面试官: Flink双流JOIN了解吗? 简单说说其实现原理

观书散遗帙，探古穷至妙。这篇文章主要讲述面试官: Flink双流JOIN了解吗? 简单说说其实现原理相关的知识，希望能为你提供帮助。

摘要：今天和大家聊聊Flink双流Join问题。这是一个高频面试点，也是工作中常遇到的一种真实场景。

本文分享自华为云社区??《万字直通面试：Flink双流JOIN》??，作者：大数据兵工厂。
如何保证Flink双流Join准确性和及时性、除了窗口join还存在哪些实现方式、究竟如何回答才能完全打动面试官呢。。你将在本文中找到答案。

1、引子1.1 数据库SQL中的JOIN
我们先来看看数据库SQL中的JOIN操作。如下所示的订单查询SQL，通过将订单表的id和订单详情表order_id关联，获取所有订单下的商品信息。

select
a.id as 订单id,
a.order_date as 下单时间,
a.order_amount as 订单金额,
b.order_detail_id as 订单详情id,
b.goods_name as 商品名称,
b.goods_price as 商品价格,
b.order_id as 订单id
from
dwd_order_info_pfd a
right join
dwd_order_detail_pfd b
on a.id = b.order_id

这是一段很简单的SQL代码，就不详细展开叙述了。此处主要引出SQL中的JOIN类型，这里用到的是 right join , 即右连接。

left join: 保留左表全部数据和右表关联数据，右表非关联数据置NULL
right join: 保留右表全部数据和左表关联数据，左表非关联数据置NULL
inner join: 保留左表关联数据和右边关联数据
cross join: 保留左表和右表数据笛卡尔积

基于关联键值逐行关联匹配，过滤表数据并生成最终结果，提供给下游数据分析使用。
就此打住，关于数据库SQL中的JOIN原理不再多赘述，感兴趣的话大家可自行研究，下面我们将目光转移到大数据领域看看吧。
1.2 离线场景下的JOIN
假设存在这样一个场景：
已知mysql数据库中订单表和订单明细表，且满足一对多的关系，统计T-1天所有订单的商品分布详情。
聪明的大家肯定已经给出了答案，没错~就是上面的SQL：

select a.*, b.*
from
dwd_order_info_pfd a
right join
dwd_order_detail_pfd b
on a.id = b.order_id

现在修改下条件：已知订单表和订单明细表均为亿级别数据，求相同场景下的分析结果。
咋办？此时关系型数据库貌似不大合适了~开始放大招：使用大数据计算引擎来解决。
考虑到T-1统计场景对时效性要求很低，可以使用Hive SQL来处理，底层跑Mapreduce任务。如果想提高运行速度，换成Flink或Spark计算引擎，使用内存计算。

至于查询SQL和上面一样，并将其封装成一个定时调度任务, 等系统调度运行。如果结果不正确的话，由于数据源和数据静态不变，大不了重跑，看起来感觉皆大欢喜~
可是好景不长，产品冤家此时又给了你一个无法拒绝的需求：我要实时统计！！
2、实时场景下的JOIN还是上面的场景，此时数据源换成了实时订单流和实时订单明细流，比如Kafka的两个topic，要求实时统计每分钟内所有订单下的商品分布详情。

现在情况貌似变得复杂了起来,简单分析下:
1. 数据源。实时数据流，和静态流不同，数据是实时流入的且动态变化，需要计算程序支持实时处理机制。
2. 关联性。前面提到静态数据执行多次join操作，左表和右表能关联的数据是很恒定的；而实时数据流(左右表)如果进入时机不一致，原本可以关联的数据会关联不上或者发生错误。
3. 延迟性。实时统计，提供分钟甚至秒级别响应结果。
由于流数据join的特殊性，在满足实时处理机制、低延迟、强关联性的前提下，看来需要制定完善的数据方案，才能实现真正的流数据JOIN。
2.1 方案思路
我们知道订单数据和订单明细数据是一对多的关系，即一条订单数据对应着多条商品明细数据，毕竟买一件商品也是那么多邮费，不如打包团购。。而一条明细数据仅对应一条订单数据。
这样，双流join策略可以考虑如下思路:

当数据流为订单数据时。无条件保留，无论当前是否关联到明细数据，均留作后续join使用。
当数据流为明细数据时。在关联到其订单数据后，就可以say goodbye了，否则暂时保留等待下一次与订单数据的邂逅。

完成所有处于同一时段内的订单数据和订单明细数据join, 清空存储状态

实际生产场景中，需要考虑更多的复杂情况，包括JOIN过程的数据丢失等异常情况的处理，此处仅示意。
好了，看起来我们已经有了一个马马虎虎的实时流JOIN方案雏形。
貌似可以准备动手大干一场了~ 别着急，有人已经帮我们偷偷的实现了：Apache Flink
3、Flink的双流JOINApache Flink 是一个框架和分布式处理引擎，用于对无界和有界数据流进行有状态计算。Flink 被设计在所有常见的集群环境中运行，以内存执行速度和任意规模来执行计算。——来自Flink官网定义

这里我们只需要知道Flink是一个实时计算引擎就行了，主要关注其如何实现双流JOIN。
3.1 内部运行机制

内存计算：Flink任务优先在内存中计算，内存不够时保存到访问高效的磁盘，提供秒级延迟响应。
状态强一致性：Flink使用一致性快照保存状态，并定期检查本地状态、持久存储来保证状态一致性。
分布式执行： Flink应用程序可以划分为无数个并行任务在集群中执行，几乎无限量使用CPU、主内存、磁盘和网络IO。
内置高级编程模型：Flink编程模型抽象为SQL、Table、DataStream|DataSet API、Process四层，并封装成丰富功能的算子，其中就包含JOIN类型的算子。

仔细看看，我们前面章节讨论的实时流JOIN方案的前提是否都满足了呢？
1. 实时处理机制: Flink天生即实时计算引擎
2. 低延迟: Flink内存计算秒级延迟
3. 强关联性: Flink状态一致性和join类算子
不由感叹, 这个Flink果然强啊~
保持好奇心，我们去瞅瞅Flink双流join的真正奥义！！
3.2 JOIN实现机制
Flink双流JOIN主要分为两大类。一类是基于原生State的Connect算子操作，另一类是基于窗口的JOIN操作。其中基于窗口的JOIN可细分为window join和interval join两种。

实现原理：底层原理依赖Flink的State状态存储，通过将数据存储到State中进行关联join, 最终输出结果。

恍然大悟, Flink原来是通过State状态来缓存等待join的实时流。
这里给大家抛出一个问题：
用redis存储可不可以，state存储相比redis存储的区别？
回到正题，这几种方式到底是如何实现双流JOIN的？我们接着往下看。
注意: 后面内容将多以文字 + 代码的形式呈现，避免枯燥，我放了一堆原创示意图~
4、基于Window Join的双流JOIN实现机制顾名思义，此类方式利用Flink的窗口机制实现双流join。通俗理解，将两条实时流中元素分配到同一个时间窗口中完成Join。
底层原理: 两条实时流数据缓存在Window State中，当窗口触发计算时，执行join操作。

4.1 join算子
先看看Window join实现方式之一的join算子。这里涉及到Flink中的窗口(window)概念，因此Window Joinan按照窗口类型区分的话某种程度来说可以细分出3种：

Tumbling Window Join (滚动窗口)

Sliding Window Join (滑动窗口)

Session Widnow Join(会话窗口)

两条流数据按照关联主键在（滚动、滑动、会话）窗口内进行inner join, 底层基于State存储，并支持处理时间和事件时间两种时间特征，看下源码：

源码核心总结：windows窗口 + state存储 + 双层for循环执行join()
现在让我们把时间轴往回拉一点点，在实时场景JOIN那里我们收到了这样的需求：统计每分钟内所有订单下的商品明细分布。
OK, 使用join算子小试牛刀一下。我们定义60秒的滚动窗口，将订单流和订单明细流通过order_id关联，得到如下的程序：

val env = ...
// kafka 订单流
val orderStream = ...
// kafka 订单明细流
val orderDetailStream = ...

orderStream.join(orderDetailStream)
.where(r => r._1)//订单id
.equalTo(r => r._2) //订单id
.window(TumblingProcessTimeWindows.of(
Time.seconds(60)))
.apply (r1, r2) => r1 + " : " + r2
.print()

整个代码其实很简单，概要总结下:

定义两条输入实时流A、B
A流调用join(b流)算子
关联关系定义: where为A流关联键，equalTo为B流关联键，都是订单id
定义window窗口(60s间隔)
apply方法定义逻辑输出

这样只要程序稳定运行，就能够持续不断的计算每分钟内订单分布详情，貌似解决问题了奥~
还是别高兴太早，别忘了此时的join类型是inner join。复习一下知识： inner join指的是仅保留两条流关联上的数据。
这样双流中没关联上的数据岂不是都丢掉了？别担心，Flink还提供了另一个window join操作: coGroup算子。
4.2 coGroup算子
coGroup算子也是基于window窗口机制，不过coGroup算子比Join算子更加灵活，可以按照用户指定的逻辑匹配左流或右流数据并输出。
换句话说，我们通过自己指定双流的输出来达到left join和right join的目的。
现在来看看在相同场景下coGroup算子是如何实现left join：

#这里看看java算子的写法
orderDetailStream
.coGroup(orderStream)
.where(r -> r.getOrderId())
.equalTo(r -> r.getOrderId())
.window(TumblingProcessingTimeWindows.of(Time.seconds(60)))
.apply(new CoGroupFunction< OrderDetail, Order, Tuple2< String, Long> > ()
@Override
public void coGroup(Iterable< OrderDetail> orderDetailRecords, Iterable< Order> orderRecords, Collector< Tuple2< String, Long> > collector)
for (OrderDetail orderDetaill : orderDetailRecords)
boolean flag = false;
for (Order orderRecord : orderRecords)
// 右流中有对应的记录
collector.collect(new Tuple2< > (orderDetailRecords.getGoods_name(), orderDetailRecords.getGoods_price()));
flag = true;

if (!flag)
// 右流中没有对应的记录
collector.collect(new Tuple2< > (orderDetailRecords.getGoods_name(), null));

)
.print();

这里需要说明几点:

join算子替换为coGroup算子
两条流依然需要在一个window中且定义好关联条件
apply方法中自定义判断，此处对右值进行判断：如果有值则进行连接输出,否则右边置为NULL。

可以这么说，现在我们已经彻底搞定了窗口双流JOIN。
只要你给我提供具体的窗口大小，我就能通过join或coGroup算子鼓捣出各种花样join，而且使用起来特别简单。
但是假如此时我们亲爱的产品又提出了一个小小问题：
大促高峰期，商品数据某时段会写入不及时，时间可能比订单早也可能比订单晚，还是要计算每分钟内的订单商品分布详情，没问题吧~
当然有问题：两条流如果步调不一致，还用窗口来控制能join的上才怪了~ 很容易等不到join流窗口就自动关闭了。
还好，我知道Flink提供了Interval join机制。
5、基于Interval Join的双流JOIN实现机制Interval Join根据右流相对左流偏移的时间区间(interval)作为关联窗口，在偏移区间窗口中完成join操作。
有点不好理解，我画个图看下：

stream2.time ∈ (stream1.time +low, stream1.time +high)
满足数据流stream2在数据流stream1的 interval(low, high)偏移区间内关联join。interval越大，关联上的数据就越多，超出interval的数据不再关联。

实现原理：interval join也是利用Flink的state存储数据，不过此时存在state失效机制ttl，触发数据清理操作。

这里再引出一个问题：
state的ttl机制需要怎么设置？不合理的ttl设置会不会撑爆内存？
我会在后面的文章中深入讲解下State的ttl机制，欢迎大家一起探讨~
下面简单看下interval join的代码实现过程：

val env = ...
// kafka 订单流
val orderStream = ...
// kafka 订单明细流
val orderDetailStream = ...

orderStream.keyBy(_.1)
// 调用intervalJoin关联
.intervalJoin(orderDetailStream._2)
// 设定时间上限和下限
.between(Time.milliseconds(-30), Time.milliseconds(30))
.process(new ProcessWindowFunction())

class ProcessWindowFunction extends ProcessJoinFunction...
override def processElement(...)
collector.collect((r1, r2) => r1 + " : " + r2)

订单流在流入程序后，等候(low,high)时间间隔内的订单明细流数据进行join, 否则继续处理下一个流。
从代码中我们发现，interval join需要在两个KeyedStream之上操作，即keyBy()，并在between()方法中指定偏移区间的上下界。
需要注意的是interval join实现的也是inner join，且目前只支持事件时间。
6、基于Connect的双流JOIN实现机制前面在使用Window join或者Interval Join来实现双流join的时候，我发现了其中的共性：
无论哪种实现方式，Flink内部都将join过程透明化，在算子中封装了所有的实现细节。
这是什么？是编程语言中的抽象概念~ 隐藏底层细节,对外暴露统一API, 大幅简化程序编码。
可是这样会引来一个问题：如果程序报错或者数据异常，如何快速进行调优排查，直接看源码吗？不大现实。。
这里介绍基于Connect算子实现的双流JOIN方法，我们可自己控制双流JOIN处理逻辑，同时保持过程时效性和准确性。
6.1 Connect算子原理
对两个DataStream执行connect操作，将其转化为ConnectedStreams, 生成的Streams可以调用不同方法在两个实时流上执行，且双流之间可以共享状态。

图上我们可以看到，两个数据流被connect之后，只是被放在了同一个流中，内部依然保持各自的数据和形式，两个流相互独立。
[DataStream1, DataStream2] -> ConnectedStreams[1,2]
这样，我们可以在Connect算子底层的ConnectedStreams中编写代码，自行实现双流JOIN的逻辑处理。
6.2 技术实现
1.调用connect算子,根据orderid进行分组，并使用process算子分别对两条流进行处理。

orderStream.connect(orderDetailStream)
.keyBy("orderId", "orderId")
.process(new orderProcessFunc());

2.process方法内部进行状态编程, 初始化订单、订单明细和定时器的ValueState状态。

private ValueState< OrderEvent> orderState;
private ValueState< TxEvent> orderDetailState;
private ValueState< Long> timeState;

// 初始化状态Value
orderState = getRuntimeContext().getState(
new ValueStateDescriptor< Order>
("order-state",Order.class));
····

3.为每个进入的数据流保存state状态并创建定时器。在时间窗口内另一个流达到时进行join并输出，完成后删除定时器。

@Override
public void processElement1(Order value, Context ctx, Collector< Tuple2< Order, OrderDetail> > out)
if (orderDetailState.value() == null)
//明细数据未到，先把订单数据放入状态
orderState.update(value);
//建立定时器，60秒后触发
Long ts = (value.getEventTime()+10)*1000L;
ctx.timerService().registerEventTimeTimer(
ts);
timeState.update(ts);
else
//明细数据已到，直接输出到主流
out.collect(new Tuple2< > (value,orderDetailS
tate.value()));
//删除定时器
ctx.timerService().deleteEventTimeTimer
(timeState.value());
//清空状态，注意清空的是支付状态
orderDetailState.clear();
timeState.clear();

...
@Override
public void processElement2()
...

4.未及时达到的数据流触发定时器输出到侧输出流，左流先到而右流未到，则输出左流，反之输出右连流。

@Override
public void onTimer(long timestamp, OnTimerContext ctx, Collector< Tuple2< Order, OrderDetail> > out)
// 实现左连接
if (orderState.value() != null)
ctx.output(new OutputTag< String> ("left-jo
in") ,
orderState.value().getTxId());
// 实现右连接
else
ctx.output(new OutputTag< String> ("left-jo
in") ,
orderDetailState.value().getTxId());

orderState.clear();
orderDetailState.clear();
timeState.clear();

总体思想：基于数据时间实现订单数据及订单明细数据的关联，超时或者缺失则由侧输出流输出。
在connect中针对订单流和订单明细流，先创建定时器并保存state状态，处于窗口内就进行join, 否则进入侧输出流。
7、双流JOIN的优化与总结1. 为什么我的双流join时间到了却不触发，一直没有输出
检查一下watermark的设置是否合理，数据时间是否远远大于watermark和窗口时间，导致窗口数据经常为空
2. state数据保存多久，会内存爆炸吗
state自带有ttl机制，可以设置ttl过期策略，触发Flink清理过期state数据。建议程序中的state数据结构用完后手动clear掉。
3. 我的双流join倾斜怎么办
join倾斜三板斧: 过滤异常key、拆分表减少数据、打散key分布。当然可以的话我建议加内存！加内存！加内存！！
4. 想实现多流join怎么办
目前无法一次实现，可以考虑先union然后再二次处理；或者先进行connnect操作再进行join操作，仅建议~
5. join过程延迟、没关联上的数据会丢失吗
这个一般来说不会，join过程可以使用侧输出流存储延迟流；如果出现节点网络等异常，Flink checkpoint也可以保证数据不丢失。
某日面试官: Flink双流join了解吗? 简单说说其实现原理。
某君: Flink双流JOIN是。。。
【面试官: Flink双流JOIN了解吗? 简单说说其实现原理】??点击关注，第一时间了解华为云新鲜技术~??