Flink 状态管理
我们一直称 Flink 为运行在数据流上的有状态计算框架和处理引擎。在之前的章节中也已经多次提到了“状态”（state），不论是简单聚合、窗口聚合，还是处理函数的应用，都会有状态的身影出现。状态就如同事务处理时数据库中保存的信息一样，是用来辅助进行任务计算的数据。而在 Flink 这样的分布式系统中，我们不仅需要定义出状态在任务并行时的处理方式，还需要考虑如何持久化保存、以便发生故障时正确地恢复。这就需要一套完整的管理机制来处理所有的状态。
1、Flink 中的状态
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，就叫作这个任务的状态。
1.1、概述
在 Flink 中，算子任务可以分为有状态和无状态两种情况。
1.1.1、无状态算子任务
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。比如我们之前学的 map、flatMap、filter 等，计算时不依赖其它数据，就属于无状态的算子。
1.1.2、有状态算子任务
而有状态的算子任务则除了当前数据外，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（State）。比如我们之前学的 聚合算子、窗口算子都属于有状态的算子。
比如我们之前窗口函数中学的增量聚合函数，每来一条数据它都会把处理后的结果保存到一个中间值，当窗口内再来一条数据就更新这个中间值，这个中间值就是所谓的状态。
再比如我们的全窗口函数，它会把来的所有数据都保存到一个中间值当中，直到窗口关闭时才会触发计算，同样，这个中间值就是所谓的状态。
此外还有我们的一些聚合算子比如 sum、min、max 等，它肯定是要把中间结果存储起来的，所以这都叫有状态算子。
1.2、状态的分类
1.2.1、托管状态（Managed State）和原始状态（Raw State）
Flink 的状态有两种：托管状态（Managed State）和原始状态（Raw State）。托管状态就是由 Flink 统一管理的，也就是管理状态的存储、访问、故障恢复和重组等一系列问题都由 Flink 实现，我们只要调接口就可以；而原始状态则是自定义的，相当于就是开辟了一块内存，需要我们自己管理，实现状态的序列化和故障恢复。
通常我们都是采用 Flink 托管状态来实现需求。只有在遇到托管状态无法实现的特殊需求时，我们才会考虑使用原始状态；一般情况下不推荐使用。
1.2.2、算子状态和按键分区状态
我们知道在 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。而很多有状态的操作（比如聚合、窗口）都是要先做 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，状态的访问方式又会有所不同。
基于这样的想法，我们又可以将托管状态分为两类：算子状态和按键分区状态。
（1）算子状态（Operator State）
状态作用范围限定为当前的算子任务的各个子任务，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，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，使用的时候其实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，我们需要进一步实现 CheckpointedFunction 接口 。
新版本的 Flink 重构了 Source （也就是使用 fromSource 的写法），所以新版本则需要继承 SourceReaderBase 抽象类。
（2）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 keyBy 之后才可以使用。
按键分区状态应用非常广泛。之前讲到的聚合算子必须在 keyBy 之后才能使用，就是因为聚合的结果是以 Keyed State 的形式保存的。另外，也可以通过富函数类（Rich Function）来自定义 Keyed State，所以只要提供了富函数类接口的算子，也都可以使用 Keyed State。所以即使是 map、filter 这样无状态的基本转换算子，我们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；从这个角度讲，Flink 中所有的算子都可以是有状态的，所以说 Flink 是“有状态的流处理”。
无论是 Keyed State 还是 Operator State，它们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自己的状态，算子的子任务之间状态不共享。
2、按键分区状态（Keyed State）
在实际应用中，我们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，算子所持有的状态，都是 Keyed State。
另外，我们还可以通过富函数类（Rich Function）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。
按键分区状态（Keyed State）顾名思义，是任务按照键（key）来访问和维护的状态。它的特点非常鲜明，就是以 key 为作用范围进行隔离。我们知道，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；所以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。
因为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。这样当一条数据到来时，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。所以具有相同 key 的所有数据都会到访问相同的状态，而不同 key 的状态之间是彼此隔离的。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分区一一对应了：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到了分区一致性。
另外，在应用的并行度改变时，状态也需要随之进行重组。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。需要注意，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。
需要注意：使用 Keyed State 必须基于 KeyedStream。
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。接下来我们就来了解一下 Keyed State 所支持的结构类型：
2.1、值状态（ValueState）
顾名思义，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; }
这里的 T 是泛型，表示状态的数据内容可以是任何具体的数据类型。如果想要保存一个长整型值作为状态，那么类型就是 ValueState。
我们可以在代码中读写值状态，实现对于状态的访问和更新。
- 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。例如源码中，ValueState 的状态描述器构造方法如下：
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——这跟我们声明一个变量时做的事情完全一样。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）了。
接下来演示一个案例：对连续两个水位值超过10的传感器输出报警信息
/** * 检测每种传感器的水为值,如果连续两个水位差值超过10就输出结果 */ public class KeyedValueState { public static void main(String[] args) throws Exception { StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment(); env.setParallelism(1); SingleOutputStreamOperator<WaterSensor> sensorDS = env .socketTextStream("localhost", 9999) .map(new WaterSensorFunction()) // todo 指定 watermark 策略，我们直接使用实现好的 .assignTimestampsAndWatermarks(WatermarkStrategy // 指定watermark的生成: 泛型方法，需要指定数据类型，乱序的watermark 需要设置等待时间 .<WaterSensor>forBoundedOutOfOrderness(Duration.ofSeconds(3)) // 等待3s // 指定如何从数据中提取事件时间 .withTimestampAssigner((WaterSensor sensor, long recordTimestamp) -> { return sensor.getTs() * 1000L; // 返回的时间戳单位是 ms })); sensorDS.keyBy(WaterSensor::getId) // process方法的参数类型: KIO .process(new KeyedProcessFunction<String, WaterSensor, String>() { // todo 1.定义状态 ValueState<Integer> lastVcState; // 初始化必须在生命周期中定义,因为初始化需要运行时环境,这里环境还没启动会初始化失败 @Override public void open(Configuration parameters) throws Exception { super.open(parameters); // todo 2. 在open方法初始化状态 // 状态描述器的两个参数：1.起个名字(不重复就行),2.存储的类型 lastVcState = getRuntimeContext().getState(new ValueStateDescriptor<Integer>("lastVcState", Types.INT)); } @Override public void processElement(WaterSensor value, Context ctx, Collector<String> out) throws Exception { // 要和上一条水位值进行比较 // todo 1. 取出上一条数据的水位值 // Integer的初始值为null 这里遇到第一条水位时需要注意判断null int last_value = lastVcState.value()==null?0:lastVcState.value(); // todo 2. 判断两条水位是否都超过 10 if (Math.abs(value.getVc()-last_value)>10) System.out.println("传感器"+value.getId()+"当前水位值="+value.getVc()+",与上一条水位值="+last_value+"相差超过10!!!"); // todo 3. 更新上一条水位值 lastVcState.update(value.getVc()); } }).print(); env.execute(); } }
代码解析：
- 我们说过，如果没有合适的函数能解决我们的需求，那就直接用 process 就行了。
- ValueState 应该在 open 方法中去初始化，因为直接在程序执行前去尝试调用 getRuntimeContext 获取执行环境是获取不到的。
- 要用 ValueState 而不是 int 也不是 hashMap
- 用 int 就不能区分不同的传感器了
- 用 hashMap 的效率要比 ValueState 低而且存在一些别的问题
- 注意初始值 Integer 的初始值为 null
2.2、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。
- Iterable get()：获取当前的列表状态，返回的是一个可迭代类型 Iterable；
- update(List values)：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 的状态描述器就叫作 ListStateDescriptor，用法跟 ValueStateDescriptor完全一致。
同样我们演示一个案例：针对每种传感器输出最高的3个水位值：
/** * 获取每个水位器的 top3 的水位值 */ public class KeyedListState { public static void main(String[] args) throws Exception { StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment(); env.setParallelism(1); SingleOutputStreamOperator<WaterSensor> sensorDS = env .socketTextStream("localhost", 9999) .map(new WaterSensorFunction()) // todo 指定 watermark 策略，我们直接使用实现好的 .assignTimestampsAndWatermarks(WatermarkStrategy // 指定watermark的生成: 泛型方法，需要指定数据类型，乱序的watermark 需要设置等待时间 .<WaterSensor>forBoundedOutOfOrderness(Duration.ofSeconds(3)) // 等待3s // 指定如何从数据中提取事件时间 .withTimestampAssigner((WaterSensor sensor, long recordTimestamp) -> { return sensor.getTs() * 1000L; // 返回的时间戳单位是 ms })); sensorDS.keyBy(WaterSensor::getId) // process方法的参数类型: KIO .process(new KeyedProcessFunction<String, WaterSensor, String>() { // todo 1.定义状态 ListState<Integer> maxState; @Override public void open(Configuration parameters) throws Exception { super.open(parameters); // todo 2. 在open方法初始化状态 // 状态描述器的两个参数：1.起个名字(不重复就行),2.存储的类型 maxState = getRuntimeContext().getListState(new ListStateDescriptor<Integer>("maxState",Types.INT)); } @Override public void processElement(WaterSensor value, Context ctx, Collector<String> out) throws Exception { // todo 1. 添加水位值 // Integer的初始值为null 这里遇到第一条水位时需要注意判断null maxState.add(value.getVc()); // todo 2. 排序 List<Integer> list = new ArrayList<>(); for (int vc : maxState.get()) { list.add(vc); } list.sort((o1, o2) -> o2 - o1); if (list.size()>3) // 一超过3立即清理,防止数据量大的排序开销 list.remove(3); // todo 3. 输出top3 out.collect("传感器="+value.getId()+"最大的3个水为值为"+list.toString()); } }).print(); env.execute(); } }
代码解析：
- 这里同样不用普通的 List，因为它不能按 key 分组
- 这里用了一个简单的优化，if(list.size()>3) list.remove(3) 使得list永远只有3个值，减少了大数据场景下每次的遍历开销
- list.sort((o2,o1)->o2-o1) lambda基础知识
Flink（十一）【状态管理】（2）https://developer.aliyun.com/article/1532239
