Flink典型ETL场景（好文点赞收藏！！）

1-关联维表

1.1-预加载维表

实现RichMapFunction，在open方法中读取数据库中的维度数据全量加载到内存中

优点：简单
缺点：适用于数据量小的维表

1.2-热存储维表

将维度数据存储待hbase或者redis中，通过异步IO查询热存储，利用cache机制将维度数据缓存在内存

优点：支持较多的维度数据
缺点：维度更新有延迟

1.3-广播维表

利用broadcast state将维度数据流广播出去

优点：维度变更可及时更新结果
缺点：数据保存在内存中，支持的数据量比较小

2-双流join

2.1-window join

2.1.1-Tumbling Window Join

import org.apache.flink.api.java.functions.KeySelector;
import org.apache.flink.streaming.api.windowing.assigners.TumblingEventTimeWindows;
import org.apache.flink.streaming.api.windowing.time.Time;
 
...

DataStream<Integer> orangeStream = ...
DataStream<Integer> greenStream = ...

orangeStream.join(greenStream)
    .where(<KeySelector>)
    .equalTo(<KeySelector>)
    .window(TumblingEventTimeWindows.of(Time.milliseconds(2)))
    .apply (new JoinFunction<Integer