Flink-状态管理

一、状态管理

有状态算子

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，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；

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。

通常采用Flink的托管状态来实现需求

2 .算子状态（Operator State）和按键分区状态（Keyed State）

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。

算子状态

一个算子任务会根据并行度不同，将子任务分配到不同的slot中，solt是存在资源隔离的，所以算子状态只在当前的子任务中有效。

按键分区状态

数据经过keyBy分区后，具有相同key的数据会进入同一个分区(keyBy算子子任务)

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。

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(一个子任务内有效)。

从这个角度讲，Flink中所有的算子都可以是有状态的。

无论是Keyed State还是Operator State，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对应的状态，算子的子任务之间状态不共享。

如果任务并行度为1，那么算子能够共享变量，但生成环境下都是并行计算。

二、按键分区状态

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。
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。

1.值状态

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 < Long >。
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。

案例需求：检测每种传感器的水位值，如果连续的两个水位值超过10，就输出报警。

 public static void main(String[] args) throws Exception {
        StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
        env.setParallelism(1);
        SingleOutputStreamOperator<WaterSensor> sensorDS = env
                .socketTextStream("localhost", 8888)
                .map(new WaterSensorMapFunction()) //转换数据为自定义Pojo类WaterSonsor(id,ts,vc)
                .assignTimestampsAndWatermarks(//定义乱序水位线策略,延迟3s
                        WatermarkStrategy
                                .<WaterSensor>forBoundedOutOfOrderness(Duration.ofSeconds(3))
                                .withTimestampAssigner((element,ts)->element.getTs() * 1000L)
                );
        sensorDS.keyBy(value->value.getId())
                .process(
                        new KeyedProcessFunction<String, WaterSensor, String>() {
                            //todo 1.定义值状态 --初始化必须放在open方法
                            ValueState<Integer> lastVcState;
                            @Override
                            public void open(Configuration parameters) throws Exception {
                                super.open(parameters);
                                //todo 2.初始化值状态
                                //ValueStateDescriptor-第一参数(要求唯一的名字)-第二参数(存储类型)
                                lastVcState = getRuntimeContext()
                                        .getState(new ValueStateDescriptor<Integer>("lastVcState", Types.INT));
                            }
                            @Override
                            public void processElement(WaterSensor waterSensor, Context context, Collector<String> collector) throws Exception {
//                                lastVcState.value() 取出值状态数据
//                                lastVcState.update(); 更新值状态数据
//                                lastVcState.clear(); 清空值状态数据
                                //todo 3.获取当前水位
                                Integer vc = waterSensor.getVc();
                                //todo 4.获取上一水位
                                int lastVc = lastVcState.value() == null ? 0 : lastVcState.value();
                                //todo 求水位差值绝对值
                                if (Math.abs(vc - lastVc) > 10){
                                    collector.collect("传感器id==>"+ waterSensor.getId()
                                            +"当前水位="+vc
                                            + "上一条水位=" + lastVc
                                            + "相差超过10!!");
                                }
                                //todo 5.更新水位
                                lastVcState.update(vc);
                            }
                        }
                ).print();
        env.execute();
    }
    输入数据		输出结果
    s1,1,1		传感器id==>s1当前水位=12上一条水位=1相差超过10!!		
	s1,2,12 	传感器id==>s2当前水位=13上一条水位=1相差超过10!!
	s2,1,1
	s2,2,13
	s1,1,2

通过结果能够看到状态是按键分区的，s1的水位线和s2的水位线互不干扰

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。

案例:针对每种传感器输出最高的3个水位值

 sensorDS.keyBy(value->value.getId())
                .process(
                        new KeyedProcessFunction<String, WaterSensor, String>() {
                            ListState<Integer> vcListState;
                            @Override
                            public void open(Configuration parameters) throws Exception {
                                super.open(parameters);
                                vcListState = getRuntimeContext()
                                        .getListState(new ListStateDescriptor<Integer>("vcListState", Types.INT));
                            }

                            @Override
                            public void processElement(WaterSensor waterSensor, Context context, Collector<String> collector) throws Exception {
                                //将数据放入列表状态
                                vcListState.add(waterSensor.getVc());
                                //获取列表状态迭代器
                                Iterable<Integer> vcListIt = vcListState.get();
                                //数据转存到ArrayList
                                ArrayList<Integer> vcList = new ArrayList<>();
                                for (Integer vc : vcListIt) {
                                    vcList.add(vc);
                                }
                                //排序
                                vcList.sort(((o1, o2) -> o2 - o1));
                                //只保留最大的3个vc数据
                                if (vcList.size() > 3){
                                    vcList.remove(3);
                                }
                                collector.collect("传感器id="+waterSensor.getId()+",最大的三个水位="+vcList.toString());
                                //更新list状态
                                vcListState.update(vcList);
                            }
                        }
                ).print();
	           输入		输出
        	s1,1,1		传感器id=s1,最大的三个水位=[1]
			s1,2,2		传感器id=s1,最大的三个水位=[2, 1]
			s1,3,3		传感器id=s1,最大的三个水位=[3, 2, 1]
			s1,4,4		传感器id=s1,最大的三个水位=[4, 3, 2]
			s2,2,2		传感器id=s2,最大的三个水位=[2]

3.Map状态（MapState）

把一些键值对（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和value的类型。同样，MapState提供了操作映射状态的方法，与Map的使用非常类似。

 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；
 Iterable< UK> keys()：获取映射状态中所有的键（key），返回一个可迭代Iterable类型；
 Iterable< UV> values()：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。

4.归约状态（ReducingState）

类似于值状态（Value），不过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。ReducingState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，所以调用.add()方法时，不是在状态列表里添加元素，而是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。

归约逻辑的定义，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。这里的归约函数，就是我们之前介绍reduce聚合算子时讲到的ReduceFunction，所以状态类型跟输入的数据类型是一样的。

sensorDS.keyBy(value->value.getId())
                .process(
                        new KeyedProcessFunction<String, WaterSensor, String>() {
                            ReducingState<Integer> vcSumReducingState;
                            @Override
                            public void open(Configuration parameters) throws Exception {
                                super.open(parameters);
                                vcSumReducingState = getRuntimeContext()
                                        .getReducingState(
                                                new ReducingStateDescriptor<Integer>(
                                                        "vcSumReducingState",
                                                        (a,b)->a+b, //类似reduce函数的写法
                                                        Types.INT
                                                )
                                        );
                            }
                            @Override
                            public void processElement(WaterSensor waterSensor, Context context, Collector<String> collector) throws Exception {
                                vcSumReducingState.add(waterSensor.getVc());
                                Integer sum = vcSumReducingState.get();
                                collector.collect(sum.toString());
                            }
                        }
                ).print();

规约状态跟reduce算子效果相似,也是要求输入跟输出类型一样。

5.聚合状态（AggregatingState）

与归约状态非常类似，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。与ReducingState不同的是，它的聚合逻辑是由在描述器中传入一个更加一般化的聚合函数（AggregateFunction）来定义的；这也就是之前我们讲过的AggregateFunction，里面通过一个累加器（Accumulator）来表示状态，所以聚合的状态类型可以跟添加进来的数据类型完全不同，使用更加灵活。

同样地，AggregatingState接口调用方法也与ReducingState相同，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。

具体使用方法和AggregateFunction一样

三、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，显然会占用大量资源做无用功。状态的失效其实不需要立即删除，所以我们可以给状态附加一个属性，也就是状态的“失效时间”。状态创建的时候，设置 失效时间 = 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，状态被访问的时候，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、从而进行清除了。

StateTtlConfig ttlConfig = StateTtlConfig
    .newBuilder(Time.seconds(10))
    .setUpdateType(StateTtlConfig.UpdateType.OnCreateAndWrite)
    .setStateVisibility(StateTtlConfig.StateVisibility.NeverReturnExpired)
    .build();

ValueStateDescriptor<String> stateDescriptor = new ValueStateDescriptor<>("my state", String.class);

stateDescriptor.enableTimeToLive(ttlConfig);

 .newBuilder()
状态TTL配置的构造器方法，必须调用，返回一个Builder之后再调用.build()方法就可以得到StateTtlConfig了。方法需要传入一个Time作为参数，这就是设定的状态生存时间。

 .setUpdateType()
设置更新类型。更新类型指定了什么时候更新状态失效时间，这里的OnCreateAndWrite表示只有创建状态和更改状态（写操作）时更新失效时间。另一种类型OnReadAndWrite则表示无论读写操作都会更新失效时间，也就是只要对状态进行了访问，就表明它是活跃的，从而延长生存时间。这个配置默认为OnCreateAndWrite。

 .setStateVisibility()
设置状态的可见性。所谓的“状态可见性”，是指因为清除操作并不是实时的，所以当状态过期之后还有可能继续存在，这时如果对它进行访问，能否正常读取到就是一个问题了。这里设置的NeverReturnExpired是默认行为，表示从不返回过期值，也就是只要过期就认为它已经被清除了，应用不能继续读取；这在处理会话或者隐私数据时比较重要。对应的另一种配置是ReturnExpireDefNotCleanedUp，就是如果过期状态还存在，就返回它的值。

四、算子状态（Operator State）

1.列表状态（ListState）

与Keyed State中的列表状态的区别是：在算子状态的上下文中，不会按键（key）分别处理状态，所以每一个并行子任务上只会保留一个“列表”（list），也就是当前并行子任务上所有状态项的集合。列表中的状态项就是可以重新分配的最细粒度，彼此之间完全独立。

当算子并行度进行缩放调整时，算子的列表状态中的所有元素项会被统一收集起来，相当于把多个分区的列表合并成了一个“大列表”，然后再均匀地分配给所有并行任务。这种“均匀分配”的具体方法就是“轮询”（round-robin），与之前介绍的rebanlance数据传输方式类似，是通过逐一“发牌”的方式将状态项平均分配的。这种方式也叫作“平均分割重组”（even-split redistribution）。

2.联合列表状态（UnionListState）

与ListState类似，联合列表状态也会将状态表示为一个列表。它与常规列表状态的区别在于，算子并行度进行缩放调整时对于状态的分配方式不同。

UnionListState的重点就在于“联合”（union）。在并行度调整时，常规列表状态是轮询分配状态项，而联合列表状态的算子则会直接广播状态的完整列表。这样，并行度缩放之后的并行子任务就获取到了联合后完整的“大列表”，可以自行选择要使用的状态项和要丢弃的状态项。这种分配也叫作“联合重组”（union redistribution）。如果列表中状态项数量太多，为资源和效率考虑一般不建议使用联合重组的方式。

public class OperateorStateListStateDemo {
    public static void main(String[] args) throws Exception {
        StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
        env.setParallelism(1);
        env.socketTextStream("localhost",8888)
                .map(new  MyCountMapFunction())
                .print();
        env.execute();
    }

    public static class MyCountMapFunction implements MapFunction<String,Long>, CheckpointedFunction {
        private Long count = 0L;
        private ListState<Long> state;

        @Override
        public Long map(String s) throws Exception {
            return count++;
        }

        //todo 本地变量持久化:将本地变量拷贝到算子状态中
        @Override
        public void snapshotState(FunctionSnapshotContext functionSnapshotContext) throws Exception {
            System.out.println("snapshotState");
            //清空状态
            state.clear();
            //将本地变量添加到状态中
            state.add(count);
        }

        //todo 初始化本地变量，从状态中把数据添加到本地变量,每个子任务调用一次
        //当任务启动时,能够使用这个方法获取状态中的数据
        @Override
        public void initializeState(FunctionInitializationContext context) throws Exception {
            System.out.println("initializeState");
            //获取算子状态
            state = context
                    .getOperatorStateStore()
//                    .getUnionListState(new ListStateDescriptor<Object>("union-state",Types.INT));
                    .getListState(new ListStateDescriptor<Long>("state", Types.LONG));
            //从算子状态拷贝数据到本地
            if (context.isRestored()){
                for (Long c : state.get()) {
                    count += c;
                }
            }
        }
    }
}

列表状态和联合列表状态的区别;
列表状态在重分区时会将收集的总列表采用轮询方式发送给子任务
联合列表状态则采用广播方式，直接将数据发送到子任务
如果列表中状态项数量太多，为资源和效率考虑一般不建议使用联合重组的方式。

3.广播状态（BroadcastState）

有时我们希望算子并行子任务都保持同一份“全局”状态，用来做统一的配置和规则设定。这时所有分区的所有数据都会访问到同一个状态，状态就像被“广播”到所有分区一样，这种特殊的算子状态，就叫作广播状态（BroadcastState）。

因为广播状态在每个并行子任务上的实例都一样，所以在并行度调整的时候就比较简单，只要复制一份到新的并行任务就可以实现扩展；而对于并行度缩小的情况，可以将多余的并行子任务连同状态直接砍掉——因为状态都是复制出来的，并不会丢失。

案例实操：水位超过指定的阈值发送告警，阈值可以动态修改。

public class OperateorBroadcastStateDemo {
    public static void main(String[] args) throws Exception {
        StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
        env.setParallelism(1);
        //数据流
        SingleOutputStreamOperator<WaterSensor> sensorDS = env.socketTextStream("localhost", 7777)
                .map(new WaterSensorMapFunction());
        //配置流(广播配置)
        DataStreamSource<String> configDS = env.socketTextStream("localhost", 8888);

        //todo 1.将配置流广播
        MapStateDescriptor<String, Integer> broadcastMapState =
                new MapStateDescriptor<>("broadcast-state", Types.STRING, Types.INT);
        BroadcastStream<String> configBS = configDS.broadcast(broadcastMapState);
        //todo 2.将数据流和广播后的配置连接
        BroadcastConnectedStream<WaterSensor, String> sensorBCS = sensorDS.connect(configBS);
        //todo process
        sensorBCS.process(
                new BroadcastProcessFunction<WaterSensor, String, String>() {
                    @Override//数据流
                    public void processElement(WaterSensor waterSensor, ReadOnlyContext readOnlyContext, Collector<String> collector) throws Exception {
                        //todo 4.通过只读上下文获取广播状态
                        ReadOnlyBroadcastState<String, Integer> broadcastState =
                                readOnlyContext.getBroadcastState(broadcastMapState);
                        Integer threshold = broadcastState.get("threshold");
                        //todo 判断广播流中的数据是否为null
                        threshold = threshold == null?0:threshold;
                        if (waterSensor.getVc() > threshold){
                            collector.collect("水位超过指定阈值"+threshold);
                        }
                    }
                    @Override//广播配置流
                    public void processBroadcastElement(String s, Context context, Collector<String> collector) throws Exception {
                        //todo 3.获取广播状态-将数据放入广播状态
                        BroadcastState<String, Integer> broadcastState = context.getBroadcastState(broadcastMapState);
                        broadcastState.put("threshold",Integer.valueOf(s));
                    }
                }
        ).print();
        env.execute();
    }
}

只有广播流能够对状态进行修改，数据流只能够进行读取。

五、 状态后端（State Backends）

在Flink中，状态的存储、访问以及维护，都是由一个可插拔的组件决定的，这个组件就叫作状态后端（state backend）。状态后端主要负责管理本地状态的存储方式和位置。

状态后端是一个“开箱即用”的组件，可以在不改变应用程序逻辑的情况下独立配置。Flink中提供了两类不同的状态后端，一种是“哈希表状态后端”（HashMapStateBackend），另一种是“内嵌RocksDB状态后端”（EmbeddedRocksDBStateBackend）。如果没有特别配置，系统默认的状态后端是HashMapStateBackend。

（1）哈希表状态后端（HashMapStateBackend）
HashMapStateBackend是把状态存放在内存里。具体实现上，哈希表状态后端在内部会直接把状态当作对象（objects），保存在Taskmanager的JVM堆上。普通的状态，以及窗口中收集的数据和触发器，都会以键值对的形式存储起来，所以底层是一个哈希表（HashMap），这种状态后端也因此得名。

HashMapStateBackend是内存计算，读写速度非常快；但是存储在Taskmanager上，状态的大小会受到集群可用内存的限制，如果应用的状态随着时间不停地增长，就会耗尽内存资源。

（2）内嵌RocksDB状态后端（EmbeddedRocksDBStateBackend）
RocksDB是一种内嵌的key-value存储介质，可以把数据持久化到本地硬盘。配置EmbeddedRocksDBStateBackend后，会将处理中的数据全部放入RocksDB数据库中，RocksDB默认存储在TaskManager的本地数据目录里。

RocksDB的状态数据被存储为序列化的字节数组，读写操作需要序列化/反序列化，因此状态的访问性能要差一些。另外，因为做了序列化，key的比较也会按照字节进行，而不是直接调用.hashCode()和.equals()方法。

EmbeddedRocksDBStateBackend始终执行的是异步快照，所以不会因为保存检查点而阻塞数据的处理；而且它还提供了增量式保存检查点的机制，这在很多情况下可以大大提升保存效率。

RocksDB是硬盘存储，所以可以根据可用的磁盘空间进行扩展，所以它非常适合于超级海量状态的存储。不过由于每个状态的读写都需要做序列化/反序列化，而且可能需要直接从磁盘读取数据，这就会导致性能的降低，平均读写性能要比HashMapStateBackend慢一个数量级。

1. 如何正确选择状态后端

HashMap和RocksDB两种状态后端最大的区别，就在于本地状态存放在哪里。

• HashMapStateBackend是内存计算，读写速度非常快；但是，状态的大小会受到集群可用内存的限制，如果应用的状态随着时间不停地增长，就会耗尽内存资源。

• RocksDB是硬盘存储，所以可以根据可用的磁盘空间进行扩展，所以它非常适合于超级海量状态的存储。不过由于每个状态的读写都需要做序列化/反序列化，而且可能需要直接从磁盘读取数据，这就会导致性能的降低，平均读写性能要比HashMapStateBackend慢一个数量级。