1. 直接加到內存，起一個線程定時更新維表。

# 優點：實現簡單

# 缺點：適用于維表不是太大，維度更新不頻繁場景

# 適用場景：維表小，變更頻率低，對變更及時性要求低

2. 通過Distributed Cache 分發本地維度文件到task manager后加載到內存關聯。

* 通過env.registerCachedFile注冊文件。實現RichFunction，在open()中通過RuntimeContext獲取cache文件。

# 優點：不需要外部數據庫

# 缺點：支持維度數據量比較小，更新需要更改文件并重啟作業

# 適用場景：維度數據是以文件形式，數據量小，更新頻率低。

比如：靜態碼表，配置文件。

3. 熱存儲關聯:利用Flink的RichAsyncFunction讀取外部存儲的數據到緩存中，我們在關聯維度表時先去查詢緩存，如果緩存中不存在這條數據，就利用客戶端去查詢外部存儲，然后插入到緩存中, 可以使用 Guava 庫提供的 CacheBuilder 來創建緩存。

外部存儲可以是HBase,Redis等

* 這里需要特別注意的是，我們用到了異步 IO (RichAsyncFunction)，這個功能的出現就是為了解決與外部系統交互時網絡延遲成為系統瓶頸的問題。

# 優點：維度數據不受限于內存，支持較多維度數據

# 缺點：需要熱存儲資源，維度更新反饋到結果有延遲（熱存儲導入，cache） # 適用場景：維度數據量大，可接受維度更新有一定的延遲。

4. Broadcast 流 1. 將維度數據發送到Kafka作為流S1。事實數據是流S2。

2. 定義狀態描述符MapStateDescriptor，如descriptor。

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

4. 事實流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中實現Join的邏輯處理。

# 優點： 維度變化實時感知

# 缺點： 需要將維度變化數據轉換為Kafka流，維度數據保存在內存中，支持的數據量相對較小

# 使用場景： 維度數據量小，維度變化敏感

5. Flink SQL 實現維表Join