flink中维表Join几种常见方式总结

flink中维表Join

需求如下：
一个主流中数据是用户信息，字段包括用户姓名、城市id；
维表是城市数据，字段包括城市ID、城市名称。
要求用户表与城市表关联，输出为：用户名称、城市ID、城市名称。

(1)预加载维表信息

通过定义一个类实现RichMapFunction，在open()中读取维表数据加载到内存中，在probe流map()方法中与维表数据进行关联。

RichMapFunction中open方法里加载维表数据到内存的方式特点如下：
+ 优点：实现简单.
+ 缺点：因为数据存于内存，所以只适合小数据量并且维表数据更新频率不高的情况下。虽然可以在open中定义一个定时器定时更新维表，但是还是存在维表更新不及时的情况。

代码实现：

public class _01_DimJoin {

    public static void main(String[] args) throws Exception {

        // 获取的执行环境
        StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
        env.setParallelism(1);

        // 获取主流数据
        DataStreamSource<String> sourceStream = env.socketTextStream("hadoop01", 9999);

        // 原始数据的格式为user,1000(用户姓名、城市id)
        SingleOutputStreamOperator<Tuple2<String, Integer>> mapStream = sourceStream.map(new MapFunction<String, Tuple2<String, Integer>>() {
            @Override
            public Tuple2<String, Integer> map(String line) throws Exception {
                String[] arr = line.split(",");
                return Tuple2.of(arr[0], Integer.valueOf(arr[1]));
            }
        });

        // 预加载维表
        SingleOutputStreamOperator<Tuple3<String, Integer, String>> resStream = mapStream.map(new _01_MyMapFunction());

        // 打印数据
        resStream.print();
        env.execute("_01_DimJoin");
    }
}

package com.yyds.flink.functions;

import org.apache.flink.api.common.functions.RichMapFunction;
import org.apache.flink.api.java.tuple.Tuple2;
import org.apache.flink.api.java.tuple.Tuple3;
import org.apache.flink.configuration.Configuration;

import java.util.HashMap;
import java.util.Map;
import java.util.concurrent.Executors;
import java.util.concurrent.ScheduledExecutorService;
import java.util.concurrent.TimeUnit;

/**
 * 预加载维表方式 与  主流数据进行join
 */
public class _01_MyMapFunction extends RichMapFunction<Tuple2<String,Integer>, Tuple3<String,Integer,String>> {

    //定义一个变量，用于保存维表数据在内存
    Map<Integer, String> dim;

    @Override
    public void open(Configuration parameters) throws Exception {
        //在open方法中读取维表数据，可以从数据库中读取、文件中读取、接口中读取等等。
        dim = new HashMap<>();
        dim.put(1001,"北京");
        dim.put(1002,"上海");
        dim.put(1003,"广州");
        dim.put(1004,"深圳");
        // open中可以定时更新维表
        // 创建线程池
        ScheduledExecutorService executors = Executors.newSingleThreadScheduledExecutor();
        // 每隔5 min 更新一次
        executors.scheduleAtFixedRate(new Runnable() {
            @Override
            public void run() {
                reload();
            }
        },5,5, TimeUnit.MINUTES);
    }

    // 加载
    private void reload() {
        dim.put(1004,"深圳_" + System.currentTimeMillis());
    }

    @Override
    public Tuple3<String, Integer, String> map(Tuple2<String, Integer> tp2) throws Exception {
        // 在map 方法中进行主流  和 维表的关联
        String cityName = "";
        if(dim.containsKey(tp2.f1)){
            cityName = dim.get(tp2.f1);
        }
        return new Tuple3<>(tp2.f0,tp2.f1,cityName);
    }
}

(2)热存储维表

这种方式是将维表数据存储在Redis、HBase、MySQL等外部存储中，实时流在关联维表数据的时候实时去外部存储中查询，这种方式特点如下：

• 优点：维度数据量不受内存限制，可以存储很大的数据量。
• 缺点：因为维表数据在外部存储中，读取速度受制于外部存储的读取速度；另外维表的同步也有延迟。

1) 使用cache来减轻访问压力

 可以使用缓存来存储一部分常访问的维表数据，以减少访问外部系统的次数，比如使用guava Cache。

代码实现：

public class _02_DimJoin {
    public static void main(String[] args) throws Exception{

        // 获取执行环境
        StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
        env.setParallelism(1);


        DataStreamSource<String> streamSource = env.socketTextStream("hadoop01", 9999);

        // 原始数据的格式为user,1000(用户姓名、城市id)
        SingleOutputStreamOperator<Tuple2<String, Integer>> mapStream = streamSource.map(new MapFunction<String, Tuple2<String, Integer>>() {
            @Override
            public Tuple2<String, Integer> map(String line) throws Exception {
                String[] arr = line.split(",");
                return Tuple2.of(arr[0], Integer.valueOf(arr[1]));
            }
        });

        // 预加载维表(使用缓存cache)
        SingleOutputStreamOperator<Tuple3<String, Integer, String>> resStream = mapStream.map(new _02_MyMapFunction());

        // 打印数据
        resStream.print();
        env.execute("_02_DimJoin");
    }
}

/**
 * 热存储维表： 使用cache来减轻访问压力
 */
public class _02_MyMapFunction extends RichMapFunction<Tuple2<String,Integer>, Tuple3<String,Integer,String>> {

    LoadingCache<Integer,String> dim;

    private String readFromHbase(Integer cityId) {
        //读取hbase
        //这里写死，模拟从hbase读取数据
        Map<Integer, String> temp = new HashMap<>();
        temp.put(1001,"北京");
        temp.put(1002,"上海");
        temp.put(1003,"广州");
        temp.put(1004,"深圳");
        String cityName = "";
        if (temp.containsKey(cityId)) {
            cityName = temp.get(cityId);
        }

        return cityName;
    }

    @Override
    public void open(Configuration parameters) throws Exception {
        // 使用google LoadingCache进行缓存
       dim =  CacheBuilder.newBuilder()
                // 最多缓存的个数，超过了就根据最近最少使用的算法来移除缓存
                .maximumSize(1000)
                // 更新后的指定时间后回收
                .expireAfterWrite(10,TimeUnit.MINUTES)
                // 指定移除通知
                .removalListener(new RemovalListener<Integer, String>() {
                    @Override
                    public void onRemoval(RemovalNotification<Integer, String> notification) {
                        System.out.println(notification.getKey() + "被移除了，值为：" + notification.getValue());
                    }
                }).build(
                        // 指定加载缓存的逻辑
                new CacheLoader<Integer, String>() {
                    @Override
                    public String load(Integer cityId) throws Exception {
                        String cityName = readFromHbase(cityId);
                        return cityName;
                    }
                }
        );

        System.out.println("open方法中:" + dim.asMap().toString());



    }

    @Override
    public Tuple3<String, Integer, String> map(Tuple2<String, Integer> tp2) throws Exception {
        System.out.println("map方法中：" +  dim.asMap().toString());
        // 主流 和 维表进行关联
        String cityName = "";
        if(dim.get(tp2.f1) != null){
            cityName = dim.get(tp2.f1);
        }
        return new Tuple3<>(tp2.f0,tp2.f1,cityName);
    }
}

(2) 使用异步IO

Flink与外部存储系统进行读写操作的时候可以使用同步方式，也就是发送一个请求后等待外部系统响应，然后再发送第二个读写请求，
这样的方式吞吐量比较低，可以用提高并行度的方式来提高吞吐量，但是并行度多了也就导致了进程数量多了，占用了大量的资源。

Flink中可以使用异步IO来读写外部系统，这要求外部系统客户端支持异步IO，不过目前很多系统都支持异步IO客户端。但是如果使用异步就要涉及到三个问题：

• 超时：如果查询超时那么就认为是读写失败，需要按失败处理；

• 并发数量：如果并发数量太多，就要触发Flink的反压机制来抑制上游的写入;

• 返回顺序错乱：顺序错乱了要根据实际情况来处理，Flink支持两种方式：允许乱序、保证顺序。

public class _03_DimJoin {
    public static void main(String[] args) throws Exception{

        // 获取执行环境
        StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();

        DataStreamSource<String> streamSource = env.socketTextStream("hadoop01", 9999);

        // 原始数据的格式为user,1000(用户姓名、城市id)
        SingleOutputStreamOperator<Tuple2<String, Integer>> mapStream = streamSource.map(new MapFunction<String, Tuple2<String, Integer>>() {
            @Override
            public Tuple2<String, Integer> map(String line) throws Exception {
                String[] arr = line.split(",");
                return Tuple2.of(arr[0], Integer.valueOf(arr[1]));
            }
        });

        // 预加载维表（使用异步IO）
        // 保证顺序：异步返回的结果保证顺序
        SingleOutputStreamOperator<Tuple3<String, Integer, String>> resStream = AsyncDataStream.orderedWait(
                mapStream,
                new _03_MyRichAsyncFunction(),
                1000L, // 超时时间为1S
                TimeUnit.MILLISECONDS,
                2
        ).setParallelism(1);;

        SingleOutputStreamOperator<Tuple3<String,Integer, String>> unorderedResult = AsyncDataStream
                //允许乱序：异步返回的结果允许乱序，超时时间1秒，最大容量2，超出容量触发反压
                .unorderedWait(mapStream, new _03_MyRichAsyncFunction(), 1000L, TimeUnit.MILLISECONDS, 2)
                .setParallelism(1);

        // 打印数据
        resStream.print();
        env.execute("_02_DimJoin");
    }
}

import org.apache.flink.api.java.tuple.Tuple2;
import org.apache.flink.api.java.tuple.Tuple3;
import org.apache.flink.configuration.Configuration;
import org.apache.flink.streaming.api.functions.async.ResultFuture;
import org.apache.flink.streaming.api.functions.async.RichAsyncFunction;


import java.sql.DriverManager;
import java.sql.PreparedStatement;
import java.sql.ResultSet;
import java.util.ArrayList;
import java.util.List;

/**
 * 热存储维表—使用异步IO(从mysql中读取数据)
 */
public class _03_MyRichAsyncFunction extends RichAsyncFunction<Tuple2<String, Integer>, Tuple3<String, Integer, String>> {


    // 链接
    private static String jdbcUrl = "jdbc:mysql://localhost:3306/test?useUnicode=true&characterEncoding=utf-8&useSSL=false";
    private static String username = "root";
    private static String password = "zsd123456";
    private static String driverName = "com.mysql.jdbc.Driver";
    java.sql.Connection conn;
    PreparedStatement ps;


    // 从mysql中读取数据
    @Override
    public void open(Configuration parameters) throws Exception {
        Class.forName(driverName);
        conn = DriverManager.getConnection(jdbcUrl, username, password);
        ps = conn.prepareStatement("select city_name from city_info where id = ?");
    }

    // 异步方法
    @Override
    public void asyncInvoke(Tuple2<String, Integer> tp2, ResultFuture<Tuple3<String, Integer, String>> resultFuture) throws Exception {
        ps.setInt(1,tp2.f1);
        ResultSet rs = this.ps.executeQuery();
        String cityName = "";
        if(rs.next()){
            cityName = rs.getString(1);
        }

        List list = new ArrayList<Tuple3<String, Integer, String>>();
        list.add(new Tuple3<>(tp2.f0,tp2.f1,cityName));
        resultFuture.complete(list);
    }

    // 超时处理
    @Override
    public void timeout(Tuple2<String, Integer> tp2, ResultFuture<Tuple3<String, Integer, String>> resultFuture) throws Exception {

        List list = new ArrayList<Tuple2<Integer, String>>();
        list.add(new Tuple3<>(tp2.f0,tp2.f1, ""));
        resultFuture.complete(list);
    }

    @Override
    public void close() throws Exception {
        // 关闭连接
        conn.close();
    }
}

(3)广播

利用Flink的Broadcast State将维度数据流广播到下游做join操作。

• 优点：维度数据变更后可以即时更新到结果中。
• 缺点：数据保存在内存中，支持的维度数据量比较小。

public class _04_BroadCastDimJoin {
    public static void main(String[] args) throws Exception {

        // 获取执行环境
        StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();

        DataStreamSource<String> streamSource = env.socketTextStream("hadoop01", 9999);

        // 原始数据的格式为user,1000(用户姓名、城市id)
        SingleOutputStreamOperator<Tuple2<String, Integer>> mainStream = streamSource.map(new MapFunction<String, Tuple2<String, Integer>>() {
            @Override
            public Tuple2<String, Integer> map(String line) throws Exception {
                String[] arr = line.split(",");
                return Tuple2.of(arr[0], Integer.valueOf(arr[1]));
            }
        });


        //定义城市流(维度数据流)
        SingleOutputStreamOperator<Tuple2<Integer, String>> cityStream = env.socketTextStream("hadoop01", 8888, "\n")
                .map(p -> {
                    //输入格式为：城市ID,城市名称
                    String[] list = p.split(",");
                    return new Tuple2<Integer, String>(Integer.valueOf(list[0]), list[1]);
                }).returns(new TypeHint<Tuple2<Integer, String>>() {
                });

        // 将城市流定义为广播流
        MapStateDescriptor<Integer, String> broadCastDes = new MapStateDescriptor<Integer, String>("broad",Integer.class,String.class);

        BroadcastStream<Tuple2<Integer, String>> broadcastStream = cityStream.broadcast(broadCastDes);

        // 主流 和 广播流 进行连接
        SingleOutputStreamOperator<Tuple3<String, Integer, String>> resStream = mainStream.connect(broadcastStream)
                .process(new BroadcastProcessFunction<Tuple2<String, Integer>, Tuple2<Integer, String>, Tuple3<String, Integer, String>>() {

                    MapStateDescriptor<Integer, String> broadCastDes = new MapStateDescriptor<>("broad", Integer.class, String.class);

                    @Override
                    public void processBroadcastElement(Tuple2<Integer, String> value, Context context, Collector<Tuple3<String, Integer, String>> collector) throws Exception {
                        System.out.println("收到广播流: " + value);
                        context.getBroadcastState(broadCastDes).put(value.f0, value.f1);
                    }


                    @Override
                    public void processElement(Tuple2<String, Integer> value, ReadOnlyContext readOnlyContext, Collector<Tuple3<String, Integer, String>> collector) throws Exception {
                        // 处理非广播流，关联维度
                        ReadOnlyBroadcastState<Integer, String> broadcastState = readOnlyContext.getBroadcastState(broadCastDes);

                        String cityName = "";
                        if (broadcastState.contains(value.f1)) {
                            cityName = broadcastState.get(value.f1);
                        }
                        collector.collect(new Tuple3<>(value.f0, value.f1, cityName));
                    }


                });
        resStream.print();

        env.execute("_04_BroadCastDimJoin");
    }
}

(4) Lookup join(flinksql 维表join)

可以参考：https://blog.csdn.net/qq_44665283/article/details/125908709