感谢 一旦 和 Benchao 1. 如果是我的 watermark 设置过长,导致无法输出的话,是有点疑问的,因为我可以确定的是,一定会有 Join 上的数据,但是我 Job 跑了几天也没有一条输出。我还试了如下的SQL,自己 Join 自己,所以理论肯定是直接输出的,实际也是一条也没有。
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 main_db as t2 ON t1.reference_id = t2.reference_id WHERE t1.event_time >= t2.event_time + INTERVAL '5' MINUTES AND t1.event_time <= t2.event_time - INTERVAL '5' MINUTES ) """.stripMargin) 2. 一旦提到的 watermark 传递的问题,我可以确认的是,会传递下去,这可以在 UI 上看到 3. 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。 ------------------------------------------------------- 这里应该是使用 source subtask 最小的 watermark 传递过去,因为我可以看到的是,我的 watermark 永远和现在相差8个小时,所以怀疑是有一张表,总是会迟8个小时才会有 BinLog. 4. Flink SQL 有没有方法在定义 schema 的时候,如果一个字段不存在,就是 null,我现在想换另外一个时间字段作为 event time,但是有的表又没有这个字段,会导致解析的时候直接报错. 5. 我能不能不在 input_table 上注册 water mark,在 filter 出两张表后,再把 watermark 加载两张表上,这样可以避免因为别的表,导致 watermark 停止不前,混乱的行为. Thanks and best regards Benchao Li <libenc...@apache.org> 于2020年12月9日周三 上午10:24写道: > 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 <hinobl...@gmail.com> 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 <pre...@gmail.com> 于2020年12月9日周三 上午1:17写道: > > > > > @Benchao Li <libenc...@gmail.com> 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 <libenc...@apache.org> 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 <pre...@gmail.com> 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 <hinobl...@gmail.com>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 <pre...@gmail.com> 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 <18868816...@163.com> 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" <pre...@gmail.com> 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 >