Flink作业大小表Join能力增强

Flink作业大小表Join

Flink作业双流Join时存在大小表数据，通过内核broadcast策略确保小表数据发送到Join的task中，通过rebalance策略将大表数据打散到Join中，提高Flink SQL易用性，增强作业稳定性。

图1 Flink作业大小表Join

在使用Flink SQL时，该特性通过hints方法指定Join的左表或右表为广播表，另一张表为rebalance表，SQL语句示例如下，分别以A\C作为小表示例：

• 以A表作为广播表
  • 使用Join方式

    SELECT /*+ BROADCAST(A) */ a2, b2 FROM A JOIN B ON a1 = b1

  • 使用Where方式

    SELECT /*+ BROADCAST(A) */ a2, b2 FROM A, B WHERE a1 = b1

• 以A和C表作为广播表

  SELECT /*+ BROADCAST(A, C) */ a2, b2, c2 FROM A JOIN B ON a1 = b1 JOIN C ON a1 = c1

• 支持通过“/*+ BROADCAST(smallTable1, smallTable2) */”方式使用该特性，兼容开源双流Join逻辑。
• 不支持开源双流Join和该特性的切换，因为该特性会将数据广播到每个Join算子。
• 不支持LEFT JOIN时小表为左表，RIGHT JOIN时小表为右表。

指定字段值进行Hash分区（仅MRS 3.6.0-LTS及之后版本支持）

FlinkSQL支持通过指定字段值进行Hash分区来解决大表Join时的无序性问题，这种方式大表可以根据指定字段进行Hash分区。如果指定的Hash字段是主键，那么当大表以主键进行更新时，新数据将与之前的数据进入同一个分区，从而在Join操作中保证数据的有序性。

约束与限制

• 当指定的Hash字段是主键时，可以保证数据的有序性，其他情况下无法保证数据的有序性。
• 需要保证指定的Hash字段没有倾斜问题。

使用方法

在FlinkSQL中添加 /*+ BROADCAST(s),HASH_BY_KEY('l'='user_id') */，其中BROADCAST(s)表示s表是广播表，HASH_BY_KEY('l'='user_id')表示l表将以user_id字段作为Hash字段。

SELECT /*+ BROADCAST(A), HASH_BY_KEY('B'='b2') */ a2, b2 FROM A JOIN B ON a1 = b1 /* 表A广播,表 B 按列b2 hash 分布 */ 
SELECT /*+ BROADCAST(A), HASH_BY_KEY('B'='b2, b3') */ a2, b2 FROM A JOIN B ON a1 = b1 /* 也支持多个字段进行hash，但b3如果不存在于B表，则会报错 */

SQL示例：

CREATE TABLE large_table (
  user_id INT,
  id INT,
  u_name STRING,
  PRIMARY KEY (user_id) NOT ENFORCED
) WITH (
 'connector' = 'hudi',
 'path' = 'hdfs://hacluster/tmp/hudi/stream_mor',
 'hoodie.datasource.write.recordkey.field' = 'user_id ',
 'read.tasks' = '1',
 'read.streaming.enabled' = 'true',
 'read.streaming.check-interval' = '5',
 'read.streaming.start-commit' = 'earliest'
);
CREATE TABLE small_table(
  id INT,
  age int
) WITH (
  'connector' = 'kafka',
  'topic' = 'small_table',
  'properties.bootstrap.servers' = 'Kafka的Broker实例业务IP:Kafka端口号',
  'scan.startup.mode' = 'latest-offset',
  'format' = 'csv'
);
SELECT
  /*+ BROADCAST(s),HASH_BY_KEY('l'='user_id') */
  l.user_id,
  s.id,
  l.u_name,
  s.age
FROM
  large_table l
  JOIN small_table s ON l.id = s.id;

Flink作业大小表Join去重

在双流关联的业务模型中，关联算子接收到其中一个流发送的大量重复数据，则会导致下游算子需要处理大量重复数据，影响作业性能。

如A表字段（P1，A1，A2）使用如下方式关联B表字段（P1，B1，B2，B3）生成C的场景中，B表信息发生大量更新，但是B中的所需字段没有更新，在该关联中仅用到了B表的B1和B2字段，对于B表，每个记录更新只更新B3字段，B1和B2不更新，因此当B表更新，可以忽略更新后的数据。

select  A.A1,B.B1,B.B2 from A join B on A.P1=B.P1

为解决如上问题可通过使用hint单独为左表（duplicate.left）或右表（duplicate.right）设置去重：

• 格式
  • 为左表设置去重

     /*+ OPTIONS('duplicate.left'='true')*/

  • 为右表设置去重

     /*+ OPTIONS('duplicate.right'='true')*/

  • 同时为左表和右表设置去重

     /*+ OPTIONS('duplicate.left'='true','duplicate.right'='true')*/

• 在SQL语句中配置
  如同时为左表“user_info”和右表“user_score”设置去重。

  CREATE TABLE user_info (`user_id` VARCHAR, `user_name` VARCHAR) WITH (
    'connector' = 'kafka',
    'topic' = 'user_info_001',
    'properties.bootstrap.servers' = 'Kafka的Broker实例业务IP:Kafka端口号',
    'properties.group.id' = 'testGroup',
    'scan.startup.mode' = 'latest-offset',
    'value.format' = 'csv'
  );
  CREATE table print(
    `user_id` VARCHAR,
    `user_name` VARCHAR,
    `score` INT
  ) WITH ('connector' = 'print');
  CREATE TABLE user_score (user_id VARCHAR, score INT) WITH (
    'connector' = 'kafka',
    'topic' = 'user_score_001',
    'properties.bootstrap.servers' = 'Kafka的Broker实例业务IP:Kafka端口号',
    'properties.group.id' = 'testGroup',
    'scan.startup.mode' = 'latest-offset',
    'value.format' = 'csv'
  );
  INSERT INTO
    print
  SELECT
    t.user_id,
    t.user_name,
    d.score
  FROM
    user_info as t
    JOIN 
    -- 为左表和右表设置去重
    user_score /*+ OPTIONS('duplicate.left'='true','duplicate.right'='true')*/ as d ON t.user_id = d.user_id;

  

  Kafka Broker实例IP地址及端口号说明：

  • 服务的实例IP地址可通过登录FusionInsight Manager后，单击“集群 > 服务 > Kafka > 实例”，在实例列表页面中查询。
  • 集群已启用Kerberos认证（安全模式）时Broker端口为“sasl.port”参数的值，默认为“21007”。
  • 集群未启用Kerberos认证（普通模式）时Broker端口为“port”的值，默认为“9092”。如果配置端口号为9092，则需要配置“allow.everyone.if.no.acl.found”参数为true，具体操作如下：

    登录FusionInsight Manager系统，选择“集群 > 服务 > Kafka > 配置 > 全部配置”，搜索“allow.everyone.if.no.acl.found”配置，修改参数值为true，保存配置即可。