Hi macia， 一旦回答的基本比较完整了。 watermark影响的主要是left join没有join到的情况下，+(left, null)这样的数据输出的时机。 如果是两侧都有数据，watermark不前进，也都可以正常输出。
关于watermark，如果你的事件时间忽高忽低，这个底层的watermark只会取当前source subtask见到的最大的watermark 作为这个source subtask的watermark。但是你的watermark计算逻辑本身就是事件时间delay 10个小时，这个已经会导致 你的没有join到的数据下发会延迟很多了。 你也可以尝试下用处理时间来做一下interval join，看看能不能达到预期。 赵一旦 <[email protected]> 于2020年12月9日周三 上午10:15写道： > 重点是watermark是否推进了，如果不推进，left join也无法知道什么时候右边就没数据了，可以仅输出左边数据。 > > > （1）你这个的话我看到一个问题，就是watermark你定义10小时的maxOutOfOrderness，确定这么长嘛要，这么大的maxOutOfOrderness，会导致join到的则会及时输出，join不到的需要等10小时才能输出“仅左边”数据，即left > join。 > > （2）此外，还有一个点，这个我也不确认。如果是datastream > api，watermark是可以正常传播的，不清楚flinkSQL情况是否能这么传播。 > > input_database中定义了watermark，从input_database到2个filter后的表不清楚是否还存在watermark（我感觉是存在的），只要存在那就没问题，唯一需要注意的是第1点。 > > macia kk <[email protected]> 于2020年12月9日周三 上午1:17写道： > > > @Benchao Li <[email protected]> 感谢回复，这个问题困扰我半年了，导致我一直不能迁移到 > > FLink，可能我的Case 太特殊了. > > > > 我 input topic 和 schema 如果下，但是要注意的是，这个 topic 里包含了两个 MySQL DB 的 Binlog，我需要 > > filter 出来 main_db__tansaction_tab, merchant_db__transaction_tab, 两个 DB > > 中的两个表。所以这里的字段我定义的是 两张表的字段的并集. > > > > 还要注意的是 even time 是 create_time, 这里问题非常大： > > 1. 很多表都有 create time，所以会导致很多不用的表也能解析出来 watermark， 导致混乱 > > 2. Binlog 是 change log, 所以历史数据会不断更新，会导致有很多旧的 create time进来，可能会影响 > watermark > > forward on. > > > > bsTableEnv.executeSql(""" > > CREATE TABLE input_database ( > > `table` STRING, > > `database` STRING, > > `data` ROW( > > reference_id STRING, > > transaction_sn STRING, > > transaction_type BIGINT, > > merchant_id BIGINT, > > transaction_id BIGINT, > > status BIGINT > > ), > > ts BIGINT, > > event_time AS TO_TIMESTAMP(FROM_UNIXTIME(create_time)), > > WATERMARK FOR event_time AS event_time - INTERVAL '10' HOUR > > ) WITH ( > > 'connector.type' = 'kafka', > > 'connector.version' = '0.11', > > 'connector.topic' = 'mytopic', > > 'connector.properties.bootstrap.servers' = 'xxxx', > > 'format.type' = 'json' > > ) > > """) > > > > > > 分别 filter 出来 两张表，进行 interval Join，这个是一直没有输出的，我两张表输出试过，没有任何问题。 > > > > val main_db = bsTableEnv.sqlQuery(""" > > | SELECT * > > | FROM input_database > > | WHERE `database` = 'main_db' > > | AND `table` LIKE 'transaction_tab%' > > | """.stripMargin) > > > > val merchant_db = bsTableEnv.sqlQuery(""" > > | SELECT * > > | FROM input_database > > | WHERE `database` = 'merchant_db' > > | AND `table` LIKE 'transaction_tab%' > > | """.stripMargin) > > > > bsTableEnv.createTemporaryView("main_db", main_db) > > bsTableEnv.createTemporaryView("merchant_db", merchant_db) > > > > val result = bsTableEnv.sqlQuery(""" > > SELECT * > > FROM ( > > SELECT t1.`table`, t1.`database`, t1.transaction_type, > > t1.transaction_id, > > t1.reference_id, t1.transaction_sn, t1.merchant_id, > > t1.status, t1.event_time > > FROM main_db as t1 > > LEFT JOIN merchant_db as t2 > > ON t1.reference_id = t2.reference_id > > WHERE t1.event_time >= t2.event_time + INTERVAL '1' HOUR > > AND t1.event_time <= t2.event_time - INTERVAL '1' HOUR > > ) > > """.stripMargin) > > > > > > > > 事件时间的interval join是需要用watermark来驱动的。你可以确认你的watermark是正常前进的么？ > > ----- > > 你提到的这个问题，我估计我的 watermark 前进肯定是不正常的。但是我无法理解为什么 interval join 需要 watermark > > 来驱动。 > > 我的理解是，他会把两边的数据都保留在 state 里，既然是 Left join，如果左边有数据查右边的state，如果可以 join上，就输出 > > join 的结果，如果没有 join上，那应该正常输出左边的数据，这才是 Left join 应有的逻辑把. > > > > > > > > > > > > > > Benchao Li <[email protected]> 于2020年12月8日周二 下午3:23写道： > > > > > hi macia， > > > > > > 事件时间的interval join是需要用watermark来驱动的。你可以确认你的watermark是正常前进的么？ > > > > > > macia kk <[email protected]> 于2020年12月8日周二 上午1:15写道： > > > > > > > 抱歉，是 ＞-30 and ＜+30 > > > > > > > > 贴的只是demo，我的疑问是，既然是 Left Join，所以无所有没有Jion上右边，左边肯定会输出的，不至于一天条没有 > > > > > > > > 赵一旦 <[email protected]>于2020年12月7日 周一23:28写道： > > > > > > > > > 准确点，2个条件之间没and？2个都是>？ > > > > > > > > > > macia kk <[email protected]> 于2020年12月7日周一 下午10:30写道： > > > > > > > > > > > 不好意思，我上边贴错了 > > > > > > > > > > > > SELECT * > > > > > > FROM A > > > > > > LEFT OUT JOIN B > > > > > > ON order_id > > > > > > Where A.event_time > B.event_time - 30 s > > > > > > A.event_time > B.event_time + 30 s > > > > > > > > > > > > event_time 是 Time Attributes 设置的 event_time > > > > > > > > > > > > 这样是没有输出的。 > > > > > > > > > > > > > > > > > > > > > > > > interval join 左右表在 state 中是缓存多久的？ > > > > > > > > > > > > > > > > > > > > > > > > > > > > > > > > > > > > > > > > > > hailongwang <[email protected]> 于2020年12月7日周一 下午8:05写道： > > > > > > > > > > > > > Hi， > > > > > > > 其中 条件是 > > > > > > > `Where A.event_time < B.event_time + 30 s and A.event_time > > > > > > B.event_time > > > > > > > - 30 s ` 吧 > > > > > > > 可以参考以下例子[1]，看下有木有写错。 > > > > > > > [1] > > > > > > > > > > > > > > > > > > > > > > > > > > > > https://github.com/apache/flink/blob/59ae84069313ede60cf7ad3a9d2fe1bc07c4e460/flink-table/flink-table-planner-blink/src/test/scala/org/apache/flink/table/planner/runtime/stream/sql/IntervalJoinITCase.scala#L183 > > > > > > > > > > > > > > > > > > > > > Best, > > > > > > > Hailong > > > > > > > 在 2020-12-07 13:10:02，"macia kk" <[email protected]> 写道： > > > > > > > >Hi, 各位大佬 > > > > > > > > > > > > > > > > 我的上游是一个 Kafka Topic， 里边把一个 MySQL DB 所有的 Binlog 打进去了。我的 > > > > > > > >Flink任务的在处理的时候，消费一次，然后 filter out 出来 表A 和 表B，表A是 order事件 ，表B 是 > > > order > > > > > > item > > > > > > > >信息，所以 我用: > > > > > > > > > > > > > > > > SELECT * > > > > > > > > FROM A > > > > > > > > LEFT OUT JOIN B > > > > > > > > ON order_id > > > > > > > > Where A.event_time > B.event_time + 30 s > > > > > > > > A.event_time > B.event_time - 30 s > > > > > > > > > > > > > > > >我测了下，A 和 BI 单独都可以消费输出，但是如果加上 Left Join 之后就没有输出数据了，可以确认的是我用 > Spark > > > > > > > Structural > > > > > > > >Streaming 实现同样的逻辑是有输出的。 因为我的理解既然是 Left Join, > > > > > > > >所以无论如何，左边是一定会输出的，不知道Flink Interval Join > 在具体实现的逻辑是什么，我在处理上哪里有问题？ > > > > > > > > > > > > > > > > > > > > > > > > > > > > > > > -- > > > > > > Best, > > > Benchao Li > > > > > > -- Best, Benchao Li
