Apache Flink 漫谈系列 - JOIN 算子

聊什么

在《Apache Flink 漫谈系列 - SQL概览》中我们介绍了JOIN算子的语义和基本的使用方式，介绍过程中大家发现Apache Flink在语法语义上是遵循ANSI-SQL标准的，那么再深思一下传统数据库为啥需要有JOIN算子呢？在实现原理上面Apache Flink内部实现和传统数据库有什么区别呢？本篇将详尽的为大家介绍传统数据库为什么需要JOIN算子，以及JOIN算子在Apache Flink中的底层实现原理和在实际使用中的优化！

什么是JOIN

在《Apache Flink 漫谈系列 - SQL概览》中我对JOIN算子有过简单的介绍，这里我们以具体实例的方式让大家对JOIN算子加深印象。JOIN的本质是分别从N(N>=1)张表中获取不同的字段，进而得到最完整的记录行。比如我们有一个查询需求：在学生表(学号，姓名，性别)，课程表(课程号，课程名，学分)和成绩表(学号，课程号，分数)中查询所有学生的姓名，课程名和考试分数。如下：

为啥需要JOIN

JOIN的本质是数据拼接，那么如果我们将所有数据列存储在一张大表中，是不是就不需要JOIN了呢？如果真的能将所需的数据都在一张表存储，我想就真的不需要JOIN的算子了，但现实业务中真的能做到将所需数据放到同一张大表里面吗？答案是否定的，核心原因有2个：

• 产生数据的源头可能不是一个系统；

• 产生数据的源头是同一个系统，但是数据冗余的沉重代价，迫使我们会遵循数据库范式，进行表的设计。简说NF如下：

  • 1NF - 列不可再分；

  • 2NF - 符合1NF，并且非主键属性全部依赖于主键属性；

  • 3NF - 符合2NF，并且消除传递依赖，即：任何字段不能由其他字段派生出来；

  • BCNF - 符合3NF，并且主键属性之间无依赖关系。

当然还有 4NF，5NF，不过在实际的数据库设计过程中做到BCNF已经足够了！（并非否定4NF,5NF存在的意义，只是个人还没有遇到一定要用4NF，5NF的场景，设计往往会按存储成本，查询性能等综合因素考量）

JOIN种类

JOIN 在传统数据库中有如下分类：

• CROSS JOIN - 交叉连接，计算笛卡儿积；

• INNER JOIN - 内连接，返回满足条件的记录；

• OUTER JOIN

  • LEFT - 返回左表所有行，右表不存在补NULL；

  • RIGHT - 返回右表所有行，左边不存在补NULL；

  • FULL -  返回左表和右表的并集，不存在一边补NULL;

• SELF JOIN - 自连接，将表查询时候命名不同的别名。

JOIN语法

JOIN 在SQL89和SQL92中有不同的语法，以INNER JOIN为例说明：

• SQL89 - 表之间用“，”逗号分割，链接条件和过滤条件都在Where子句指定:

SELECT 
  a.colA, 
  b.colA
FROM  
  tab1 AS a , tab2 AS b
WHERE a.id = b.id and a.other > b.other

• SQL92 - SQL92将链接条件在ON子句指定，过滤条件在WHERE子句指定，逻辑更为清晰:

SELECT 
  a.colA, 
  b.colA
FROM 
  tab1 AS a JOIN tab2 AS b ON a.id = b.id
WHERE 
  a.other > b.other

本篇中的后续示例将应用SQL92语法进行SQL的编写，语法如下：

tableExpression [ LEFT|RIGHT|FULL|INNER|SELF ] JOIN tableExpression [ ON joinCondition ] [WHERE filterCondition]

语义示例说明

在《Apache Flink 漫谈系列 - SQL概览》中对JOIN语义有过简单介绍，这里会进行展开介绍。 我们以开篇示例中的三张表：学生表(学号，姓名，性别)，课程表(课程号，课程名，学分)和成绩表(学号，课程号，分数)来介绍各种JOIN的语义。

CROSS JOIN

交叉连接会对两个表进行笛卡尔积，也就是LEFT表的每一行和RIGHT表的所有行进行联接，因此生成结果表的行数是两个表行数的乘积，如student和course表的CROSS JOIN结果如下：

mysql> SELECT * FROM student JOIN course;
+------+-------+------+-----+-------+--------+| no   | name  | sex  | no  | name  | credit |
+------+-------+------+-----+-------+--------+
| S001 | Sunny | M    | C01 | Java  |      2 || S002 | Tom   | F    | C01 | Java  |      2 |
| S003 | Kevin | M    | C01 | Java  |      2 || S001 | Sunny | M    | C02 | Blink |      3 |
| S002 | Tom   | F    | C02 | Blink |      3 || S003 | Kevin | M    | C02 | Blink |      3 |
| S001 | Sunny | M    | C03 | Spark |      3 || S002 | Tom   | F    | C03 | Spark |      3 |
| S003 | Kevin | M    | C03 | Spark |      3 |+------+-------+------+-----+-------+--------+9 rows in set (0.00 sec)

如上结果我们得到9行=student(3) x course(3)。交叉联接一般会消耗较大的资源，也被很多用户质疑交叉联接存在的意义？(任何时候我们都有质疑的权利，同时也建议我们养成自己质疑自己“质疑”的习惯，就像小时候不理解父母的“废话”一样)。
我们以开篇的示例说明交叉联接的巧妙之一，开篇中我们的查询需求是：在学生表(学号，姓名，性别)，课程表(课程号，课程名，学分)和成绩表(学号，课程号，分数)中查询所有学生的姓名，课程名和考试分数。开篇中的SQL语句得到的结果如下：

mysql> SELECT 
    ->   student.name, course.name, score 
    -> FROM student JOIN  score ON student.no = score.s_no 
    ->              JOIN course ON score.c_no = course.no;
+-------+-------+-------+| name  | name  | score |+-------+-------+-------+| Sunny | Java  |    80 || Sunny | Blink |    98 || Sunny | Spark |    76 || Kevin | Java  |    78 || Kevin | Blink |    88 || Kevin | Spark |    68 |+-------+-------+-------+6 rows in set (0.00 sec)

如上INNER JOIN的结果我们发现少了Tom同学的成绩，原因是Tom同学没有参加考试，在score表中没有Tom的成绩，但是我们可能希望虽然Tom没有参加考试但仍然希望Tom的成绩能够在查询结果中显示(成绩 0 分)，面对这样的需求，我们怎么处理呢？交叉联接可以帮助我们:

• 第一步 student和course 进行交叉联接：

mysql> SELECT 
    ->   stu.no, c.no, stu.name, c.name
    -> FROM student stu JOIN course c  笛卡尔积
    -> ORDER BY stu.no; -- 排序只是方便大家查看:)
+------+-----+-------+-------+| no   | no  | name  | name  |
+------+-----+-------+-------+
| S001 | C03 | Sunny | Spark || S001 | C01 | Sunny | Java  |
| S001 | C02 | Sunny | Blink || S002 | C03 | Tom   | Spark |
| S002 | C01 | Tom   | Java  || S002 | C02 | Tom   | Blink |
| S003 | C02 | Kevin | Blink || S003 | C03 | Kevin | Spark |
| S003 | C01 | Kevin | Java  |+------+-----+-------+-------+9 rows in set (0.00 sec)

• 第二步 将交叉联接的结果与score表进行左外联接，如下：

mysql> SELECT 
    ->   stu.no, c.no, stu.name, c.name,
    ->    CASE 
    ->     WHEN s.score IS NULL THEN 0
    ->     ELSE s.score
    ->   END AS score 
    -> FROM student stu JOIN course c  -- 迪卡尔积
    -> LEFT JOIN score s ON stu.no = s.s_no and c.no = s.c_no -- LEFT OUTER JOIN
    -> ORDER BY stu.no; -- 排序只是为了大家好看一点:)
+------+-----+-------+-------+-------+| no   | no  | name  | name  | score |+------+-----+-------+-------+-------+| S001 | C03 | Sunny | Spark |    76 || S001 | C01 | Sunny | Java  |    80 || S001 | C02 | Sunny | Blink |    98 || S002 | C02 | Tom   | Blink |     0 | -- TOM 虽然没有参加考试，但是仍然看到他的信息| S002 | C03 | Tom   | Spark |     0 || S002 | C01 | Tom   | Java  |     0 || S003 | C02 | Kevin | Blink |    88 || S003 | C03 | Kevin | Spark |    68 || S003 | C01 | Kevin | Java  |    78 |+------+-----+-------+-------+-------+9 rows in set (0.00 sec)

经过CROSS JOIN帮我们将Tom的信息也查询出来了！（TOM 虽然没有参加考试，但是仍然看到他的信息）

INNER JOIN

内联接在SQL92中 ON 表示联接添加，可选的WHERE子句表示过滤条件，如开篇的示例就是一个多表的内联接，我们在看一个简单的示例: 查询成绩大于80分的学生学号，学生姓名和成绩:

mysql> SELECT 
    ->   stu.no, stu.name , s.score
    -> FROM student stu JOIN score s ON  stu.no = s.s_no 
    -> WHERE s.score > 80;
+------+-------+-------+| no   | name  | score |+------+-------+-------+| S001 | Sunny |    98 || S003 | Kevin |    88 |+------+-------+-------+2 rows in set (0.00 sec)

上面按语义的逻辑是:

• 第一步：先进行student和score的内连接，如下：

mysql> SELECT 
    ->   stu.no, stu.name , s.score
    -> FROM student stu JOIN score s ON  stu.no = s.s_no ;
+------+-------+-------+| no   | name  | score |+------+-------+-------+| S001 | Sunny |    80 || S001 | Sunny |    98 || S001 | Sunny |    76 || S003 | Kevin |    78 || S003 | Kevin |    88 || S003 | Kevin |    68 |+------+-------+-------+6 rows in set (0.00 sec)

• 第二步：对内联结果进行过滤， score > 80 得到，如下最终结果：

-> WHERE s.score > 80;
+------+-------+-------+| no   | name  | score |+------+-------+-------+| S001 | Sunny |    98 || S003 | Kevin |    88 |+------+-------+-------+2 rows in set (0.00 sec)

上面的查询过程符合语义，但是如果在filter条件能过滤很多数据的时候，先进行数据的过滤，在进行内联接会获取更好的性能，比如我们手工写一下：

mysql> SELECT 
    ->   no, name , score
    -> FROM student stu JOIN ( SELECT s_no, score FROM score s WHERE s.score >80) as sc ON no = s_no;
+------+-------+-------+| no   | name  | score |+------+-------+-------+| S001 | Sunny |    98 || S003 | Kevin |    88 |+------+-------+-------+2 rows in set (0.00 sec)

上面写法语义和第一种写法语义一致，得到相同的查询结果，上面查询过程是：

• 第一步：执行过滤子查询

mysql> SELECT s_no, score FROM score s WHERE s.score >80;
+------+-------+| s_no | score |
+------+-------+
| S001 |    98 || S003 |    88 |
+------+-------+
2 rows in set (0.00 sec)

• 第二步：执行内连接

-> ON no = s_no;
+------+-------+-------+| no   | name  | score |+------+-------+-------+| S001 | Sunny |    98 || S003 | Kevin |    88 |+------+-------+-------+2 rows in set (0.00 sec)

如上两种写法在语义上一致，但查询性能在数量很大的情况下会有很大差距。上面为了和大家演示相同的查询语义，可以有不同的查询方式，不同的执行计划。实际上数据库本身的优化器会自动进行查询优化，在内联接中ON的联接条件和WHERE的过滤条件具有相同的优先级，具体的执行顺序可以由数据库的优化器根据性能消耗决定。也就是说物理执行计划可以先执行过滤条件进行查询优化，如果细心的读者可能发现，在第二个写法中，子查询我们不但有行的过滤，也进行了列的裁剪(去除了对查询结果没有用的c_no列)，这两个变化实际上对应了数据库中两个优化规则：

• filter push down

• project push down

如上优化规则以filter push down 为例，示意优化器对执行plan的优化变动：

LEFT OUTER JOIN

左外联接语义是返回左表所有行，右表不存在补NULL，为了演示作用，我们查询没有参加考试的所有学生的成绩单：

mysql> SELECT 
    ->   no, name , s.c_no, s.score
    -> FROM student stu LEFT JOIN score s ON stu.no = s.s_no
    -> WHERE s.score is NULL;
+------+------+------+-------+| no   | name | c_no | score |
+------+------+------+-------+
| S002 | Tom  | NULL |  NULL |+------+------+------+-------+1 row in set (0.00 sec)

上面查询的执行逻辑上也是分成两步：

• 第一步：左外联接查询

mysql> SELECT 
    ->   no, name , s.c_no, s.score
    -> FROM student stu LEFT JOIN score s ON stu.no = s.s_no;
+------+-------+------+-------+| no   | name  | c_no | score |
+------+-------+------+-------+
| S001 | Sunny | C01  |    80 || S001 | Sunny | C02  |    98 |
| S001 | Sunny | C03  |    76 || S002 | Tom   | NULL |  NULL | -- 右表不存在的补NULL
| S003 | Kevin | C01  |    78 || S003 | Kevin | C02  |    88 |
| S003 | Kevin | C03  |    68 |+------+-------+------+-------+7 rows in set (0.00 sec)

• 第二步：过滤查询

mysql> SELECT 
    ->   no, name , s.c_no, s.score
    -> FROM student stu LEFT JOIN score s ON stu.no = s.s_no
    -> WHERE s.score is NULL;
+------+------+------+-------+| no   | name | c_no | score |
+------+------+------+-------+
| S002 | Tom  | NULL |  NULL |+------+------+------+-------+1 row in set (0.00 sec)

这两个过程和上面分析的INNER JOIN一样，但是这时候能否利用上面说的 filter push down的优化呢？根据LEFT OUTER JOIN的语义来讲，答案是否定的。我们手工操作看一下：

• 第一步：先进行过滤查询(获得一个空表）

mysql> SELECT * FROM score s WHERE s.score is NULL;Empty set (0.00 sec)

• 第二步： 进行左外链接

mysql> SELECT 
    ->   no, name , s.c_no, s.score
    -> FROM student stu LEFT JOIN (SELECT * FROM score s WHERE s.score is NULL) AS s ON stu.no = s.s_no;
+------+-------+------+-------+| no   | name  | c_no | score |
+------+-------+------+-------+
| S001 | Sunny | NULL |  NULL || S002 | Tom   | NULL |  NULL |
| S003 | Kevin | NULL |  NULL |+------+-------+------+-------+3 rows in set (0.00 sec)

我们发现两种写法的结果不一致，第一种写法只返回Tom没有参加考试，是我们预期的。第二种写法返回了Sunny，Tom和Kevin三名同学都没有参加考试，这明显是非预期的查询结果。所有LEFT OUTER JOIN不能利用INNER JOIN的 filter push down优化。

RIGHT OUTER JOIN

右外链接语义是返回右表所有行，左边不存在补NULL，如下：

mysql> SELECT 
    ->   s.c_no, s.score, no, name
    -> FROM score s RIGHT JOIN student stu ON stu.no = s.s_no;
+------+-------+------+-------+| c_no | score | no   | name  |
+------+-------+------+-------+
| C01  |    80 | S001 | Sunny || C02  |    98 | S001 | Sunny |
| C03  |    76 | S001 | Sunny || NULL |  NULL | S002 | Tom   | -- 左边没有的进行补 NULL
| C01  |    78 | S003 | Kevin || C02  |    88 | S003 | Kevin |
| C03  |    68 | S003 | Kevin |+------+-------+------+-------+7 rows in set (0.00 sec)

上面右外链接我只是将上面左外链接查询的左右表交换了一下:)。

FULL OUTER JOIN

全外链接语义返回左表和右表的并集，不存在一边补NULL,用于演示的MySQL数据库不支持FULL OUTER JOIN。这里不做演示了。

SELF JOIN

上面介绍的INNER JOIN、OUTER JOIN都是不同表之间的联接查询，自联接是一张表以不同的别名做为左右两个表，可以进行如上的INNER JOIN和OUTER JOIN。如下看一个INNER 自联接：

mysql> SELECT * FROM student l JOIN student r where l.no = r.no;
+------+-------+------+------+-------+------+| no   | name  | sex  | no   | name  | sex  |
+------+-------+------+------+-------+------+
| S001 | Sunny | M    | S001 | Sunny | M    || S002 | Tom   | F    | S002 | Tom   | F    |
| S003 | Kevin | M    | S003 | Kevin | M    |+------+-------+------+------+-------+------+3 rows in set (0.00 sec)

不等值联接

这里说的不等值联接是SQL92语法里面的ON子句里面只有不等值联接，比如：

mysql> SELECT 
    ->   s.c_no, s.score, no, name
    -> FROM score s RIGHT JOIN student stu ON stu.no != s.c_no;
+------+-------+------+-------+| c_no | score | no   | name  |
+------+-------+------+-------+
| C01  |    80 | S001 | Sunny || C01  |    80 | S002 | Tom   |
| C01  |    80 | S003 | Kevin || C02  |    98 | S001 | Sunny |
| C02  |    98 | S002 | Tom   || C02  |    98 | S003 | Kevin |
| C03  |    76 | S001 | Sunny || C03  |    76 | S002 | Tom   |
| C03  |    76 | S003 | Kevin || C01  |    78 | S001 | Sunny |
| C01  |    78 | S002 | Tom   || C01  |    78 | S003 | Kevin |
| C02  |    88 | S001 | Sunny || C02  |    88 | S002 | Tom   |
| C02  |    88 | S003 | Kevin || C03  |    68 | S001 | Sunny |
| C03  |    68 | S002 | Tom   || C03  |    68 | S003 | Kevin |
+------+-------+------+-------+
18 rows in set (0.00 sec)

上面这示例，其实没有什么实际业务价值，在实际的使用场景中，不等值联接往往是结合等值联接，将不等值条件在WHERE子句指定，即, 带有WHERE子句的等值联接。

Apache Flink双流JOIN

	CROSS	INNER	OUTER	SELF	ON	WHERE
Apache Flink	N	Y	Y	Y	必选	可选

Apache Flink目前支持INNER JOIN和LEFT OUTER JOIN（SELF 可以转换为普通的INNER和OUTER)。在语义上面Apache Flink严格遵守标准SQL的语义，与上面演示的语义一致。下面我重点介绍Apache Flink中JOIN的实现原理。

双流JOIN与传统数据库表JOIN的区别

传统数据库表的JOIN是两张静态表的数据联接，在流上面是 动态表(关于流与动态表的关系请查阅 《Apache Flink 漫谈系列 - 流表对偶(duality)性)》，双流JOIN的数据不断流入与传统数据库表的JOIN有如下3个核心区别：

• 左右两边的数据集合无穷 - 传统数据库左右两个表的数据集合是有限的，双流JOIN的数据会源源不断的流入；

• JOIN的结果不断产生/更新 - 传统数据库表JOIN是一次执行产生最终结果后退出，双流JOIN会持续不断的产生新的结果。在 《Apache Flink 漫谈系列 - 持续查询(Continuous Queries)》篇也有相关介绍。

• 查询计算的双边驱动 - 双流JOIN由于左右两边的流的速度不一样，会导致左边数据到来的时候右边数据还没有到来，或者右边数据到来的时候左边数据没有到来，所以在实现中要将左右两边的流数据进行保存，以保证JOIN的语义。在Blink中会以State的方式进行数据的存储。State相关请查看《Apache Flink 漫谈系列 - State》篇。

数据Shuffle

分布式流计算所有数据会进行Shuffle，怎么才能保障左右两边流的要JOIN的数据会在相同的节点进行处理呢？在双流JOIN的场景，我们会利用JOIN中ON的联接key进行partition，确保两个流相同的联接key会在同一个节点处理。

数据的保存

不论是INNER JOIN还是OUTER JOIN 都需要对左右两边的流的数据进行保存，JOIN算子会开辟左右两个State进行数据存储，左右两边的数据到来时候，进行如下操作：

• LeftEvent到来存储到LState，RightEvent到来的时候存储到RState；

• LeftEvent会去RightState进行JOIN，并发出所有JOIN之后的Event到下游；

• RightEvent会去LeftState进行JOIN，并发出所有JOIN之后的Event到下游。

作者：阿里云云栖社区
链接：https://www.jianshu.com/p/21dbfb01fc63