Flink维表join的话是用事件时间还是处理时间啊？

一般是proctime，此回答整理自钉群“【③群】Apache Flink China社区”

Apache Flink 提供了三种 Join 方式：EventTime Join、ProcessingTime Join 和 BoundedOutOfOrderness Join。
EventTime Join 是基于事件时间的 Join，它以 event time 来判断两个流是否处于同一时间窗口内。它要求两个流都具有水印，并且处理时间与事件时间之间的滞后程度需要严格小于窗口长度。
ProcessingTime Join 是基于处理时间的 Join，它以处理时间来判断两个流是否处于同一时间窗口内。它不需要水印，但是可能会产生数据倾斜。
BoundedOutOfOrderness Join 是介于 EventTime Join 和 ProcessingTime Join 之间的一种 Join 方法，它允许一定程度的事件时间滞后，但是仍然基于 event time。
因此，在使用维表 Join 时，应根据你的应用场景选择合适的 Join 方法。如果你需要精确地按时间对数据进行 Join，则应使用 EventTime Join；如果你对数据延遲有一定容忍度，则可以使用 BoundedOutOfOrderness Join 或 ProcessingTime Join。

在Flink中进行维表JOIN时，目前主要支持的是处理时间语义，也就是对当前时刻维表快照的关联。这意味着对于每条流式数据，系统只会关联当时维表的最新版本数据。如果在某个JOIN行为发生后，维表中的数据发生了变化（例如新增、更新或删除），那么已关联的维表数据将不会被同步更新。

然而，Flink SQL的维表JOIN并不支持事实表rowtime所对应的的维表快照，即事件时间语义。这就意味着在处理可能不断变化的维表时，需要特别小心。如果你的业务逻辑需要基于事件时间来进行JOIN操作，你可能需要采用其他方法或者调整业务逻辑以满足实际需求。