1. 直接加到內(nèi)存，起一個(gè)線程定時(shí)更新維表。

# 優(yōu)點(diǎn)：實(shí)現(xiàn)簡單

# 缺點(diǎn)：適用于維表不是太大，維度更新不頻繁場(chǎng)景

# 適用場(chǎng)景：維表小，變更頻率低，對(duì)變更及時(shí)性要求低

2. 通過Distributed Cache 分發(fā)本地維度文件到task manager后加載到內(nèi)存關(guān)聯(lián)。

* 通過env.registerCachedFile注冊(cè)文件。實(shí)現(xiàn)RichFunction，在open()中通過RuntimeContext獲取cache文件。

# 優(yōu)點(diǎn)：不需要外部數(shù)據(jù)庫

# 缺點(diǎn)：支持維度數(shù)據(jù)量比較小，更新需要更改文件并重啟作業(yè)

# 適用場(chǎng)景：維度數(shù)據(jù)是以文件形式，數(shù)據(jù)量小，更新頻率低。

比如：靜態(tài)碼表，配置文件。

3. 熱存儲(chǔ)關(guān)聯(lián):利用Flink的RichAsyncFunction讀取外部存儲(chǔ)的數(shù)據(jù)到緩存中，我們?cè)陉P(guān)聯(lián)維度表時(shí)先去查詢緩存，如果緩存中不存在這條數(shù)據(jù)，就利用客戶端去查詢外部存儲(chǔ)，然后插入到緩存中, 可以使用 Guava 庫提供的 CacheBuilder 來創(chuàng)建緩存。

外部存儲(chǔ)可以是HBase,Redis等

* 這里需要特別注意的是，我們用到了異步 IO (RichAsyncFunction)，這個(gè)功能的出現(xiàn)就是為了解決與外部系統(tǒng)交互時(shí)網(wǎng)絡(luò)延遲成為系統(tǒng)瓶頸的問題。

# 優(yōu)點(diǎn)：維度數(shù)據(jù)不受限于內(nèi)存，支持較多維度數(shù)據(jù)

# 缺點(diǎn)：需要熱存儲(chǔ)資源，維度更新反饋到結(jié)果有延遲（熱存儲(chǔ)導(dǎo)入，cache） # 適用場(chǎng)景：維度數(shù)據(jù)量大，可接受維度更新有一定的延遲。

4. Broadcast 流 1. 將維度數(shù)據(jù)發(fā)送到Kafka作為流S1。事實(shí)數(shù)據(jù)是流S2。

2. 定義狀態(tài)描述符MapStateDescriptor，如descriptor。

3. 結(jié)合狀態(tài)描述符，將S1廣播出去，如S1.broadcast(descriptor)，形成廣播流(BroadcastStream) B1。

4. 事實(shí)流S2和廣播流B1連接，形成連接后的流BroadcastConnectedStream BC。

5. 基于BC流，在KeyedBroadcastProcessFunction/BroadcastProcessFunction中實(shí)現(xiàn)Join的邏輯處理。

# 優(yōu)點(diǎn)： 維度變化實(shí)時(shí)感知

# 缺點(diǎn)： 需要將維度變化數(shù)據(jù)轉(zhuǎn)換為Kafka流，維度數(shù)據(jù)保存在內(nèi)存中，支持的數(shù)據(jù)量相對(duì)較小

# 使用場(chǎng)景： 維度數(shù)據(jù)量小，維度變化敏感

5. Flink SQL 實(shí)現(xiàn)維表Join