一、Flink的状态简介
在流处理中，数据是连续不断到来和处理的，每个任务进行计算处理时，可以基于当前数据直接转换得到输出结果；也可以依赖一些其他数据，这些由一个任务维护，并且用来计算输出结果的所有数据，就叫作任务的状态。
状态算子分类
在Flink中，算子任务可以分为无状态和有状态两种情况
无状态算子
无状态的算子任务只需要观察每个独立事件，根据当前输入的数据直接转换输出结果。可以将一个字符串类型的数据拆分开作为元组的输出，也可以将数据做一些计算，比如每个代表数量的字段+1。我们之前讲到的基本转换算子，如map、filter、flatMap，计算时不依赖其他数据，就都属于无状态的算子。
有状态算子
有状态的算子任务，除当前数据之外，还需要一些其他数据来得到计算结果。这里的其他数据就是所谓的状态，最常见的就是之前到达的数据，或者由之前数据计算出的某个结果。比如，做求和计算时，需要保存之前所有数据的和，这就是状态；窗口算子中会保存已经到达的所有数据，这些也都是它的状态。另外，如果我们希望检索到某种事件模式（event pattern），比如“先有下单行为，后有支付行为”，那么也应该把之前的行为保存下来，这同样属于状态。聚合算子、窗口算子都属于有状态的算子。
有状态算子的一般处理流程为：
- 算子任务接受到上游发来的数据
- 获取当前状态
- 根据业务逻辑进行计算，更新状态
- 得到计算结果，输出发送到下游任务
状态的管理
传统的事务型处理架构中，这种额外的状态数据是保存在数据库中的。而对于实时流处理来说，这样做需要频繁读写外部数据库，如果数据规模非常大肯定就达不到性能要求了。在Flink中的解决方案是，将状态直接保存在内存中保证性能，并通过分布式扩展来提供吞吐量。
在Flink中，每一个算子任务都可以设置并行度，从而可以在不同的slot上并行运行多个实例，我们把它叫做并行子任务。状态既然在内存中，那么就可以认为是子任务实例上的一个本地变量，能够被任务的业务逻辑访问和修改。
在大数据的场景下，我们必须使用分布式框架来做扩展，在低延迟、高吞吐的基础上还有保证容错性，但随之而来会出现一系列问题：
- 状态的访问权限：在Flink上的聚合窗口操作，一般是基于KeyedStream的，数据会按照key的哈希值进行分区，聚合处理的结果也应该是只对当前key有效。然而同一个分区上执行的任务实例，可能会包含多个key的数据，它们同时访问和更改本地变量，就会导致计算结果错误。这时状态并不是单纯的本地变量
- 容错性：故障后的恢复。状态只保存在内存中显然是不够稳定的，我们需要将它持久化保存，做一个备份；在发生故障后可以从这个备份中恢复状态。
- 考虑分布式应用的横向扩展性。当处理的数据量增大时，应该相对地对计算资源扩容，调大并行度，这时就涉及冬奥了状态的重组调整。
Flink作为有状态的大数据流式处理框架，已经帮我们搞定了这一切。Flink有一套完整的状态管理机制，将底层一些核心功能全部封装起来，包括状态的高效存储、访问、持久化保存、故障恢复、资源扩展的调整。我们只需要调用相应的API就可以方便地使用状态，或对应用的容错机制进行配置，从而将更多的精力放在业务逻辑的开发上。
状态的分类
托管状态和原始状态
托管状态是由Flink统一管理的，状态的存储访问、故障恢复、重组等一系列问题都有Flink实现，我们只需要调接口就可以了
原始状态是自定义的，相当于开辟了一块内存，需要我们自己管理，实现状态的序列化和故障恢复
托管状态：
- 由Flink的运行时（Runtime）来托管的
- 在配置容错机制后，状态会自动持久化保存，并在发生故障时自动恢复
- 应用发生横向扩展时，状态也会自动从组分配到所有的字任务实例上
- 对于具体的状态内容，Flink提供了值状态（ValueState）、列表状态（ListState）、映射状态（MapState）、聚合状态（AggregateState）等多种结果，内部支持各种数据类型
- 聚合、窗口等算子中内置的状态，也是托管状态
- 在富函数类中通过上下文来自定义状态，也是托管状态
原始状态：
- 自定义，Flink不会对状态进行任何自动操作，也不知道状态的具体数据类型，当做最原始的字节数组来存储
- 需要花费大量的精力来处理状态的管理和维护，一般情况下不推荐使用
算子状态和按键分区状态
接下来我们的重点就是托管状态
在Flink中，一个算子任务会按照并行度分为多个并行子任务执行，而不同的子任务会占据不同的任务槽（task slot）。由于不同的slot在计算资源上是物理隔离的，所以Flink能管理的状态在并行任务间是无法共享的，每个状态只能针对当前子任务的实例有效。
很多有状态的操作（比如聚合、窗口）都是先做keyBy进行按键分区的。按键分区之后，任务所进行的所有计算都应该只针对当前key有效，所以状态也应该按照key彼此隔离，在这种情况下，状态的访问又会有所不同。
基于上述的想法，我们可以将托管状态分为两类：算子状态和按键分区状态
算子状态
状态作用范围限定为当前的算子任务实例，也就是只对当前并行子任务实例有效。这就意味着对于一个并行子任务，占据了一个分区，它所处理的所有数据都会访问到相同的状态，该状态对于同一任务而言是共享的。
算子状态可以用在所有算子上，使用的时候起始就跟一个本地变量没什么区别——因为本地变量的作用域也是当前任务实例。在使用时，我们还需进一步实现CheckpointedFunction接口。
按键分区状态
状态是根据输入流中定义的键（key）来维护和访问的，所以只能定义在按键分区流（KeyedStream）中，也就是keyBy之后才可以使用
聚合算子必须在keyBy之后才能使用，就是因为聚合的几个是以Keyed State的形式保存的。另外，也可以通过富函数类来自定义Keyed State，故只要提供了富函数类接口的算子，都可以使用Keyed state，即使是map、filter这样无状态的基本转换算子，也可以通过富函数类给它们追加Keyed State，或者实现CheckpointedFunction接口来定义Operator State。从这个角度来讲，Flink中所有的算子都可以是有状态的。
无论是Keyed State还是Operator State，都是在本地实例上维护的，也就是说每个并行子任务维护着对应的状态，算子的子任务状态不共享。
二、状态的使用
按键分区状态
在实际应用中，一般都需要将数据按照某个key进行分区，然后再进行计算处理；所以最为常见的状态类型就是Keyed State。之前介绍到keyBy之后的聚合、窗口计算，算子持有的状态，都是Keyed State.
另外，我们还可以通过富函数类对转换算子进行扩展、实现自定义功能，比如RichMapFunction、RichFilterFunction。在富函数中，我们可以调用getRuntimeContext()获取当前的运行时上下文（RuntimeContext），进而获取到访问状态的句柄，这种富函数中自定义的状态也是Keyed State。
基本概念和特点
按键分区状态（Keyed State）是任务按照键（key）来访问和维护的状态，以key为作用范围进行隔离。
在进行按键分区（keyBy）之后，具有相同键的所有数据，都会分配到同一个并行子任务中；如果当前任务定义了状态，Flink就会在当前并行子任务实例中，为每个键值维护一个状态的实例。于是当前任务就会为分配来的所有数据，按照key维护和处理对应的状态。
一个并行子任务可能会处理多个key的数据，所以Flink需要对Keyed State进行一些特殊优化。在底层，Keyed State类似于一个分布式的映射（map）数据结构，所有的状态会根据key保存成键值对（key-value）的形式。当一条数据到来时，任务就会自动将状态的访问范围限定为当前数据的key，从map存储中读取出对应的状态值。故具有相同key的所有数据都会到访问相同的状态，而不同key的状态之间食彼此隔离的。
这种将状态绑定到key上的方式，相当于使得状态和流的逻辑一一对应了：不会有别的key的数据来访问当前状态，而当前状态对应key的数据也只会访问这一个状态，不会分发到其他分区去，这就保证了对状态的操作都是本地进行的，对数据流和状态的处理做道了分区的一致性。
在应用的并行度改变时，状态也需要进行重组。不同key对应的Keyed State可以进一步组成所谓的键组（key groups），每一组都对应着一个并行子任务，键组是Flink重新分配Keyed State的单元，键组的数量就等于定义的最大并行度。当算子并行度发生改变时，Keyed State就会按照当前的并行度重新平均分配，保证运行时各个子任务的负载相同。
注意：使用Keyed State必须基于KeyedStream，没有进行keyBy分区的DataStream，即使转换算子实现了对应的富函数类，也不能通过运行时上下文访问Keyed State
支持的结构类型
实际应用中，需要保存为状态的数据会有各种各样的类型，有时还需要复杂的集合类型，比如列表（List）和映射（Map）。对于这些常见的用法，Flink的按键分区状态（Keyed State）提供了足够的支持
支持的结构类型
值状态（ValueState）
状态中只保存一个值（value），ValueState本身是一个接口，源码中定义如下
public interface ValueState<T> extends State {
T value() throws IOException;
void update(T value) throws IOException;
}T是泛型，表示状态的数据内容可以适任何具体的数据类型。
- T value()：获取当前状态的值
- update(T value)：对状态进行更新，传入的参数value就是要覆写的状态值
在具体使用时，为了让运行时上下文清楚到底是哪个状态，我们还需要创建一个状态描述器（StateDescriptor）来提供状态的基本信息。
public ValueStateDescriptor(String name, Class<T> typeClass) {
super(name, typeClass, null);
}这里需要传入状态的名称和类型，有了这个描述器，运行时环境就可以获取到状态的控制句柄（handler）
列表状态（ListState）
将需要保存的数据，以列表（List）的形式组织起来。在ListState接口中同样有一个类型参数T，表示列表中数据的类型。ListState也提供了一系列的方法来操作状态，使用方式与一般的List非常相似
- Iterableget()：获取当前的列表状态，返回的是一个可迭代类型Iterable
- update(Listvalues)：传入一个列表values，直接对状态进行覆盖
- add(T value)：在状态列表中添加一个元素value
- addAll(List values)：向列表中添加多个元素，以列表values形式传入
类似地，ListState的状态描述器就叫做ListStateDescriptor，用法跟ValueStateDescriptor完全一致
映射状态（MapState）
将一些键值对（key-value）作为状态整体保存起来，可以认为就是一组key-value映射的列表。对应的MapState<UK,UV>接口中，就会有UK、UV两个泛型，分别表示保存的key、value类型。同样，MapState提供了操作映射状态的方法，查询对应的value值：
- UV get(UK key)：传入一个key作为参数，查询对应的value值
- put(UK key，UV value)：传入一个键值对，更新key对应的value值
- putAll(Map<UK,UV>map)：将传入的映射map中所有的键值对，全部添加到映射状态中
- remove(UK key)：将指定key对应的键值对删除
- boolean contains(UK key)：判断是否存在指定的key，返回一个boolean值，另外，MapState也提供了获取整个映射相关信息的方法
- Iterable<Map,Entry<UK,UV>>entries()：获取映射状态中所有的键值对
- Iterablekeys()：获取映射状态中所有的键(key)，返回一个可迭代Iterable类型
- Iterablevalues()：获取映射状态中所有的值（value），返回一个可迭代Iterable类型
- boolean isEmpty()：判断映射是否为空，返回一个boolean值
归约状态（ReducingState）
类似于值状态（Value），需要对添加进来的所有数据进行归约，将归约聚合之后的值作为状态保存下来。ReducintState这个接口调用的方法类似于ListState，只不过它保存的只是一个聚合值，当调用add()方法时，直接把新数据和之前的状态进行归约，并用得到的结果更新状态
归约的逻辑定义，是在归约状态描述器（ReducingStateDescriptor）中，通过传入一个归约函数（ReduceFunction）来实现的。
public ReducingStateDescriptor(
String name, ReduceFunction<T> reduceFunction, Class<T> typeClass) {...}聚合状态（AggregatingState）
聚合状态也是一个值，用来保存添加进来的所有数据的聚合结果，调用add()方法添加元素时，会直接使用指定的AggregateFunction进行聚合并更新状态。聚合逻辑是在描述器中传入一个更加一般化的聚合函数（AggregateFunction）
三、状态的实现
状态（State）
在Flink中，状态始终是与特定算子相关联的，算子在使用状态前首先需要“注册”，告诉Flink当前上下文中定义状态的信息。
状态的注册，主要是通过状态描述器（StateDescriptor）来实现的，状态描述器中最重要的内容，就是状态的名称和类型，还可以传入一个用户自定义函数UDF，用来说明处理逻辑，比如前面提到的ReduceFunction、AggregateFunction。
public class StateTest {
public static void main(String[] args) throws Exception {
// 1、创建流式执行环境
StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
env.setParallelism(1);
SingleOutputStreamOperator<Event> stream = env.addSource(new ClickSource())
.assignTimestampsAndWatermarks((AssignerWithPeriodicWatermarks<Event>) WatermarkStrategy.<Event>forBoundedOutOfOrderness(Duration.ofSeconds(10))
.withTimestampAssigner(new SerializableTimestampAssigner<Event>() {
@Override
public long extractTimestamp(Event element, long recordTimestamp) {
return 0;
}
}));
stream.keyBy(data -> data.user)
.flatMap(new MyFlatMap()).print();
env.execute();
}
// 实现自定义的FlatMapfunction、
public static class MyFlatMap extends RichFlatMapFunction<Event,String> {
// 定义状态
private transient ValueState<Event> myValueState;
private transient ListState<Event> myListState;
private transient MapState<String,Long> myMapState;
private transient ReducingState<Event> myReducingState;
private transient AggregatingState<Event,String> myAggregatingState;
@Override
public void open(Configuration parameters) throws Exception {
myValueState = getRuntimeContext().getState(new ValueStateDescriptor<Event>("my-value",Event.class));
myListState = getRuntimeContext().getListState(new ListStateDescriptor<Event>("my-list",Event.class));
myMapState = getRuntimeContext().getMapState(new MapStateDescriptor<String, Long>("my-value",String.class,Long.class));
myReducingState = getRuntimeContext().getReducingState(new ReducingStateDescriptor<Event>("my-value", new ReduceFunction<Event>() {
@Override
public Event reduce(Event value1, Event value2) throws Exception {
return new Event(value1.user,value1.url,value2.timeStamp);
}
}, Event.class));
myAggregatingState = getRuntimeContext().getAggregatingState(new AggregatingStateDescriptor<Event, Long, String>("my-value", new AggregateFunction<Event, Long, String>() {
@Override
public Long createAccumulator() {
return 0L;
}
@Override
public Long add(Event value, Long accumulator) {
return accumulator + 1;
}
@Override
public String getResult(Long accumulator) {
return "count: " + accumulator;
}
@Override
public Long merge(Long a, Long b) {
return a + b;
}
}, Long.class));
}
@Override
public void flatMap(Event value, Collector<String> out) throws Exception {
if(myValueState.value() == null){
myValueState.update(value);
}
myListState.add(value);
myMapState.put(value.user,myMapState.get(value.user) == null ? 0 : myMapState.get(value.user) + 1);
myReducingState.add(value);
myAggregatingState.add(value);
}
@Override
public void close() throws Exception {
myValueState.clear();
}
}
}状态生存时间（TTL）
在实际应用中，很多状态会随着时间的推移逐渐增长，如果不加以限制，最终就会导致存储空间的耗尽。一个优化的思路是直接在代码中调用clear()方法去清除状态，但是有时候我们的逻辑要求不能直接清除，这时就需要配置一个状态的生存时间（time-to-live，TTL），当状态在内存中存在的时间超出这个值时，就将它清除
具体实现上，如果用一个进程不停地扫描所有状态看是否过期，显然呼占用大量资源做无用功。状态的失效其实不需要立即删除，我们可以给状态附件一个属性，也就是状态的失效时间。状态创建的时候，设置 失效 = 当前时间 + TTL。之后如果有对状态的访问和修改，我们可以再对失效时间进行更新，当设置的清除条件被触发时（比如，状态被访问的时间，或者每隔一段时间扫描一次失效状态），就可以判断状态是否失效，从而进行清除。
配置状态的TTL时，需要创建一个StateTtlConfig配置对象，然后调用状态描述器的enableTimeToLive()方法启动TTL功能。
