Flink Interval Join使用以及源码解析

在之前的Join算子中，一般使用的是coGroup算子，因为一个算子可以提供多种语义，但是也是有一些弊端的。因为coGroup只能实现在同一个窗口的两个数据流之间进行join，在实际的计算过程中，往往会遇到当req发生时，resp迟迟无法响应，这个时候，就会出现一个跨窗口的问题。也就是说经常会出现数据乱序，或者数据延迟的情况，导致两个流的数据是不同步的，也就会导致，join的过程中丢失数据问题。不在同一个窗口中的数据无法join，这个问题flink官方提供了另外一种join的方式，也就是interval join。他的核心思想就是，将两个流通过keyed分区。然后，按照key 在一个相对的时间段内进行Join。

Interval join用一个公共键连接两个流的元素（我们现在称它们为A&B），其中流B的元素的时间戳位于流A中元素的时间戳的相对时间间隔内。

这也可以更正式地表达为 b.timestamp ∈ [a.timestamp + lowerBound; a.timestamp + upperBound]ora.timestamp + lowerBound <= b.timestamp <= a.timestamp + upperBound

这里要表达的意思也就是说，当两个流进行join的时候，会根据左流的时间戳在右流中寻找公共键。

其中a和b是a和b中共享公共密钥的元素。只要下限始终小于或等于上限，下限和上限都可以是负值或正值。间隔联接当前仅执行内部联接。

当一对元素传递给ProcessJoinFunction时，它们将被分配有两个元素的较大时间戳（可以通过ProcessJoinFunction.context访问）。

注意：Interval Join 仅支持event time

在上面的例子中，我们将两个流“橙色”和“绿色”连接起来，下限为-2毫秒，上限为+1毫秒。默认情况下，这些边界是包含的，但是。lowerBoundExclusive（）和upperBoundExclusive可用于更改是否包含上下界。

再次使用更正式的符号，这将转化为

orangeElem.ts + lowerBound <= greenElem.ts <= orangeElem.ts + upperBound

如三角形所示。

import org.apache.flink.api.java.functions.KeySelector;
import org.apache.flink.streaming.api.functions.co.ProcessJoinFunction;
import org.apache.flink.streaming.api.windowing.time.Time;

...

DataStream orangeStream = ...
DataStream greenStream = ...

orangeStream
    .keyBy()
    .intervalJoin(greenStream.keyBy())
    .between(Time.milliseconds(-2), Time.milliseconds(1))
    .process (new ProcessJoinFunction out) {
            out.collect(first + "," + second);
        }
    });

在Interval Join的实现当中，其中的核心实现为IntervalJoinOperator类，这个类提供了执行IntervalJoin的核心逻辑

构造方法

public IntervalJoinOperator(
			long lowerBound,
			long upperBound,
			boolean lowerBoundInclusive,
			boolean upperBoundInclusive,
			TypeSerializer leftTypeSerializer,
			TypeSerializer rightTypeSerializer,
			ProcessJoinFunction udf) {
		
		super(Preconditions.checkNotNull(udf));
		
		Preconditions.checkArgument(lowerBound <= upperBound,
			"lowerBound <= upperBound must be fulfilled");

		// Move buffer by +1 / -1 depending on inclusiveness in order not needing
		// to check for inclusiveness later on
    // 这里根据是否包含上下界，来进行判断，是否执行 +1 或者 -1 操作
		this.lowerBound = (lowerBoundInclusive) ? lowerBound : lowerBound + 1L;
		this.upperBound = (upperBoundInclusive) ? upperBound : upperBound - 1L;

	}

初始化状态

	public void initializeState(StateInitializationContext context) throws Exception {
		super.initializeState(context);
		//构建 左流缓冲区，类型为keyedState的MapState 其中时间戳是key，值为BufferEntry 类型的List ArrayList
		this.leftBuffer = context.getKeyedStateStore().getMapState(new MapStateDescriptor<>(
			LEFT_BUFFER,
			LongSerializer.INSTANCE,
			new ListSerializer<>(new BufferEntrySerializer<>(leftTypeSerializer))
		));
		//构建右流缓冲区 类型为keyedState的MapState 其中时间戳是key，值为BufferEntry类型的List ArrayList
		this.rightBuffer = context.getKeyedStateStore().getMapState(new MapStateDescriptor<>(
			RIGHT_BUFFER,
			LongSerializer.INSTANCE,
			new ListSerializer<>(new BufferEntrySerializer<>(rightTypeSerializer))
		));
	}

处理左流和右流的数据

	@Override
	public void processElement1(StreamRecord record) throws Exception {
		//左流
		processElement(record, leftBuffer, rightBuffer, lowerBound, upperBound, true);
	}
	@Override
	public void processElement2(StreamRecord record) throws Exception {
		//右流
		processElement(record, rightBuffer, leftBuffer, -upperBound, -lowerBound, false);
	}

我们可以明显的看出来，左流和右流的处理，都是依靠于processElement方法。

private  void processElement(
			final StreamRecord record,
			final MapState>> ourBuffer,
			final MapState>> otherBuffer,
			final long relativeLowerBound,
			final long relativeUpperBound,
			final boolean isLeft) throws Exception {

		//获取当前流的值，可以是左流也可以是右流
		final THIS ourValue = record.getValue();
		//获取当前元素的时间戳，左流 or 右流
		final long ourTimestamp = record.getTimestamp();
		//是否迟到，是否小于 当前的 watermark
		if (isLate(ourTimestamp)) {
			return;
		}
		
		//将该方法的实现写到下方了，这里的意思是将当前的元素写入，当前key 所属的 state中，也就是左流keyedstate 或者右流keyed state 
		//addToBuffer(ourBuffer, ourValue, ourTimestamp);
		List> elemsInBucket = ourBuffer.get(ourTimestamp);
		if (elemsInBucket == null) {
			elemsInBucket = new ArrayList<>();
		}
		elemsInBucket.add(new BufferEntry<>(ourValue, false));
		ourBuffer.put(ourTimestamp, elemsInBucket);
		
		//遍历 其他流的state 。
		for (Map.Entry>> bucket: otherBuffer.entries()) {
			final long timestamp  = bucket.getKey();

			//如果时间不在范围内 则看一下保存的元素
			if (timestamp < ourTimestamp + relativeLowerBound ||
					timestamp > ourTimestamp + relativeUpperBound) {
				continue;
			}
			
			//如果在说明有值啊，当前值对应 other 多个元素的时候，会执行for循环，也就是 1 x n 的输出
			for (BufferEntry entry: bucket.getValue()) {
				if (isLeft) {
					collect((T1) ourValue, (T2) entry.element, ourTimestamp, timestamp);
				} else {
					collect((T1) entry.element, (T2) ourValue, timestamp, ourTimestamp);
				}
			}
		}
		//计算清理时间是否到了，到了的话就清理
		long cleanupTime = (relativeUpperBound > 0L) ? ourTimestamp + relativeUpperBound : ourTimestamp;
		if (isLeft) {
			internalTimerService.registerEventTimeTimer(CLEANUP_NAMESPACE_LEFT, cleanupTime);
		} else {
			internalTimerService.registerEventTimeTimer(CLEANUP_NAMESPACE_RIGHT, cleanupTime);
		}
	}

经过我们上述的分析，可以分析出来，Interval Join 是一种依赖于EventTime的一种join方式，它将左流和右流相同的key的数据按照时间戳来进行存储在不同的缓存里面，leftBuffer 和rightBuffer。

运行思路是这样的。

首先进来一个元素，这个元素可能是左流也可能是右流的元素，然后校验是否过期，过期就丢弃，不过期继续处理。

然后将他放入到左流或右流单独所属的cache中，时间戳为key，然后判断时间段，和他所对应的缓存 里面是否有值，如果有则返回，没有则等待右流将他唤醒。

然后会判断时间戳到达什么位置了。是否到了该清理的时候，如果到了，则会按照时间戳来进行清理。

	public void onEventTime(InternalTimer timer) throws Exception {

		long timerTimestamp = timer.getTimestamp();
		String namespace = timer.getNamespace();

		logger.trace("onEventTime @ {}", timerTimestamp);

		switch (namespace) {
			case CLEANUP_NAMESPACE_LEFT: {
				long timestamp = (upperBound <= 0L) ? timerTimestamp : timerTimestamp - upperBound;
				logger.trace("Removing from left buffer @ {}", timestamp);
				leftBuffer.remove(timestamp);
				break;
			}
			case CLEANUP_NAMESPACE_RIGHT: {
				long timestamp = (lowerBound <= 0L) ? timerTimestamp + lowerBound : timerTimestamp;
				logger.trace("Removing from right buffer @ {}", timestamp);
				rightBuffer.remove(timestamp);
				break;
			}
			default:
				throw new RuntimeException("Invalid namespace " + namespace);
		}
	}

到这里，我想我们对Interval Join 有了一些深入的理解了。

1、根据时间段来进行join，可以处于边界，也可以不处于边界

2、根据双cache来进行存储数据，以及根据keyed来进行join逻辑的实现

3、他是内连接的，目前不支持左外链接，想做的话，可以手动指定清理策略（改源码重新打包，或者基于双亲委派机制的在项目中添加对应的类，来进行改造）。