当前位置： 首页 > news >正文

房产网站开发用什么语言好广告策划书封面

news 2025/9/18 14:38:18
房产网站开发用什么语言好,广告策划书封面,住房和城乡建设部官网政务服务门户,51网站空间还有吗​ Flink SQL支持对动态表进行复杂而灵活的连接操作。 为了处理不同的场景，需要多种查询语义，因此有几种不同类型的 Join。默认情况下，joins 的顺序是没有优化的。表的 join 顺序是在 FROM 从句指定的。可以通过把更新频率最低的表放在第一个…

​ Flink SQL支持对动态表进行复杂而灵活的连接操作。 为了处理不同的场景，需要多种查询语义，因此有几种不同类型的 Join。默认情况下，joins 的顺序是没有优化的。表的 join 顺序是在 FROM 从句指定的。可以通过把更新频率最低的表放在第一个、频率最高的放在最后这种方式来微调 join 查询的性能。需要确保表的顺序不会产生笛卡尔积，因为不支持这样的操作并且会导致查询失败。

​ Flink Join根据输入源形式不同可以分为双流Join、维表Join和其他Join多种形式，下面根据大类分别介绍各自特点。

一 双流JOIN

​ 在正式进入FlinkSQL Join场景研究之前，首先我们先介绍一下在FlinkSQL场景下常见的Kafka数据流分类。截止到Flink1.18为止，目前常见的Kafka数据流包括不含键更新的普通Kafka数据流(即Kafka SQL Connector数据流)和包含键更新的Kafka数据流(即Upsert-Kafka SQL Connector数据流)两种。

1 Regular Join

​ Regular join 是最通用的 join 类型。在这种 join 下，join 两侧表的任何新记录或变更都是可见的，并会影响整个 join 的结果。对于流式查询，regular join 的语法是最灵活的，允许任何类型的更新（插入、更新、删除）输入表。 然而，这种操作具有重要的操作意义：Flink 需要将 Join 输入的两边数据永远保持在状态中。 因此，计算查询结果所需的状态可能会无限增长，这取决于所有输入表的输入数据量。你可以提供一个合适的状态 time-to-live (TTL) 配置来防止状态过大。注意：这样做可能会影响查询的正确性。

​ 左右两边流数据都能驱动join，左侧流新加入数据会和右侧流状态中所有匹配记录join上；同理，右侧流新增数据会和左侧流所有匹配记录join上，外连接不会等待，即使Join不上也会即及时输出，待对侧数据到来通过回撤修复数据。

  • Inner Join

    根据 join 限制条件返回一个简单的笛卡尔积。目前只支持 equi-joins，即：至少有一个等值条件。不支持任意的 cross join 和 theta join。

    select t1.order_id    as order_id,t2.product_id  as product_id,t1.create_time as create_time
from tbl_order t1 
join tbl_order_product t2 on t1.order_id = t2.order_id 
;

    Inner join不会产生回撤流，source端可以是Kafka SQL Connector也可以试Upsert-kafka SQL Connector，也可以是混合模式，sink端理论均可以是Kafka Connector，但如果输入端有重复输入，输出端可以设置成Upsert-Kafka SQL Connector接收数据。Upsert-Kafka SQL Connector注意设置主键。

  • outer join

    返回所有符合条件的笛卡尔积（即：所有通过 join 条件连接的行），加上所有外表没有匹配到的行。Flink 支持 LEFT、RIGHT 和 FULL outer joins。目前只支持 equi-joins，即：至少有一个等值条件。不支持任意的 cross join 和 theta join。

    select t1.order_id    as order_id,t2.product_id  as product_id,t1.create_time as create_time
from tbl_order t1 
left join tbl_order_product t2 on t1.order_id = t2.order_id 
;select t1.order_id    as order_id,t2.product_id  as product_id,t1.create_time as create_time
from tbl_order t1 
right join tbl_order_product t2 on t1.order_id = t2.order_id 
;select t1.order_id    as order_id,t2.product_id  as product_id,t1.create_time as create_time
from tbl_order t1 
full join tbl_order_product t2 on t1.order_id = t2.order_id 
;

    Outer Join会产生回撤流，source端可以是Kafka SQL Connector也可以是Upsert-kafka SQL Connector，也可以是混合模式，sink端理仅支持设置成Upsert-Kafka SQL Connector接收数据。Upsert-Kafka SQL Connector注意设置主键。

  • Regular Join总结应用模式如下(a代表Append-Only流，u代表Upsert-Kafka流)：

    • a join a => a|u

    • u join u => a|u

    • a join u => a|u

    • a left join a => u

    • u left join u => u

    • a left join u => u

2 Interval Join

​ 返回一个符合 join 条件和时间限制的简单笛卡尔积。Interval join 需要至少一个 equi-join 条件和一个 join 两边都包含的时间限定 join 条件。范围判断可以定义成就像一个条件（<, <=, >=, >），也可以是一个 BETWEEN 条件，或者两边表的一个相同类型（即：处理时间 或 事件时间）的时间属性 的等式判断。

​ 下面列举了一些有效的 interval join 时间条件：

  • ltime = rtime
  • ltime >= rtime AND ltime < rtime + INTERVAL '10' MINUTE
  • ltime BETWEEN rtime - INTERVAL '10' SECOND AND rtime + INTERVAL '5' SECOND

​ 对于流式查询，对比 regular join，interval join 只支持有时间属性的Append-Only表。 由于时间属性是递增的，Flink 从状态中移除旧值也不会影响结果的正确性，即interval join会根据间隔自动维护状态大小，不丢弃状态也不会让状态无限增长。

  • Inner join

    select * 
from tbl_order t1 
join tbl_shopment t2 on t1.order_id = t2.order_id and t1.create_time between t2.create_time - interval '4' hour and t2.create_time
;

    ​ 输入源只支持Kafka SQL Connector，不支持任何一方回撤流，这也可以理解，因为Interval Join是有时间属性参与Join的。输出数据可以是Kafka SQL Connector也可以试Upsert-kafka SQL Connector。Upsert-kafka SQL Connector要注意键设计。

  • Outer join

    select * 
from tbl_order t1 
left join tbl_shopment t2 on t1.order_id = t2.order_id and t1.create_time between t2.create_time - interval '4' hour and t2.create_time
;select * 
from tbl_order t1 
right join tbl_shopment t2 on t1.order_id = t2.order_id and t1.create_time between t2.create_time - interval '4' hour and t2.create_time
;select * 
from tbl_order t1 
full join tbl_shopment t2 on t1.order_id = t2.order_id and t1.create_time between t2.create_time - interval '4' hour and t2.create_time
;

    ​ 输入端仅至此Kafka SQL Connector，不支持任何一方回撤流，这也可以理解，因为Interval Join是有时间属性参与Outer Join的。输出数据可以是Kafka SQL Connector也可以试Upsert-kafka SQL Connector。Upsert-kafka SQL Connector要注意键设计。

  • 注意点

    • 测试要配置并行度为1，否则右表关联不上数据因为水位线识别不到会而不超时输出；

      executionEnvironment.setParallelism(1);

    • left join右表关联不上输出条件

      • 右表关联数据出现触发输出
      • 超时触发器输出关联不上数据

  • Interval Join总结应用模式如下(a代表Append-Only流，u代表Upsert-Kafka流)：

    • a join a => a|u

    • a left join a => a|u

3 Temporal Join(Snapshot Join)

​ 时态表（Temporal table）是一个随时间变化的表：在 Flink 中被称为动态表。时态表中的行与一个或多个时间段相关联，所有 Flink 中的表都是时态的（Temporal）。 时态表包含一个或多个版本的表快照，它可以是一个变化的历史表，跟踪变化（例如，数据库变化日志，包含所有快照）或一个变化的维度表，也可以是一个将变更物化的维表（例如，存放最终快照的数据表）。

  • Inner join

    select t1.order_id    as order_id,t1.user_id     as user_id,t2.user_name   as user_name,t1.create_time as create_time
from tbl_order t1 
join tbl_user for system_time as of t1.create_time t2 on t1.user_id = t2.user_id 
;

    特点：

    • 左右两边事件时间属性，标识两侧流join场景，如果处理时间请参考Lookup join；
    • 只支持event-time，如果是processing-time那么就变成join最新版本数据，同Lookup Join；
    • 左表支持append流和upsert流；
    • 右表只支持upsert流；
    • 输出可以是append流或者upsert流；
    • 左表触发计算，右表更新不触发计算；
    • 设置超时时间：tableEnvironment.getConfig().set("table.exec.source.idle-timeout","3s");；

  • Left join

    select t1.order_id    as order_id,t1.user_id     as user_id,t2.user_name   as user_name,t1.create_time as create_time
from tbl_order t1 
left join tbl_user for system_time as of t1.create_time t2 on t1.user_id = t2.user_id 
;

    特点：

    • 左右两边事件时间属性，标识两侧流join场景，如果处理时间请参考Lookup join；
    • 只支持event-time，如果是processing-time那么就变成join最新版本数据，同Lookup Join；
    • 左表支持append流和upsert流；
    • 右表只支持upsert流；
    • 输出可以是append流或者upsert流；
    • 左表触发计算，右表更新不触发计算；
    • 设置超时时间：tableEnvironment.getConfig().set("table.exec.source.idle-timeout","3s");；

  • Snapshot Join总结应用模式如下(a代表Append-Only流，u代表Upsert-Kafka流)：

    • a join u => a|u

    • u join u => u

    • a left join u => a|u

    • u left join u => u

4 Window Join

​ 窗口关联就是增加时间维度到关联条件中。在此过程中，窗口关联将两个流中在同一窗口且符合 join 条件的元素 join 起来。窗口关联的语义和DataStream window join相同。

​ 在流式查询中，与其他连续表上的关联不同，窗口关联不产生中间结果，只在窗口结束产生一个最终的结果。另外，窗口关联会清除不需要的中间状态。

​ 通常，窗口关联和窗口表值函数一起使用。而且，窗口关联可以在其他基于窗口表值函数的操作后使用，例如窗口聚合，窗口 Top-N和窗口关联。

​ 目前，窗口关联需要在 join on 条件中包含两个输入表的 window_start 等值条件和 window_end 等值条件。

​ 窗口关联支持 INNER/LEFT/RIGHT/FULL OUTER/ANTI/SEMI JOIN。

  • 语法

    select ...
from l [left|right|full outer] join r -- l and r are relations applied windowing TVF
on l.window_start = r.window_start and l.window_end = r.window_end and ...

  • 注意

    • 当前版本窗口Join必须同时指定window_start和window_end等值条件

    • 窗口Join不支持源是upsert流的情况

  • 限制

    • Join 子句的限制

    ​ 目前，窗口关联需要在 join on 条件中包含两个输入表的 window_start 等值条件和 window_end 等值条件。未来，如果是滚动或滑动窗口，只需要在 join on 条件中包含窗口开始相等即可。

    • 输入的窗口表值函数的限制

    ​ 目前，关联的左右两边必须使用相同的窗口表值函数。这个规则在未来可以扩展，比如：滚动和滑动窗口在窗口大小相同的情况下 join。

    • 窗口表值函数之后直接使用窗口关联的限制

    ​ 目前窗口关联支持作用在滚动（TUMBLE）、滑动（HOP）和累积（CUMULATE）窗口表值函数之上，但是还不支持会话窗口（SESSION）。

  • Snapshot Join总结应用模式如下(a代表Append-Only流，u代表Upsert-Kafka流)：

    • a join a => a|u

    • a left join a => a|u

二 维表JOIN

5 Lookup Join(processing-time temporal join)

​ lookup join 通常用于使用从外部系统查询的数据来丰富表。join 要求一个表具有处理时间属性，另一个表由查找源连接器（lookup source connnector）支持。通常使用基于处理时间的流表与外部版本表（例如 mysql、hbase）的最新版本相关联(即processing-time temporal join 常常用在使用外部系统来丰富流的数据)。

​ 通过定义一个处理时间属性，这个 join 总是返回最新的值。可以将 build side 中被查找的表想象成一个存储所有记录简单的 HashMap<K,V>。 这种 join 的强大之处在于，当无法在 Flink 中将表具体化为动态表时，它允许 Flink 直接针对外部系统工作。

​ Join操作由流端触发，当新增一个流数据，会查询外部DB映射，获取数据补全后发出结果数据。

  • inner join

    select t1.order_id    as order_id,t1.user_id     as user_id,t2.user_name   as user_name,t1.create_time as create_time
from tbl_order t1 
join tbl_user for system_time as of t1.create_time t2 on t1.user_id = t2.user_id 
;

    特点：

    • Lookup join只支持inner join和left join；
    • 源必须声明处理时间，即row_time as proctime()，如果源声明为事件时间，那么要走Snapshot join方式；
    • 源支持kafka和upsert-kafka连接器
    • 输出支持kafka和upsert-kafka连接器
    • 查询外部表注意使用异步IO/Cache特性优化外表查询性能

  • Left join

    select t1.order_id    as order_id,t1.user_id     as user_id,t2.user_name   as user_name,t1.create_time as create_time
from tbl_order t1 
left join tbl_user for system_time as of t1.create_time t2 on t1.user_id = t2.user_id 
;

    特点：

    • Lookup join只支持inner join和left join；
    • 源必须声明处理时间，即row_time as proctime()，如果源声明为事件时间，那么要走Snapshot join方式；
    • 源支持kafka和upsert-kafka连接器
    • 输出支持kafka和upsert-kafka连接器
    • 查询外部表注意使用异步IO/Cache特性优化外表查询性能

  • Lookup Join总结应用模式如下(a代表Append-Only流，s代表外表静态表)：

    • a join s => a|u

    • u join s => a|u

    • a left join s => a|u

    • u left join s => a|u

三 其他JOIN

6 Array Expansion

​ 对于输入的包含数组列的单行数据，返回给定数组中每个元素的新行，拆分后的数据除解析数组元素外，其他元素与原始行数据一致。

selectorder_id,order_tag,tag
from tbl_order_source cross join unnest(order_tag) as t(tag)
;

特征：

  • 输入数据可以是Append或者Upsert
  • 输出数据可以是Append或者Upsert

7 Table Function

​ 将表与表函数的结果联接。左侧（外部）表的每一行都与表函数的相应调用产生的所有行相连接。用户自定义表函数必须在使用前注册。

​ 对于是inner join，如果表函数调用返回一个空结果，那么左表的这行数据将不会输出。对于left join，如果表函数调用返回了一个空结果，则保留相应的行，并用空值填充未关联到的结果。当前，针对 lateral table 的 left outer join 需要 ON 子句中有一个固定的 TRUE 连接条件。

select order_id,order_tag,tag
from tbl_order_source
left join lateral table(table_func(order_tag)) t(tag) on true
;

特征：

  • 输入数据可以是Append或者Upsert
  • 输出数据可以是Append或者Upsert
http://www.yayakq.cn/news/993523/

相关文章：

  • 机械厂做网站到底有没有效果wordpress 屏蔽ip
  • 网站开发者模式下怎么保存图片江门恒达互联网网站建设
  • 网站加百度商桥wordpress中文版
  • 网站弹出信息怎么做都匀网站
  • 音乐网站建设教程厦门软件园多客宝网站开发
  • 一份完整的网站策划方案外贸网站 推广
  • 重庆网站seo优化怀宁做网站
  • jsp网站新手如何建立网站
  • 用仿网站做优化有效果吗wordpress主题破解下载
  • 门户网站群建设长春一般做一个网站需要多少钱
  • 数据库跟网站内容洛阳网站建设联系方式
  • 做防水怎样注册网站兰州新区建站
  • 互联网营销网站建设北京城建亚泰建设集团有限公司网站首页
  • php怎么做视频网站外卖网站建设的策划
  • 临清网站开发怎么找项目
  • 爬虫 网站开发实例网页站点
  • 贵阳网站建设哪家好企业网站建设制作设计哪家最专业
  • 清河网站建设js做音乐网站
  • 太原做网站效果怎么样成都网络推广哪家好
  • 晋中住房与城乡建设厅网站石家庄网站建设工作室
  • 自己如何做棋牌网站wordpress 调用文章
  • 天津企悦在线网站建设做网站注册哪些商标
  • 网页设计好的网站单页式网站
  • 广东华迪工程建设监理公司网站中国100强排名企业名单
  • 开发网站如何选需要注意什么ug编程培训
  • 英文网站怎么做外贸推广室内设计方案讲解思路
  • 德国设计网站大全湖北科技职业学院
  • ui中国设计网站页面手机网站根目录
  • 东莞网站建设制作山西网站备案
  • 在线一键建站系统app搭建要多少钱