可以考虑自己实现一个udf ，使用bitmap或者hyperloglog去实现。
原始邮件 发件人:[email protected] 收件人:[email protected] 发送时间:2020年3月20日(周五) 11:44 主题:Re: flink sql 去重算法 hi， 我发现我们生产有些使用 SQL 的 count distinct 去做去重，当作业跑了很久，作业的 Checkpoint state 很大（我这周就遇到过一个差不多 400G 的，导致 Checkpoint 很容易超时，并且可能会对 HDFS 集群的网卡也有一定的压力），我看官网文档有介绍说使用 query_configuration ">https://ci.apache.org/projects/flink/flink-docs-release-1.10/dev/table/streaming/query_configuration.html ，除此之外不清楚大家是否还有什么其他好的解决方法？ Benchao Li [email protected] 于2020年3月20日周五 上午9:50写道： Hi hiliuxg， count distinct 用的MapVIew来做的去重： 在batch场景下，MapView的底层实现就是HashMap； 在streaming场景下，MapView的底层实现是MapState，因为必须要用到state+cp，才能保证任务重启后状态不会丢失。 hiliuxg [email protected] 于2020年3月19日周四 下午11:31写道： hi all： 请问flink sqlnbsp; count(disitinct)nbsp; 底层的算法是怎样的？ 是bitmap ? 还是简单通过java的set容器去重的呢？ -- Benchao Li School of Electronics Engineering and Computer Science, Peking University Tel:+86-15650713730 Email: [email protected]; [email protected]
