当前位置：首页 > news >正文

FlinkSQL之Flink SQL Join二三事

news 文章来源：https://blog.csdn.net/wen811651208/article/details/136977267 2024/11/20 20:39:25

Flink SQL支持对动态表进行复杂而灵活的连接操作。为了处理不同的场景，需要多种查询语义，因此有几种不同类型的 Join。默认情况下，joins 的顺序是没有优化的。表的 join 顺序是在 FROM 从句指定的。可以通过把更新频率最低的表放在第一个、频率最高的放在最后这种方式来微调 join 查询的性能。需要确保表的顺序不会产生笛卡尔积，因为不支持这样的操作并且会导致查询失败。

Flink Join根据输入源形式不同可以分为双流Join、维表Join和其他Join多种形式，下面根据大类分别介绍各自特点。

一双流JOIN

在正式进入FlinkSQL Join场景研究之前，首先我们先介绍一下在FlinkSQL场景下常见的Kafka数据流分类。截止到Flink1.18为止，目前常见的Kafka数据流包括不含键更新的普通Kafka数据流(即Kafka SQL Connector数据流)和包含键更新的Kafka数据流(即Upsert-Kafka SQL Connector数据流)两种。

1 Regular Join

Regular join 是最通用的 join 类型。在这种 join 下，join 两侧表的任何新记录或变更都是可见的，并会影响整个 join 的结果。对于流式查询，regular join 的语法是最灵活的，允许任何类型的更新（插入、更新、删除）输入表。然而，这种操作具有重要的操作意义：Flink 需要将 Join 输入的两边数据永远保持在状态中。因此，计算查询结果所需的状态可能会无限增长，这取决于所有输入表的输入数据量。你可以提供一个合适的状态 time-to-live (TTL) 配置来防止状态过大。注意：这样做可能会影响查询的正确性。

左右两边流数据都能驱动join，左侧流新加入数据会和右侧流状态中所有匹配记录join上；同理，右侧流新增数据会和左侧流所有匹配记录join上，外连接不会等待，即使Join不上也会即及时输出，待对侧数据到来通过回撤修复数据。

Inner Join

根据 join 限制条件返回一个简单的笛卡尔积。目前只支持 equi-joins，即：至少有一个等值条件。不支持任意的 cross join 和 theta join。
```
select t1.order_id    as order_id,t2.product_id  as product_id,t1.create_time as create_time
from tbl_order t1 
join tbl_order_product t2 on t1.order_id = t2.order_id 
;
```
Inner join不会产生回撤流，source端可以是Kafka SQL Connector也可以试Upsert-kafka SQL Connector，也可以是混合模式，sink端理论均可以是Kafka Connector，但如果输入端有重复输入，输出端可以设置成Upsert-Kafka SQL Connector接收数据。Upsert-Kafka SQL Connector注意设置主键。

outer join

返回所有符合条件的笛卡尔积（即：所有通过 join 条件连接的行），加上所有外表没有匹配到的行。Flink 支持 LEFT、RIGHT 和 FULL outer joins。目前只支持 equi-joins，即：至少有一个等值条件。不支持任意的 cross join 和 theta join。

select t1.order_id    as order_id,t2.product_id  as product_id,t1.create_time as create_time
from tbl_order t1 
left join tbl_order_product t2 on t1.order_id = t2.order_id 
;select t1.order_id    as order_id,t2.product_id  as product_id,t1.create_time as create_time
from tbl_order t1 
right join tbl_order_product t2 on t1.order_id = t2.order_id 
;select t1.order_id    as order_id,t2.product_id  as product_id,t1.create_time as create_time
from tbl_order t1 
full join tbl_order_product t2 on t1.order_id = t2.order_id 
;

Outer Join会产生回撤流，source端可以是Kafka SQL Connector也可以是Upsert-kafka SQL Connector，也可以是混合模式，sink端理仅支持设置成Upsert-Kafka SQL Connector接收数据。Upsert-Kafka SQL Connector注意设置主键。

Regular Join总结应用模式如下(a代表Append-Only流，u代表Upsert-Kafka流)：
- a join a => a|u
- u join u => a|u
- a join u => a|u
- a left join a => u
- u left join u => u
- a left join u => u

2 Interval Join

返回一个符合 join 条件和时间限制的简单笛卡尔积。Interval join 需要至少一个 equi-join 条件和一个 join 两边都包含的时间限定 join 条件。范围判断可以定义成就像一个条件（<, <=, >=, >），也可以是一个 BETWEEN 条件，或者两边表的一个相同类型（即：处理时间或事件时间）的时间属性的等式判断。

下面列举了一些有效的 interval join 时间条件：

ltime = rtime
ltime >= rtime AND ltime < rtime + INTERVAL '10' MINUTE
ltime BETWEEN rtime - INTERVAL '10' SECOND AND rtime + INTERVAL '5' SECOND

对于流式查询，对比 regular join，interval join 只支持有时间属性的Append-Only表。由于时间属性是递增的，Flink 从状态中移除旧值也不会影响结果的正确性，即interval join会根据间隔自动维护状态大小，不丢弃状态也不会让状态无限增长。

Inner join
```
select * 
from tbl_order t1 
join tbl_shopment t2 on t1.order_id = t2.order_id and t1.create_time between t2.create_time - interval '4' hour and t2.create_time
;
```
输入源只支持Kafka SQL Connector，不支持任何一方回撤流，这也可以理解，因为Interval Join是有时间属性参与Join的。输出数据可以是Kafka SQL Connector也可以试Upsert-kafka SQL Connector。Upsert-kafka SQL Connector要注意键设计。

Outer join

select * 
from tbl_order t1 
left join tbl_shopment t2 on t1.order_id = t2.order_id and t1.create_time between t2.create_time - interval '4' hour and t2.create_time
;select * 
from tbl_order t1 
right join tbl_shopment t2 on t1.order_id = t2.order_id and t1.create_time between t2.create_time - interval '4' hour and t2.create_time
;select * 
from tbl_order t1 
full join tbl_shopment t2 on t1.order_id = t2.order_id and t1.create_time between t2.create_time - interval '4' hour and t2.create_time
;

输入端仅至此Kafka SQL Connector，不支持任何一方回撤流，这也可以理解，因为Interval Join是有时间属性参与Outer Join的。输出数据可以是Kafka SQL Connector也可以试Upsert-kafka SQL Connector。Upsert-kafka SQL Connector要注意键设计。

注意点
- 测试要配置并行度为1，否则右表关联不上数据因为水位线识别不到会而不超时输出；
```
executionEnvironment.setParallelism(1);
```
- left join右表关联不上输出条件
  - 右表关联数据出现触发输出
  - 超时触发器输出关联不上数据
Interval Join总结应用模式如下(a代表Append-Only流，u代表Upsert-Kafka流)：
- a join a => a|u
- a left join a => a|u

3 Temporal Join(Snapshot Join)

时态表（Temporal table）是一个随时间变化的表：在 Flink 中被称为动态表。时态表中的行与一个或多个时间段相关联，所有 Flink 中的表都是时态的（Temporal）。时态表包含一个或多个版本的表快照，它可以是一个变化的历史表，跟踪变化（例如，数据库变化日志，包含所有快照）或一个变化的维度表，也可以是一个将变更物化的维表（例如，存放最终快照的数据表）。

Inner join
```
select t1.order_id    as order_id,t1.user_id     as user_id,t2.user_name   as user_name,t1.create_time as create_time
from tbl_order t1 
join tbl_user for system_time as of t1.create_time t2 on t1.user_id = t2.user_id 
;
```
特点：
- 左右两边事件时间属性，标识两侧流join场景，如果处理时间请参考Lookup join；
- 只支持event-time，如果是processing-time那么就变成join最新版本数据，同Lookup Join；
- 左表支持append流和upsert流；
- 右表只支持upsert流；
- 输出可以是append流或者upsert流；
- 左表触发计算，右表更新不触发计算；
- 设置超时时间：tableEnvironment.getConfig().set("table.exec.source.idle-timeout","3s");；
Left join
```
select t1.order_id    as order_id,t1.user_id     as user_id,t2.user_name   as user_name,t1.create_time as create_time
from tbl_order t1 
left join tbl_user for system_time as of t1.create_time t2 on t1.user_id = t2.user_id 
;
```
特点：
- 左右两边事件时间属性，标识两侧流join场景，如果处理时间请参考Lookup join；
- 只支持event-time，如果是processing-time那么就变成join最新版本数据，同Lookup Join；
- 左表支持append流和upsert流；
- 右表只支持upsert流；
- 输出可以是append流或者upsert流；
- 左表触发计算，右表更新不触发计算；
- 设置超时时间：tableEnvironment.getConfig().set("table.exec.source.idle-timeout","3s");；
Snapshot Join总结应用模式如下(a代表Append-Only流，u代表Upsert-Kafka流)：
- a join u => a|u
- u join u => u
- a left join u => a|u
- u left join u => u

4 Window Join

窗口关联就是增加时间维度到关联条件中。在此过程中，窗口关联将两个流中在同一窗口且符合 join 条件的元素 join 起来。窗口关联的语义和DataStream window join相同。

在流式查询中，与其他连续表上的关联不同，窗口关联不产生中间结果，只在窗口结束产生一个最终的结果。另外，窗口关联会清除不需要的中间状态。

通常，窗口关联和窗口表值函数一起使用。而且，窗口关联可以在其他基于窗口表值函数的操作后使用，例如窗口聚合，窗口 Top-N和窗口关联。

目前，窗口关联需要在 join on 条件中包含两个输入表的 window_start 等值条件和 window_end 等值条件。

窗口关联支持 INNER/LEFT/RIGHT/FULL OUTER/ANTI/SEMI JOIN。

语法

select ...
from l [left|right|full outer] join r -- l and r are relations applied windowing TVF
on l.window_start = r.window_start and l.window_end = r.window_end and ...

注意
- 当前版本窗口Join必须同时指定window_start和window_end等值条件
- 窗口Join不支持源是upsert流的情况
限制
- Join 子句的限制
目前，窗口关联需要在 join on 条件中包含两个输入表的 window_start 等值条件和 window_end 等值条件。未来，如果是滚动或滑动窗口，只需要在 join on 条件中包含窗口开始相等即可。
- 输入的窗口表值函数的限制
目前，关联的左右两边必须使用相同的窗口表值函数。这个规则在未来可以扩展，比如：滚动和滑动窗口在窗口大小相同的情况下 join。
- 窗口表值函数之后直接使用窗口关联的限制
目前窗口关联支持作用在滚动（TUMBLE）、滑动（HOP）和累积（CUMULATE）窗口表值函数之上，但是还不支持会话窗口（SESSION）。
Snapshot Join总结应用模式如下(a代表Append-Only流，u代表Upsert-Kafka流)：
- a join a => a|u
- a left join a => a|u

二维表JOIN

5 Lookup Join(processing-time temporal join)

lookup join 通常用于使用从外部系统查询的数据来丰富表。join 要求一个表具有处理时间属性，另一个表由查找源连接器（lookup source connnector）支持。通常使用基于处理时间的流表与外部版本表（例如 mysql、hbase）的最新版本相关联(即processing-time temporal join 常常用在使用外部系统来丰富流的数据)。

通过定义一个处理时间属性，这个 join 总是返回最新的值。可以将 build side 中被查找的表想象成一个存储所有记录简单的 HashMap<K,V>。这种 join 的强大之处在于，当无法在 Flink 中将表具体化为动态表时，它允许 Flink 直接针对外部系统工作。

Join操作由流端触发，当新增一个流数据，会查询外部DB映射，获取数据补全后发出结果数据。

inner join
```
select t1.order_id    as order_id,t1.user_id     as user_id,t2.user_name   as user_name,t1.create_time as create_time
from tbl_order t1 
join tbl_user for system_time as of t1.create_time t2 on t1.user_id = t2.user_id 
;
```
特点：
- Lookup join只支持inner join和left join；
- 源必须声明处理时间，即row_time as proctime()，如果源声明为事件时间，那么要走Snapshot join方式；
- 源支持kafka和upsert-kafka连接器
- 输出支持kafka和upsert-kafka连接器
- 查询外部表注意使用异步IO/Cache特性优化外表查询性能
Left join
```
select t1.order_id    as order_id,t1.user_id     as user_id,t2.user_name   as user_name,t1.create_time as create_time
from tbl_order t1 
left join tbl_user for system_time as of t1.create_time t2 on t1.user_id = t2.user_id 
;
```
特点：
- Lookup join只支持inner join和left join；
- 源必须声明处理时间，即row_time as proctime()，如果源声明为事件时间，那么要走Snapshot join方式；
- 源支持kafka和upsert-kafka连接器
- 输出支持kafka和upsert-kafka连接器
- 查询外部表注意使用异步IO/Cache特性优化外表查询性能
Lookup Join总结应用模式如下(a代表Append-Only流，s代表外表静态表)：
- a join s => a|u
- u join s => a|u
- a left join s => a|u
- u left join s => a|u

三其他JOIN

6 Array Expansion

对于输入的包含数组列的单行数据，返回给定数组中每个元素的新行，拆分后的数据除解析数组元素外，其他元素与原始行数据一致。

selectorder_id,order_tag,tag
from tbl_order_source cross join unnest(order_tag) as t(tag)
;

特征：

输入数据可以是Append或者Upsert
输出数据可以是Append或者Upsert

7 Table Function

将表与表函数的结果联接。左侧（外部）表的每一行都与表函数的相应调用产生的所有行相连接。用户自定义表函数必须在使用前注册。

对于是inner join，如果表函数调用返回一个空结果，那么左表的这行数据将不会输出。对于left join，如果表函数调用返回了一个空结果，则保留相应的行，并用空值填充未关联到的结果。当前，针对 lateral table 的 left outer join 需要 ON 子句中有一个固定的 TRUE 连接条件。

select order_id,order_tag,tag
from tbl_order_source
left join lateral table(table_func(order_tag)) t(tag) on true
;

特征：

输入数据可以是Append或者Upsert
输出数据可以是Append或者Upsert

一 双流JOIN