Flink多流Join与双流Join实现方案
请介绍Flink中多流Join和双流Join的多种实现方式（Window Join/Interval Join/Regular Join/Lookup Join），对比各自的适用场景和特点。
回答
小字辈
1. Window Join（窗口Join）：
- 语法：
stream1.join(stream2).where(...).equalTo(...).window(TumblingEventTimeWindows.of(...)) - 原理：两流在相同窗口内匹配，未匹配的记录丢弃
- 适用：两流在同一时间窗口内关联
- 注意：要求两流有相同的Key和窗口
2. Interval Join（时间区间Join）：
- 语法：
stream1.keyBy(...).intervalJoin(stream2.keyBy(...)).between(Time.hours(-1), Time.hours(1)) - 原理：一条流的每条记录与另一条流在指定时间范围内的记录关联
- 适用：订单流关联支付流（支付时间在订单后1小时内）
- 注意：依赖状态存储，状态大小=时间范围×数据量
3. Regular Join（普通Join/双流Join）：
- 语法：
table1.join(table2).where(...).equalTo(...)（Table API/SQL） - 原理：基于状态的等值Join，左流和右流的每条记录都会触发处理
- 类型：INNER/LEFT/RIGHT/FULL OUTER Join
- 适用：实时维表关联、流与流的持续关联
- 注意：状态永久保留（需配置TTL），可能导致OOM
4. Lookup Join（维表Join）：
- 语法：
FROM stream JOIN dim_table FOR SYSTEM_TIME AS OF ... - 原理：流中每条记录实时查询外部存储（Redis/MySQL/HBase）
- 适用：实时流关联缓慢变化的维度表
- 注意：需要外部存储支持高并发查询
选择建议：
- 有明确窗口边界→Window Join
- 时间偏移关联→Interval Join
- 实时持续双向关联→Regular Join + TTL
- 维表关联→Lookup Join + 缓存