1. 核心概念：bounded vs unbounded
- 默认 unbounded：无限造数
- 配置
number-of-rows→ bounded：到数量就停 - 只要 任意字段 用了
sequence，表也会变成 bounded（序列先跑完就结束）
最小示例：
sql
CREATE TABLE Orders (
order_number BIGINT,
price DECIMAL(32,2),
buyer ROW<first_name STRING, last_name STRING>,
order_time TIMESTAMP(3)
) WITH (
'connector' = 'datagen'
);2. 三个最常用的全局参数
2.1 控速：rows-per-second
默认 10000 行/秒：
sql
WITH (
'connector' = 'datagen',
'rows-per-second' = '5000'
)2.2 有界：number-of-rows
让作业像 batch 一样跑完退出：
sql
WITH (
'connector' = 'datagen',
'number-of-rows' = '100000'
)2.3 并行：scan.parallelism
控制 source 并行度（不写就用全局默认）：
sql
WITH (
'connector' = 'datagen',
'scan.parallelism' = '4'
)3. "像真数据"的关键：字段级配置 fields.#.*
DataGen 的强大在于每个字段都能调：
3.1 random vs sequence（最重要）
fields.xxx.kind = random：随机fields.xxx.kind = sequence：从 start 到 end
示例：订单号从 1 到 100000（bounded），价格随机范围 1~999：
sql
CREATE TABLE GenOrders (
order_id BIGINT,
price DECIMAL(10,2),
buyer_id BIGINT,
ts TIMESTAMP(3)
) WITH (
'connector' = 'datagen',
'rows-per-second' = '20000',
'fields.order_id.kind' = 'sequence',
'fields.order_id.start' = '1',
'fields.order_id.end' = '100000',
'fields.price.kind' = 'random',
'fields.price.min' = '1',
'fields.price.max' = '999',
'fields.buyer_id.min' = '1',
'fields.buyer_id.max' = '1000000',
'fields.ts.max-past' = '10 min'
);3.2 NULL 注入：null-rate（做脏数据/容错测试必备）
例如 5% 的 buyer_id 为空：
sql
'fields.buyer_id.null-rate' = '0.05'3.3 时间字段：max-past
TIMESTAMP / TIMESTAMP_LTZ 会生成"过去的时间"，最大过去范围由 max-past 控制：
sql
'fields.order_time.max-past' = '1 h'注意：文档里强调 TIME/DATE 永远是本机当前时间/日期，所以如果你想更"可控"的时间字段，通常用计算列生成（见第 6 节）。
4. 字符串/字节数组长度：length + var-len
DataGen 对长度约束有三条规则（很容易踩坑）：
- CHAR/BINARY（定长）：长度只能在 schema 定，不能自定义
- VARCHAR/VARBINARY（变长但有上限）：
fields.#.length不能超过 schema 定义的长度 - STRING/BYTES（超长类型）：默认 length=100，可设到
< 2^31
示例：seller 是 VARCHAR(150)，开启变长生成：
sql
CREATE TABLE Orders2 (
id BIGINT,
seller VARCHAR(150),
comment STRING
) WITH (
'connector' = 'datagen',
'fields.seller.var-len' = 'true',
'fields.seller.length' = '150',
'fields.comment.length' = '2000'
);5. 集合类型造数：ARRAY / MAP / MULTISET 的长度
默认集合大小是 3，可以用 fields.#.length 指定：
sql
CREATE TABLE GenCollections (
f0 ARRAY<INT>,
f1 MAP<INT, STRING>,
f2 MULTISET<INT>
) WITH (
'connector' = 'datagen',
'fields.f0.length' = '10',
'fields.f1.length' = '11',
'fields.f2.length' = '12'
);这个特别适合验证：下游 sink（比如 ES/OpenSearch）对嵌套结构的序列化、映射、字段膨胀问题。
6. 高级用法：LIKE 复制真实表结构，再 EXCLUDING ALL
你经常需要"模拟某个真实表"，又不想手写 schema。这时就用：
sql
CREATE TABLE Orders (
order_number BIGINT,
price DECIMAL(32,2),
buyer ROW<first_name STRING, last_name STRING>,
order_time TIMESTAMP(3)
) WITH (...真实表的 connector...);
CREATE TEMPORARY TABLE GenOrders
WITH (
'connector' = 'datagen',
'number-of-rows' = '10'
)
LIKE Orders (EXCLUDING ALL);这个模式用于：
- 在没有真实源的情况下，把 SQL pipeline 先跑通
- 回归测试时稳定复现 schema 变更带来的影响
7. 常见测试配方（直接抄）
7.1 "压测下游 sink"配方
目标：把 sink（ES/JDBC/HBase）顶满看吞吐/反压
- 高
rows-per-second - 合理
scan.parallelism - 关键字段尽量
sequence避免过多重复（尤其 upsert sink）
sql
CREATE TABLE GenHot (
id BIGINT,
v STRING,
ts TIMESTAMP(3)
) WITH (
'connector' = 'datagen',
'rows-per-second' = '200000',
'scan.parallelism' = '8',
'fields.id.kind' = 'sequence',
'fields.id.start' = '1',
'fields.id.end' = '10000000',
'fields.v.length' = '200',
'fields.v.var-len' = 'true',
'fields.ts.max-past' = '5 min'
);7.2 "脏数据/空值/长字段"配方
目标：验证 UDF、下游 schema、映射、容错逻辑
sql
CREATE TABLE GenDirty (
id BIGINT,
name STRING,
note STRING,
score INT
) WITH (
'connector' = 'datagen',
'rows-per-second' = '5000',
'fields.name.null-rate' = '0.02',
'fields.note.length' = '5000',
'fields.note.var-len' = 'true',
'fields.score.min' = '-100',
'fields.score.max' = '200'
);8. 最容易踩的坑（你一定会遇到）
VARCHAR(20)却配置fields.xxx.length=200：不生效/报错（长度不能超过 schema）- 配了
sequence还以为是流：只要有 sequence 就可能 bounded（序列先结束） - DATE/TIME 不是随机：永远是本机当前日期/时间
rows-per-second太高导致下游反压：你会看到 source 自动被 backpressure 限速（这其实是你想要的压测现象）