Flink JOIN en temps réel : tables 4+2 TB

Implémentation d'un JOIN en temps réel pour les grandes tables sur Apache Flink : Approche de base

Nous devons activer les mises à jour en temps réel pour le résultat de l'INNER JOIN entre la table users (4 To) et domains (2 To). La requête retourne user_id, firstname, lastname et domain_name. Les vues traditionnelles surchargent la source de données (OLTP), tandis que la matérialisation simple via CDC vers l'entrepôt de données ne fournit pas la vitesse requise.

Exemples de données :

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|

Analyse des alternatives

• Vue directe sur OLTP — inacceptable en raison de la charge sur le système OLTP.
• CDC → Kafka → entrepôt de données — décharge l'OLTP, mais la vitesse de lecture depuis l'entrepôt de données est similaire à l'originale. Ajoute deux couches : Kafka et la vue.

Les deux approches ne permettent pas d'obtenir des mises à jour en temps réel pour le résultat du JOIN.

Architecture Flink

Solution : flux CDC vers Kafka → Table API de Flink → JOIN stateful → sink (console pour le MVP).

Dépendances 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>

Modèles de données

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 */ }
}

Création des tables 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);

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

Implémentation du JOIN stateful

Rejoindre les flux par la clé user_id == domain.user_id en utilisant 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
    }
}

MapState est utilisé pour les domaines en raison de la relation un-à-plusieurs. Les opérations d'état sont en O(1).

Points clés

• Mises à jour en temps réel : le résultat du JOIN est à jour dès l'arrivée de l'événement CDC.
• Traitement stateful : ValueState pour les utilisateurs (1:1), MapState pour les domaines (1:N).
• Évolutivité : prouvée sur des volumes à l'échelle des téraoctets avec sink OLAP.
• Performances : accès à l'état en O(1), faible latence.
• Étapes suivantes : gérer DELETE/UPDATE, RocksDB, équilibrage du déséquilibre des clés.

Recommandations pour la production

• Utiliser un sink OLAP (ClickHouse, Pinot) au lieu de la console.
• Traiter les drapeaux op provenant de CDC pour une gestion correcte des UPDATE/DELETE.
• Utiliser RocksDB pour le backend d'état avec de gros volumes.
• Surveiller le déséquilibre des clés et répartir les partitions.
• Tester le scaling sur un cluster.

— Editorial Team