Flink实例（三十）：状态管理（一）概述

参考链接;

https://www.cnblogs.com/qiu-hua/p/13432337.html

https://www.cnblogs.com/shengyang17/p/12549199.html

1 Flink中的状态

• A. 算子状态（Operatior State）
• B. 键控状态（Keyed State）
•  状态后端（State Backends） -- 用作状态管理

流式处理（A. 可以是无状态（基于某个独立的事件计算出来后直接输出了，来一个处理一个不涉及到其他东西，如map、flatmap、filter；超过一定温度就报警 - 侧输出流；）、

                  B. 可以是有转态的（求和、wordcount计算））

• 状态是针对一个任务而言的，由一个任务维护，并且用来计算某个结果的所有数据，都属于这个任务的转态；
• 可以认为状态就是一个本地变量，可以被任务的业务逻辑直接访问；
• Flink会进行状态管理（状态做序列化以二进制的形式全部存储起来），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。

在Flink中，状态始终与特定算子相关联；为了运行时的Flink了解算子的状态，算子需要预先注册其状态；

有两种状态：

　　算子状态（Operator State），算子状态的作用范围限定为算子任务，一个任务一个状态；

　　键控（分区）状态（Keyed State），根据输入数据流中定义的键（Key）来维护和访问（基于KeyBy--KeyedStream上有任务出现的状态，定义的不同的key来维护这个状态；不同的key也是独立访问的，一个key只能访问它自己的状态，不同key之间也不能互相访问）；

2 算子状态：

算子状态的作用范围限定为算子任务，由同一并行子任务所处理的所有数据都可以访问到相同的状态；

状态对于同一个任务而言是共享的（每一个并行的子任务共享一个状态）；

算子状态不能由相同或不同算子的另一个任务访问（相同算子的不同任务之间也不能访问）；

算子状态数据结构：

列表状态（List state），将状态表示为一组数据的列表；（会根据并行度的调整把之前的状态重新分组重新分配）

联合列表状态（Union list state），也将状态表示为数据的列表，它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（把之前的每一个状态广播到对应的每个算子中）。

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（把同一个状态广播给所有算子子任务）；

补充:

Operator State是task级别的state，说白了就是每个task对应一个state（要明白flink中的task是指什么哈）

例如Kafka Connector source中的每个分区（task）都需要记录消费的topic的partition和offset等信息。

3 键控状态（Keyed State）-- 更常用

 键控状态是根据输入数据流中定义的键（key）来维度和访问状态的；

 Flink为每个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；

 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；

 键控状态数据结构：

值状态（Value state），将状态表示为单个值；（直接.value获取，Set操作是.update）

列表状态（List state），将状态表示为一组数据的列表（存多个状态）；（.get，.update，.add）

映射状态（Map state），将状态表示为一组Key-Value对；（.get，.put ，类似HashMap）

聚合状态（Reducing state & Aggregating State），将状态表示为一个用于聚合操作的列表；（.add不像之前添加到列表，它是直接聚合到之前的结果中）

　　　　Reduce输入输出类型是不能变的，Aggregate可得到数据类型完全不一样的结果；

StateDescriptor

 　　State 既然是暴露给用户的，那么就需要有一些属性需要指定：state 名称、val serializer、state type info。

　　在对应的statebackend中，会去调用对应的create方法获取到stateDescriptor中的值。

　　Flink通过StateDescriptor来定义一个状态。这是一个抽象类，内部定义了状态名称、类型、序列化器等基础信息。与上面的状态对应，从StateDescriptor派生了ValueStateDescriptor, ListStateDescriptor等descriptor

• ValueState getState(ValueStateDescriptor)
• ReducingState getReducingState(ReducingStateDescriptor)
• ListState getListState(ListStateDescriptor)
• FoldingState getFoldingState(FoldingStateDescriptor)
• MapState getMapState(MapStateDescriptor)

最后来一张较为全面的图

键控状态的使用：

声明一个键控状态:
lazy val lastTemp: ValueState[Double] = getRuntimeContext.getState(
  new ValueStateDescriptor[Double]("lastTemp", classOf[Double])
)
读取状态:
val prevTemp = lastTemp.value()
对状态赋值:
lastTemp.update(value.temperature)

4 状态后端（State Backends） -- 状态管理（存储、访问、维护和检查点）

每传入一条数据，有状态的算子任务都会读取和更新状态；

由于有效的状态访问对于处理数据的低效迟至关重要，因此每个并行任务都会在本地维度其状态，以确保快速的状态访问；

状态的存储、访问以及维度，由一个可插入的组件决定，这个组件就叫做状态后端（State Backends）；

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；

状态后端的分类：

MemoryStateBackend： 一般用于开发和测试

• 内存级的状态后端，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，而将checkpoint存储在JobManager的内存中；
• 特点快速、低延迟，但不稳定；

FsStateBackend（文件系统状态后端）：生产环境

• 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，也会存到TaskManager的JVM堆上。

• 同时拥有内存级的本地访问速度，和更好的容错保证；（如果是超大规模的需要保存还是无法解决，存到本地状态就可能OOM）

RocksDBStateBackend：

• 将所有状态序列化后，存入本地的RocksDB（本地数据库硬盘空间）中存储，全部序列化存储到本地。

5. state总结

1. 是否存在当前处理的 key（current key）：operator state 是没有当前 key 的概念，而 keyedstate 的数值总是与一个 current key 对应。

2. 存储对象是否 on heap: 目前 operator state backend 仅有一种 on-heap 的实现；而 keyed statebackend 有 on-heap 和 offff-heap（RocksDB）的多种实现。

3. 是否需要手动声明快照（snapshot）和恢复 (restore) 方法：operator state 需要手动实现snapshot 和 restore 方法；而 keyed state 则由 backend 自行实现，对用户透明。

4. 数据大小：一般而言，我们认为 operator state 的数据规模是比较小的；认为 keyed state 规模是相对比较大的。需要注意的是，这是一个经验判断，不是一个绝对的判断区分标准。