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
>
