在离线etl中,join是比较常见的操作。在使用flink进行实时数据处理时,数据流的扩维,表的打宽等场景也需要join操作。
基于官网和相关资料,flink中的join类型可以用下图简要表示。
由上图可知,在flink api 和 sql 模块分别支持不同的join类型。大家需根据开发需求选择相应的join方式。具体的join样例可参考官网。
以interval join 为例,api模块中的interval join仅支持 event time语义下的inner join,而sql模块的interval join支持event time/processing time + inner/ouer join的任一一种组合。
以api模块的interval 为例,其主要的类是IntervalJoinOperator。借助缓存分别将左右流中的消息暂时保存,并基于key在对方缓存中进行遍历匹配。如果能join上则立刻下发。
每条消息均配置了定时器,当随着watermark推进定时触发清除缓存中的这条数据,以免缓存条数过多。
api模块中interval的大致运行机制如下。