8.8. 案例实战：SQL on IoT#
Note
本教程已出版为《Flink 原理与实践》，感兴趣的读者请在各大电商平台购买！
经过本章的学习，结合三到七章的背景知识，读者应该对 Table API & SQL 有了比较全面的了解，尤其 SQL 提供了一种更为通用的接口，相比 Java/Scala 来说更方便易用。本节将结合物联网（Internet of Things，IoT）场景来展示如何使用 Flink SQL 进行数据处理和分析。
实验目的#
熟悉 Flink SQL 的各类操作：包括使用 Flink SQL 连接数据源，进行时间窗口操作，进行两个表的 Temporal Table Join 等。
实验内容#
本实验基于德国纽伦堡大学提供的室内气候数据 [1]，该团队使用 IoT 设备来收集温度、湿度、光照等数据，结合室内人数、人物活动以及门窗开闭等情况，进行了研究，我们在原始数据基础上做了调整。
假设我们有多个房间（A、B、C 等），每个房间内部署有传感器，传感器可以收集温度、相对湿度、光照等数据。图 8.19 展示了房间 A 的布局，其中 A1 至 A4 为传感器。
图 8.19 室内数据收集示意图#
传感器收集上来的数据集名为 sensor.csv，包括以下字段：room,node_id,temp,humidity,light,ts，各字段含义如下：
room：房间号，这里为 A、B、C 等。node_id：该房间内的传感器编号，以上图中的房间 A 为例，共 4 个传感器，编号为 1 至 4。temp：摄氏温度，单位°C。humidity：相对湿度，单位 %。light：光传感器波长，单位 nm。ts：数据收集时间戳，形如2016-03-15 19:34:05。
此外，第二个数据流收集房间的环境信息，数据集名为 env.csv。这个数据记录了房间环境的变动，任何变动都将在数据中增加一条记录。数据包括以下字段：room,occupant,activity,door,win,ts，各字段含义如下：
room：房间号，这里为 A、B、C 等。occupant：房间人数。activity：人物行为。0：无活动、1：读、2：站、3：行走、4：工作。door：门的状态。0：关、1：开。win：窗的状态，0：关、1：开。ts：以上环境信息发生改动的时间戳，形如2016-03-15 19:34:05。
两份数据集在工程目录的 src/main/resources/iot 下。
实验内容#
结合本书内容和 Flink 官方文档，完成下面程序：
程序 1：使用流处理模式，读取
sensor.csv和env.csv数据源，注意ts字段作为时间属性，并定义 Watermark 策略。程序 2：按房间号分组，计算该房间内每分钟的平均温度和湿度，输出到文件系统上。
程序 3：基于 Temporal Table Join，将
sensor.csv和env.csv按照房间号连接，生成一个宽表（宽表有助于哦后续数据分析流程），将结果输出到文件系统上。宽表包括以下字段：room,node_id,temp,humidity,light,occupant,activity,door,win,ts。
实验报告#
将思路和程序撰写成实验报告。