumulator()方法创建空累加器。</li>
+<li>随后，对每个输入行调用函数的accumulate()方法来更新累加器。</li>
+<li>处理完所有行后，将调用函数的getValue()方法来计算并返回最终结果。</li>
 </ul>
 <p>AggregationFunction要求必须实现的方法：</p>
 <ul>
 <li>createAccumulator()</li>
 <li>accumulate()</li>
 <li>getValue()</li>
 </ul>
-<p>除了上述方法之外，还有一些可选择实现的方法。其中一些方法，可以让系统执行查询更有效率，而另一些方法，对于某些场景是必需的。例如，如果聚合函数应用在会话窗口（session group window）的上下文中，则merge（）方法是必需的。</p>
+<p>除了上述方法之外，还有一些可选择实现的方法。其中一些方法，可以让系统执行查询更有效率，而另一些方法，对于某些场景是必需的。例如，如果聚合函数应用在会话窗口（session group window）的上下文中，则merge()方法是必需的。</p>
 <ul>
-<li>retract() </li>
-<li>merge() </li>
+<li>retract()</li>
+<li>merge()</li>
 <li>resetAccumulator()</li>
 </ul>
 <p>接下来我们写一个自定义AggregateFunction，计算一下每个sensor的平均温度值。</p>
@@ -6923,6 +6923,7 @@ <h3><a class="header" href="#使用process-function实现订单超时需求" id=
 </code></pre>
 <h2><a class="header" href="#实时对帐实现两条流的join" id="实时对帐实现两条流的join">实时对帐：实现两条流的Join</a></h2>
 <p>完整代码如下：</p>
+<p><strong>scala version</strong></p>
 <pre><code class="language-scala">object TwoStreamJoin {
 
   case class OrderEvent(orderId: String, eventType: String, eventTime: Long)