Flink JOIN en tiempo real: tablas 4+2 TB

Implementación de JOIN en Tiempo Real para Tablas Grandes en Apache Flink: Enfoque Básico

Necesitamos habilitar actualizaciones en tiempo real para el resultado del INNER JOIN entre la tabla users (4 TB) y domains (2 TB). La consulta devuelve user_id, firstname, lastname y domain_name. Las vistas tradicionales sobrecargan la fuente de datos (OLTP), mientras que la materialización simple mediante CDC en DWH no proporciona la velocidad requerida.

Datos de ejemplo:

users:

| id | firstname | lastname |

|----|-----------|----------|

| 1 | Egor | Myasnik |

| 2 | Pavel | Hvastun |

| 3 | Mitya | Volk |

domains:

| id | user_id | domain_name |

|----|---------|-------------|

| 1 | 1 | Approval |

| 2 | 1 | Rejection |

| 3 | 1 | Stoppage |

| 4 | 3 | Cancellation|

Análisis de Alternativas

• Vista directa en OLTP — inaceptable debido a la carga en el sistema OLTP.
• CDC → Kafka → DWH — descarga el OLTP, pero la velocidad de lectura desde DWH es similar a la original. Añade dos capas: Kafka y la vista.

Ambos enfoques fallan en proporcionar actualizaciones en tiempo real para el resultado del JOIN.

Arquitectura de Flink

Solución: flujos CDC en Kafka → Table API de Flink → JOIN con estado → sink (consola para MVP).

Dependencias de Maven

<dependency>
    <groupId>org.apache.flink</groupId>
    <artifactId>flink-connector-kafka</artifactId>
    <version>3.2.0-1.19</version>
</dependency>
<dependency>
    <groupId>org.apache.flink</groupId>
    <artifactId>flink-sql-client</artifactId>
    <version>1.19</version>
</dependency>
<dependency>
    <groupId>org.apache.flink</groupId>
    <artifactId>flink-java</artifactId>
    <version>${flink.version}</version>
</dependency>
<dependency>
    <groupId>org.apache.flink</groupId>
    <artifactId>flink-table-planner-loader</artifactId>
    <version>${flink.version}</version>
</dependency>

Modelos de Datos

public class User implements Serializable {
    public Integer id;
    public String firstname;
    public String lastname;
    // getters/setters
    public static User fromRow(Row row) { /* mapper */ }
}

public class Domain implements Serializable {
    public Integer id;
    public Integer user_id;
    public String domain_name;
    // getters/setters
    public static Domain fromRow(Row row) { /* mapper */ }
}

Creación de Tablas Kafka

tableEnv.executeSql("CREATE TABLE users (" +
    "`before` ROW<id: INT, firstname: STRING, lastname: STRING>," +
    "`op` STRING," +
    "`after` ROW<id: INT, firstname: STRING, lastname: STRING>," +
    ") WITH (" +
    "'connector' = 'kafka'," +
    "'topic' = 'users_topic'," +
    "'properties.bootstrap.servers' = 'kafka-brokers'," +
    "'properties.group.id' = 'users_consumer_group'," +
    "'scan.startup.mode' = 'earliest'");

DataStream<User> users = tableEnv.toDataStream(tableEnv.from("users")).map(User::fromRow);

// Similarly for domains
tableEnv.executeSql("CREATE TABLE domains (...)");
DataStream<Domain> domains = tableEnv.toDataStream(tableEnv.from("domains")).map(Domain::fromRow);

Implementación de JOIN con Estado

Unión de streams por clave user_id == domain.user_id usando KeyedCoProcessFunction:

users
    .connect(domains)
    .keyBy(
        user -> user.id,
        domain -> domain.user_id
    )
    .process(new Join1())
    .print();

KeyedCoProcessFunction

public class Join1 extends KeyedCoProcessFunction<Integer, User, Domain, Output> {
    private MapState<Integer, Domain> domainsState;
    private ValueState<User> usersState;

    @Override
    public void processElement1(User user, Context ctx, Collector<Output> out) throws Exception {
        usersState.update(user);
        for (Domain domain : domainsState.values()) {
            out.collect(new Output(user.id, user.firstname, user.lastname, domain.domain_name));
        }
    }

    @Override
    public void processElement2(Domain domain, Context ctx, Collector<Output> out) throws Exception {
        domainsState.put(domain.id, domain);
        User user = usersState.value();
        if (user != null) {
            out.collect(new Output(user.id, user.firstname, user.lastname, domain.domain_name));
        }
    }

    @Override
    public void open(OpenContext openContext) throws Exception {
        usersState = getRuntimeContext().getState(new ValueStateDescriptor<"users", User.class>);
        domainsState = getRuntimeContext().getMapState(
            new MapStateDescriptor<"domains", Integer.class, Domain.class>);
    }

    public static class Output implements Serializable {
        public Integer user_id;
        public String firstname, lastname, domain_name;
        // constructors/getters/setters
    }
}

Se usa MapState para domains debido a la relación uno-a-muchos. Las operaciones de estado son O(1).

Puntos Clave

• Actualizaciones en tiempo real: el resultado del JOIN está actualizado al llegar el evento CDC.
• Procesamiento con estado: ValueState para users (1:1), MapState para domains (1:N).
• Escalabilidad: probada en volúmenes de escala de terabytes con sink OLAP.
• Rendimiento: acceso a estado O(1), baja latencia.
• Próximos pasos: manejar DELETE/UPDATE, RocksDB, balanceo de sesgo.

Recomendaciones de Producción

• Usar sink OLAP (ClickHouse, Pinot) en lugar de consola.
• Procesar flags op de CDC para manejo correcto de UPDATE/DELETE.
• Usar RocksDB para backend de estado con grandes volúmenes.
• Monitorear sesgo de clave y distribuir particiones.
• Probar escalado en un clúster.

— Editorial Team