Flink中的状态
一、Flink中的状态
1）由一个任务维护，并且用来计算某个结果的所有数据，都属于这个任务的状态。
2）可以认为状态就是一个本地变量（一般放在本地内存，本地内存读取修改什么的都比较快），可以被任务的业务逻辑访问。
3）Flink会进行状态管理，包括状态一致性、故障处理以及高效存储和访问，以便开发人员可以专注于应用程序的逻辑。
像map、filter、flatMap这些算子，来一个输出一个，不依赖于其它的数据，也不依赖于之前的结果，所以它们是无状态的算子。
像window、reduce、聚合等一些操作，需要依赖于之前计算的结果，所以这些算子都属于有状态的算子。
在Flink中，状态始终与特定算子相关联（其实，在map、filter里面可以定义状态），跟特定的任务绑定在一起的，后面发生的任务不能访问到前面任务的状态，因为后面任务可能跟前面任务不在一个taskManager或者slot，如果要访问状态，需要做网络传输，而状态是在内存中的，不可能做网络传输。
为了使运行时的Flink了解算子的状态，算子需要预先注册其状态
总的来说，有两种类型的状态：
算子状态（Operator State）：算子状态的作用范围限定为算子任务
键控状态（Keyed State）：根据输入数据流中定义的键（key）来维护和访问
1、算子状态
上图中两个Task1属于一个算子的两个并行子任务，它们不在一个slot上，甚至不在一个TaskManager上，所以不能访问别人的状态。
1）算子状态的作用范围限定为算子任务，由同一并行任务（上图上面的一个Task1属于一个并行子任务，下面那个也是一个并行子任务，所以有两个并行子任务）所处理的所有数据都可以访问到相同的状态。
2）状态对于同一子任务而言是共享的（一个Task1里所有数据都共享这个状态）。
3）算子状态不能由相同或不同算子的另一个子任务访问（即使上图中的两个Task1是一个算子的两个子任务，也不能互相访问）。
4）只要在同一个分区，不管key相不相同，访问的都是一个状态。
1.1 算子状态数据结构
1）列表状态（List state）
将列表表示为一组数据的列表（在故障恢复之后，可能会发生并行度的调整，如果要进行聚合还好说，如果要拆分就不容易去拆分）
2）联合列表状态（Union list state）
也将状态表示为数据的列表。它与常规列表状态的区别在于，在发生故障时，或者从保存点（savepoint）启动应用程序时如何恢复。
例如有两个并行子任务，每个并行子任务有三个状态，经过故障恢复后要并行度变为3，如果是列表状态，会把第一个子任务的前两个状态分给分区后的1，会把第二个子任务的前两个状态分给分区后的2，会把剩下的状态分给分区后的3；如果是联合列表状态，会把这六个状态给下游全部分发一份，让它们自己挑选状态。
3）广播状态（Broadcast state）
如果一个算子有多项任务，而它的每项任务状态又都相同，那么这种特殊情况最适合应用广播状态。
1.2 算子状态案例
需求：定义一个有状态的map操作，统计当前分区数据个数
代码如下：
下面代码可以实现一个有状态的map操作，可以统计当前分区内数据个数，但是如果不做特殊说明，容错的时候不会进行相应的处理，本地变量在内存中，没办法进行恢复，只能重新从0开始count。
//定义一个有状态的map操作，统计当前分区的数据个数
mapResult.map(new MapFunction<SensorReading, Integer>() {
//定义一个本地变量作为算子状态
private Integer count=0;
@Override
public Integer map(SensorReading sensorReading) throws Exception {
count++;
return count;
}
})
进行了容错配置的代码（还需要额外实现ListCheckpointed接口）：
mapResult.map(new MyCountMapper());
public static class MyCountMapper implements MapFunction<SensorReading,Integer>, ListCheckpointed<Integer>{
//定义一个本地变量作为算子状态
private Integer count=0;
@Override
public Integer map(SensorReading sensorReading) throws Exception {
count++;
return count;
}
//Checkpoint触发时会调用这个方法，我们要实现具体的snapshot逻辑，比如将哪些本地状态持久化
//对状态做快照，返回一个Integer的List
@Override
public List<Integer> snapshotState(long l, long l1) throws Exception {
return Collections.singletonList(count);
}
//从上次Checkpoint中恢复数据到本地内存
//发生故障时，从做的快照里面进行恢复count
//如果发生并行度减少，可能list里面不止一个值，所以需要合并
@Override
public void restoreState(List<Integer> list) throws Exception {
for(Integer num:list){
count+=num;
}
}
}
2、键控状态（Keyed State）—更常用
上图中的Task1和Task2也是一个算子的两个并行子任务。这里经过keyBy等重分区操作，黄色和蓝色进入了Task1，绿色和粉色进入了Task2。以Task1为例，这个分区里有多个Key，但是跟算子状态不一样的是，一个分区里不是一个状态，一个分区里每个key都有一个状态，黄色的想访问蓝色的状态是不行的，但是它们都可以访问Task1里的类的实例。
1）键控状态是根据输入数据流中定义的键（key）来维护和访问的。
2）Flink 为每个键值Key维护一个状态实例，并将具有相同键的所有数据，都分区到同一个算子任务中，这个任务会维护和处理这个 key 对应的状态。
3）当任务处理一条数据时，它会自动将状态的访问范围限定为当前数据的 key。
因此，具有相同 key 的所有数据都会访问相同的状态。
2.1 键控状态数据结构
1）值状态（Value state）
将状态表示为单个的值。
2）列表状态（List state）
将状态表示为一组数据的列表。
3）映射状态（Map state）
将状态表示为一组Key-Value对
4）聚合状态（Reducing & Aggregating State）
将状态表示为一个用于聚合操作的列表
2.2 键控状态的使用
键控状态需要用到运行时上下文，因为一个分区中可能有多个Key，而键控状态是针对每一个Key的，所以我们要通过运行时上下文来获取Key的值，使用运行时上下文要用到富含数。
要使用键控状态，主要分为以下几步：
1）声明一个键控状态：
myValueState = getRuntimeContext().getState(new ValueStateDescriptcr<Integer>("my-value1",Integer.class));
2）读取当前状态的值：
Integer myValue = myValueState.value();
3）修改当前状态：
myValueState.update( value: 10);
整体使用代码如下：
mapResult.keyBy("id")
.map(new MyKeyCountMapper());
//自定义实现RichFunction
public static class MyKeyCountMapper extends RichMapFunction<SensorReading,Integer>{
private ValueState<Integer> keyCountState;
//其他类型状态的声明
private ListState<String> myListState;
private MapState<String,Double> myMapState;
private ReducingState<SensorReading> myReducingState;
@Override
public void open(Configuration parameters) throws Exception {
keyCountState=getRuntimeContext().getState(new ValueStateDescriptor<Integer>("key-count",Integer.class));
myListState = getRuntimeContext().getListState(new ListStateDescriptor<String>("my-list",String.class));
myMapState=getRuntimeContext().getMapState(new MapStateDescriptor<String, Double>("my-map",String.class,Double.class));
//myReducingState=getRuntimeContext().getReducingState(new ReducingStateDescriptor<SensorReading>(""))
}
@Override
public void close() throws Exception {
super.close();
}
@Override
public Integer map(SensorReading sensorReading) throws Exception {
Integer count = keyCountState.value();
count++;
keyCountState.update(count);
//其他状态API调用
Iterable<String> strings = myListState.get();
for(String str:strings){
System.out.print(str);
}
myListState.add("hello");
//Map State
myMapState.get("1");
myMapState.put("2",12.3);
//Reduce state
myReducingState.add(sensorReading);
return count;
}
}
2.3 键控状态的API
1）值状态(ValueState)
获取值：valueState.value()
修改值：valueState.update(value: T)
2）列表状态（ListState）
单个添加值：listState.add(value: T)
添加所有值：listState.addAll(values: java.util.List[T])
获得所有值：ListState.get()（注意：返回的是Iterable[T]）
修改所有值：ListState.update(values: java.util.List[T])
3）映射状态（MapState）
根据Key获取值：mapState.get(key: K)
添加一对值：mapState.put(key: K, value: V)
判断Key是否存在：mapState.contains(key: K)
移除某个Key：mapState.remove(key: K)
4）聚合状态（ReducingState & AggregatingState）
add方法：ReducingState.add(value: T)
在使用聚合状态时，ReducingState需要传递三个参数：
5）通用API：
State.clear()是清空操作。
myReducingState=getRuntimeContext().getReducingState(new ReducingStateDescriptor<SensorReading>("my-reduce",new MyReduceFunction(),SensorReading.class));
//Reduce state
myReducingState.add(sensorReading);
方法里的输入输出类型不能改变的，当调用add方法时传递一个sensorReading对象，实际上是把这个对象传递给了自定义的MyReduceFunction()类，然后进行聚合操作。
至于AggregatingState，与ReducingState不同的是最后获取的结果类型可以跟输入的结果类型不一样。
3、键控状态的案例
需求：检测传感器的温度值，如果连续的两个温度差值超过10度，就输出报警。
需求分析：要实现这个功能，在我们获取到当前一条数据的时候，要跟上一条数据进行对比，所以要把上一条数据的状态进行保存，可以保存为valuestate，如果温差超过10，那么就要输出报警，但是如果温差不超过10，就没有必要输出。而map算子如果规定了输出类型是必须要输出的，flatMap算子则是采用collect方法进行输出，所以也可以不输出，所以flatMap算子更加适合。
代码实现：
SingleOutputStreamOperator<Tuple3<String, Double, Double>> result = mapResult.keyBy("id")
.flatMap(new MyTemperatureWarning(10.0));
public static class MyTemperatureWarning extends RichFlatMapFunction<SensorReading, Tuple3<String,Double,Double>>{
private Double range;
private ValueState<Double> valueState;
public MyTemperatureWarning(Double range) {
this.range = range;
}
@Override
public void open(Configuration parameters) throws Exception {
valueState= getRuntimeContext().getState(new ValueStateDescriptor<Double>("my-temperature",Double.class));
}
@Override
public void close() throws Exception {
super.close();
}
@Override
public void flatMap(SensorReading sensorReading, Collector<Tuple3<String, Double, Double>> collector) throws Exception {
//获取上个状态的温度,如果不是第一次
if(valueState.value()!=null){
if(Math.abs(valueState.value()-sensorReading.getTemperature())>=range)
collector.collect(Tuple3.of(sensorReading.getId(),valueState.value(), sensorReading.getTemperature()));
}
valueState.update(sensorReading.getTemperature());
}
}
4、状态后端（State Backends）
4.1 状态后端了解
1）每传入一条数据，有状态的算子任务都会读取和更新状态。
2）由于有效的状态访问对于处理数据的低延迟至关重要，因此每个并行任务都会在本地维护其状态，以确保快速的状态访问。
3）状态的存储、访问以及维护由一个可插入的组件决定，这个组件就叫做状态后端。
4）状态后端主要负责两件事：本地的状态管理，以及将检查点（checkpoint）状态写入远程存储。
4.2 状态后端的类型
1）MemoryStateBackend
内存级状态后端，会将键控状态作为内存中的对象进行管理，将它们存储在TaskManager的JVM堆上（因为TaskManager负责执行任务，而再执行任务的过程中需要访问状态，所以放在TaskManager中可以快速的访问，避免网络请求和传输），而将checkpoint存储在JobManager的内存中。
特点：快速、低延迟，但不稳定
2）FsStateBackend
将checkpoint存到远程的持久化文件系统（FileSystem）上，而对于本地状态，跟MemoryStateBackend一样，也会存在TaskManager的JVM堆上。
特点：同时拥有内存及的本地访问速度，和更好的容错保证；
缺点：如果状态越来越多，数据量越来越大，内存放不下，出现OOM的错误，只能去扩容或者更换状态后端
3）RocksDBStateBackend
将所有状态序列化后，存入本地的RocksDB中。
特点：速度稍微慢一点，但是不会出现OOM的情况，适用于数据量比较大且会不断增长的情况
4.3 状态后端的设置
配置文件里的配置：
上图第一个红框的参数，可以设置checkpoint的存储方式，jobmanager是存储到内存，filsystem是存储到HDFS等文件系统，rocksdb是存储到这个数据库中。
第二个参数是如果存储到文件系统，指定存储的路径。
第三个参数是进行增量化保存checkpoint，文件系统就不支持，rocksdb支持。
第四个参数是进行区域化划分，当发生故障时，如果不设置区域化划分，需要重启所有的并行任务，重新加载自己的状态；使用了区域化划分，只需要启动划分的区域的部分。
代码中进行配置：
//true代表是允许异步做快照，可以提高性能
env.setStateBackend(new MemoryStateBackend(true));
env.setStateBackend(new FsStateBackend("hdfs://hadoop102:"));
//第二个参数为true代表允许增量话保存checkpoint
env.setStateBackend(new RocksDBStateBackend("hdfs://hadoop102:",true));
上述代码分别创建了三种状态后端方式。