Flink中双流join有哪些方式？

flink的批处理有两种方式处理表的join操作，分别是sort-merge join和hash join。前者是将参与join的两个数据集进行排序后，利用归并排序的思想将他们进行join操作。后者则是令数据集经过hash的方式映射到不同bucket中，再进行join操作。
在双流join的场景中，join的对象是两个数据流，所以我们的结果也需要不断地更新。对于这种数据流的join有以下三种方式：

1、Regular join ：regular join 需要持续保留两个流的状态，两边的数据对于对方的流都是可见的，所以数据就需要持续性的存在于state里面，但是state又不能存的过大，因此只适合有界数据流。
2、Interval join ：加入了一个时间窗口的限定，要求在两个流做 Join 的时候，其中一个流必须落在另一个流的时间戳的一定时间范围内，并且它们的 Join key 相同才能够完成 Join。加入了时间窗口的限定，就使得我们可以对超出时间范围的数据做一个清理，这样的话就不需要去保留全量的 state。Interval Join 是同时支持 processing time 和 even time去定义时间的。如果使用的是 processing time,flink内部会使用系统时间去划分窗口，并且去做相关的 state 清理。如果使用 even time 就会利用 Watermark 的机制去划分窗口，并且做 State 清理。
3、Window join ：将两个流中有相同 key 和处在相同 window 里的元素去做 Join。必须同时满足 Join key 相同，而且在同一个 Window 里元素才能够在最终结果中输出。