这个问题是存在的，只不过不清楚算不算bug，可能只算是FlinkSQL在这部分处理的不足感觉。
之所以出现这个问题，是因为你用了FROM_UNIXTIME等函数，这些函数会自动根据当前时区将ts转换为TIMESTAMP（这导致了在time attribute部分不应该使用这种函数，否则会导致watermark显示超前8小时的问题）。 但是呢，目前不这么做好像也还不行。因为分窗必须基于time attribute，同时flinkSQL目前不支持offset的指定，因此只能基于这种方式去间接实现分窗的正确性。 ———————— 比如：ts=0，代表的是 1970-1-1 00:00:00，FROM_UNIXTIME(0) 返回的是 1970-1-1 08:00:00 UTC+8 这个时间，而这个时间作为TIMESTAMP类型的eventtime被处理了，但TIMESTAMP本身是无时区含义的，你却给了它一个带时区含义的日期。这导致分窗可以正常按照中国人习惯分，但从底层考虑却不对，因为这个时间点，它的ts变为了28800s。因为flinkSQL将你那个eventtime按照UTC+0转换出来的ts就是ts=28800（s）。 ———————— 按我说的话，要么继续这么用，你忽略ui上的watermark，这并不影响你的代码逻辑和业务逻辑。 要么就是调整不使用那些函数，这样可以保证watermark那个ui展示正确，但是却导致小时/天窗口出问题，并暂时无解（因为不支持offset窗口）。 macia kk <[email protected]> 于2020年12月11日周五 下午3:04写道： > 你用的是哪个版本的Flink呢？ > ----- > 1.11.2 > > 看起来你的watermark固定快8个小时的话，应该是时区问题，而不是数据问题。 > 所以你的binlog是怎么读进来的呢？自定义的format？ > ----- > ts 就是时间戳 > > 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(ts)), > 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' > ) > ) > > > > ``` > > > > Benchao Li <[email protected]> 于2020年12月10日周四 下午6:14写道： > > > 你用的是哪个版本的Flink呢？ > > > > 看起来你的watermark固定快8个小时的话，应该是时区问题，而不是数据问题。 > > 所以你的binlog是怎么读进来的呢？自定义的format？ > > > > macia kk <[email protected]> 于2020年12月10日周四 上午1:06写道： > > > > > 我刚才跑了很多任务，设置不同的 maxOutOfOrderness WATERMARK FOR event_time AS > event_time > > - > > > INTERVAL 'x' HOUR > > > > > > 发现一个很奇怪的问题 ，按理说 watermark = currentMaxTimestamp - maxOutOfOrderness > > > > > > 但是 我通过 页面上的 watermark 时间，和我设置 maxOutOfOrderness x， > > > 能够反推出来数据的 currentMaxTimestamp > > > > > > currentMaxTimestamp = watermark + maxOutOfOrderness > > > > > > 但是我无论设置多少的 maxOutOfOrderness， 反推出来的 currentMaxTimestamp 比现在此时此刻的时间快 > > > 8个小时，也就是说 currentMaxTimestamp 在未来后的 8个小时，这个数字一直是固定的8。 > > > > > > > > > 但是，我进行 Join, 直接输出任意一张表，得到的 evet time 都是对的，比如现在 00:55 > > > > > > > > > {"table":"transaction_tab_00000122","database":"main_db","transaction_type":1,"transaction_id":111111,"reference_id":"111111","transaction_sn":"11111","merchant_id":1,"status":1,"event_time":" > > > *2020-12-10T01:02:24Z*"} > > > > > > UI 上显示的 watermark 是 1607555031000（Your time zone: 2020年12月10日星期四早上7点02分 > > > GMT+08:00) > > > > > > 这个 watermark 是未来的时间 😂 > > > > > > > > > > > > > > > > > > macia kk <[email protected]> 于2020年12月9日周三 下午11:36写道： > > > > > > > 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 <[email protected]> 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 <[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 > > > >> > > > > > > > > > > > > > -- > > > > Best, > > Benchao Li > > >
