最近面试问到实时流连接的比较多，写这篇文章主要是从flink的算子层面介绍在自己的理解中flink实时流连接的方式，和每种方式应用的局限性，首先，在flink中可以实现流连接的算子主要有：connect,union,window join,cogroup,interval join,以下分别介绍这几个算子的实现方式：
1，connect:
不管是做维表关联还是实时流连接 connect应用的都比较多；
在做维表关联时，通常会将维表流进行广播，通过connect连接所要关联的实时流，通过实现coProcess方法对两条流的数据进行操作；
在实时流连接时，将两条流通过connect关联之后，实现CoProcess方法，一般会将未关联到的两条数据分别存放到状态中，当一条流的数据过来时，会先查询另外一条流的状态是否有能关联到数据，有的话直接关联之后发送到下游中，否则存放到状态中，等待被关联；这种关联方法的优点时只要数据不丢失一般都能关联到，适用于对数据关联成功性要求比较高的场景中，但同时，因为数据在等待关联时等待时间过久，下游数据很难保证有序，还要注意状态存储问题，可设置TTL，定期清理过期数据（也可以设置一个定时器对于过期未关联的数据侧输出之后去Hbase表中查询数据）；对于长时间未关联到的数据可通过将实时流分别写入两个不同的Hbase表中，然后查询Hbase表中看是否有能关联到的数据；
2，union 只是适用于两条或者多条数据类型相同的流的连接，可以同时实现多条流连接；
3，wiondow join：
其实就是将两条流的数据通过窗口缓存起来，通过实现apply方法，来操作窗口内缓存的数据；
缺点时：因为时先实现 where，再实现窗口，所以如果没有实现where数据将会丢失：
4，cogroup：
也是将数据通过窗口缓存然后再操作，和window join相比数据不会因为丢失；
5，
