什么是 Broadcast State
Broadcast State 是 Flink 1.5 引入的新特性。在开发过程中，如果遇到需要下发/广播配置、规则等低吞吐事件流到下游所有 task 时，就可以使用 Broadcast State 特性。下游的 task 接收这些配置、规则并保存为 BroadcastState, 将这些配置应用到另一个数据流的计算中 。英语好的同学可以直接移步 Flink 官方介绍
Broadcast State 区别于其他 operator state 的地方有：
- Broadcast State 类似 Map 结构，可以 put get putAll remove 等
- 必须有一条广播流和一条非广播流
- 符合条件的 operator 可以有多个不同名字的 BroadcastState（疑惑：普通的 operator 也可以有多个不同名字的 state 吧，只是不是 BroadcastState。这么想也说得通了）
Broadcast state 示例
下面从一个示例来认识如何使用 Broadcast state. 我们对 wordcount 的例子都很熟悉，就简单改造下 wordcount吧。我们的改造目标是：实时控制输出结果中的单词长度。
首先大体说一下思路，准备两个流，一个数据流(wordcount 需要统计的流) A，一个配置流(即广播流，后面有生成方法) B，这两个流的来源都可以自己定义，这里我们都用 kafka 作为输入源；然后用 A.keyBy(0).connect(B), 这里注意,一定是用数据流[.func()].connect(广播流)，生成一个新的 BroadcastConnectedStream C；最后 C.process(new KeyedBroadcastProcessFunction<…>(…)) 进行逻辑处理。
1.数据流消费者
数据流就是 wordcount 程序统计的普通文本
FlinkKafkaConsumer<String> consumer = new FlinkKafkaConsumer<>("input-topic-data",...);
2.广播流消费者
我们定义了广播流一条消息的格式为 {“length”:n} .其中 n 为数字，表示单词的最大长度。
FlinkKafkaConsumer<String> consumerBroadcast = new FlinkKafkaConsumer<>("input-topic-config",...);
3.生成数据流 A
这里对数据流进行了 wordcount 中的分词操作，输出流为 <单词, 数量, 生成时间>
DataStream<Tuple3<String, Integer, Long>> dataStream = env.addSource(consumer).flatMap(new LineSplitter());
4.生成广播流 B 并广播
我们知道，在 Flink 中，访问 state 前先要定义状态描述符(StateDescriptor). BroadcastState 的状态描述符是 MapStateDescriptor. MapStateDescriptor 的 value 类型即是广播流的元素类型，这个例子里是 Map<String,Object>。前面我们定义了广播的原始消息格式为 json 字符串，在这里我们通过 flatMap 函数转化成 Map<String,Object> 类型。转化完成后，调用 broadcast() 将这个流广播出去，这样，每个 task 都会收到广播流数据并在本地保存一份 BroadcastState，实际上，生成 BroadcastState 是在后续的 process() 中操作的。
// 定义 MapStateDescriptor final MapStateDescriptor<String,Map<String,Object>> broadCastConfigDescriptor = new MapStateDescriptor<>("broadCastConfig",BasicTypeInfo.STRING_TYPE_INFO, new MapTypeInfo<>(String.class, Object.class)); // i.e. {"length":5} BroadcastStream<Map<String,Object>> broadcastStream = env.addSource(consumerBroadcast). flatMap(new FlatMapFunction<String, Map<String,Object>>() { // 解析 json 数据 private final ObjectMapper mapper = new ObjectMapper(); @Override public void flatMap(String value, Collector<Map<String,Object>> out) { try { out.collect(mapper.readValue(value, Map.class)); } catch (IOException e) { e.printStackTrace(); System.out.println(value); } } } // 这里需要调用 broadcast 广播出去，并且只能是 MapStateDescriptor 类型。可以指定多个 ).broadcast(broadCastConfigDescriptor); //这里可以指定多个descriptor
5.连接两个流
接下来是两个流的连接部分了。前面说过，必须是 数据流.connect(广播流). 这里又分成两种情况
- noKeyedStream.connect(BroadcastStream).process(new BroadcastProcessFunction<>(…)) 非 KeyedStream 连接 BroadcastStream 的，只能使用 BroadcastProcessFunction 函数处理连接逻辑
- KeyedStream.connect(BroadcastStream).process(new KeyedBroadcastProcessFunction<>(…)) KeyedStream 连接 BroadcastStream 的，只能使用 KeyedBroadcastProcessFunction 函数处理连接逻辑
KeyedBroadcastProcessFunction 比 BroadcastProcessFunction 多了计时器服务和获取当前 key 接口，当然，这两个功能不一定能用到。
我们这里使用的是 KeyedBroadcastProcessFunction<KS, IN1, IN2, OUT>:
KS 是 KeyedStream 中 key 的类型；IN1 是数据流(即非广播流)的元素类型；IN2 是广播流的元素类型；OUT 是两个流连接完成后，输出流的元素类型。
dataStream.keyBy(0).connect(broadcastStream).process(new KeyedBroadcastProcessFunction<String, Tuple3<String, Integer, Long>, Map<String, Object>, Tuple2<String,Integer>>(){...}
我们单独把 KeyedBroadcastProcessFunction 摘出来，这个函数用于处理具体的连接逻辑和业务逻辑。主要需要实现以下两个函数：
- public void processElement(Tuple3<String, Integer, Long> value, ReadOnlyContext ctx, Collector<Tuple2<String, Integer>> out):
这个函数处理数据流的数据，这里之只能获取到 ReadOnlyBroadcastState，因为 Flink 不允许在这里修改 BroadcastState 的状态。value 是数据流中的一个元素；ctx 是上下文，可以提供计时器服务、当前 key和只读的 BroadcastState；out 是输出流收集器。
- public void processBroadcastElement(Map<String, Object> value, Context ctx, Collector<Tuple2<String,Integer>> out):
这里处理广播流的数据，将广播流数据保存到 BroadcastState 中。value 是广播流中的一个元素；ctx 是上下文，提供 BroadcastState 和修改方法；out 是输出流收集器。
下面是示例源码：
import org.apache.flink.api.common.functions.FlatMapFunction; import org.apache.flink.api.common.serialization.SimpleStringSchema; import org.apache.flink.api.common.state.*; import org.apache.flink.api.common.typeinfo.BasicTypeInfo; import org.apache.flink.api.java.tuple.Tuple2; import org.apache.flink.api.java.tuple.Tuple3; import org.apache.flink.api.java.typeutils.MapTypeInfo; import org.apache.flink.api.java.utils.ParameterTool; import org.apache.flink.configuration.Configuration; import org.apache.flink.shaded.jackson2.com.fasterxml.jackson.databind.ObjectMapper; import org.apache.flink.streaming.api.CheckpointingMode; import org.apache.flink.streaming.api.datastream.BroadcastStream; import org.apache.flink.streaming.api.datastream.DataStream; import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment; import org.apache.flink.streaming.api.functions.co.KeyedBroadcastProcessFunction; import org.apache.flink.streaming.connectors.kafka.FlinkKafkaConsumer; import org.apache.flink.util.Collector; import org.slf4j.Logger; import org.slf4j.LoggerFactory; import java.io.IOException; import java.util.Map; public class BroadCastWordCountExample { public static void main (String[] args) throws Exception { final ParameterTool parameterTool = ParameterTool.fromArgs(args); if (parameterTool.getNumberOfParameters() < 5) { System.out.println("Missing parameters! " + "Usage: Kafka --input-topic-data <topic> --input-topic-config <topic> --output-topic <topic> " + "--bootstrap.servers <kafka brokers> " + "--group.id <some id> --auto.offset.reset <latest, earliest, none>"); return; } StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment(); env.enableCheckpointing(parameterTool.getInt("checkpoint.interval",60000)); // create a checkpoint every n mill seconds // set mode to exactly-once (this is the default) env.getCheckpointConfig().setCheckpointingMode(CheckpointingMode.EXACTLY_ONCE); // make sure 500 ms of progress happen between checkpoints env.getCheckpointConfig().setMinPauseBetweenCheckpoints(500); // checkpoints have to complete within one minute, or are discarded env.getCheckpointConfig().setCheckpointTimeout(60000); // allow only one checkpoint to be in progress at the same time env.getCheckpointConfig().setMaxConcurrentCheckpoints(1); // make parameters available in the web interface env.getConfig().setGlobalJobParameters(parameterTool); FlinkKafkaConsumer<String> consumer = new FlinkKafkaConsumer<>( parameterTool.getRequired("input-topic-data"), new SimpleStringSchema(), parameterTool.getProperties()); FlinkKafkaConsumer<String> consumerBroadcast = new FlinkKafkaConsumer<>( parameterTool.getRequired("input-topic-config"), new SimpleStringSchema(), parameterTool.getProperties()); DataStream<Tuple3<String, Integer, Long>> dataStream = env.addSource(consumer).flatMap(new LineSplitter()); final MapStateDescriptor<String,Map<String,Object>> broadCastConfigDescriptor = new MapStateDescriptor<>("broadCastConfig", BasicTypeInfo.STRING_TYPE_INFO, new MapTypeInfo<>(String.class, Object.class)); // e.g. {"length":5} BroadcastStream<Map<String,Object>> broadcastStream = env.addSource(consumerBroadcast). flatMap(new FlatMapFunction<String, Map<String, Object>>() { // 解析 json 数据 private final ObjectMapper mapper = new ObjectMapper(); @Override public void flatMap(String value, Collector<Map<String, Object>> out) { try { out.collect(mapper.readValue(value, Map.class)); } catch (IOException e) { e.printStackTrace(); System.out.println(value); } } } ).broadcast(broadCastConfigDescriptor); //这里可以指定多个descriptor dataStream.keyBy(0).connect(broadcastStream).process(new KeyedBroadcastProcessFunction<String, Tuple3<String, Integer, Long>, Map<String, Object>, Tuple2<String,Integer>>() { private final Logger logger = LoggerFactory.getLogger(BroadCastWordCountExample.class); private transient MapState<String, Integer> counterState; int length = 5; // 必须和上文的 broadCastConfigDescriptor 一致，否则报 java.lang.IllegalArgumentException: The requested state does not exist 的错误 private final MapStateDescriptor<String, Map<String,Object>> broadCastConfigDescriptor = new MapStateDescriptor<>("broadCastConfig", BasicTypeInfo.STRING_TYPE_INFO, new MapTypeInfo<>(String.class, Object.class)); private final MapStateDescriptor<String, Integer> descriptor = new MapStateDescriptor<>("counter",String.class, Integer.class); @Override public void open(Configuration parameters) throws Exception{ counterState = getRuntimeContext().getMapState(descriptor); logger.info("get counter/globalConfig MapState from checkpoint"); } /** * 这里处理数据流的数据 * */ @Override public void processElement(Tuple3<String, Integer, Long> value, ReadOnlyContext ctx, Collector<Tuple2<String, Integer>> out) throws Exception { /** * 这里之只能获取到 ReadOnlyBroadcastState，因为 Flink 不允许在这里修改 BroadcastState 的状态 * */ // 从广播状态中获取规则 ReadOnlyBroadcastState<String, Map<String,Object>> broadcastState = ctx.getBroadcastState(broadCastConfigDescriptor); if (broadcastState.contains("broadcastStateKey")) { length = (Integer) broadcastState.get("broadcastStateKey").get("length"); } if (value.f0.length() > length) { logger.warn("length of str {} > {}, ignored", value.f0, length); return; } if (counterState.contains(value.f0)) { counterState.put(value.f0, counterState.get(value.f0) + value.f1); } else { counterState.put(value.f0, value.f1); } out.collect(new Tuple2<>(value.f0, counterState.get(value.f0))); } /** * 这里处理广播流的数据 * */ @Override public void processBroadcastElement(Map<String, Object> value, Context ctx, Collector<Tuple2<String,Integer>> out) throws Exception { if (!value.containsKey("length")) { logger.error("stream element {} do not contents "length"", value); return; } /*ctx.applyToKeyedState(broadCastConfigDescriptor, (key, state) -> { // 这里可以修改所有 broadCastConfigDescriptor 描述的 state });*/ /** 这里获取 BroadcastState，BroadcastState 包含 Map 结构，可以修改、添加、删除、迭代等 * */ BroadcastState<String, Map<String,Object>> broadcastState = ctx.getBroadcastState(broadCastConfigDescriptor); // 前面说过，BroadcastState 类似于 MapState.这里的 broadcastStateKey 是随意指定的 key, 用于示例 // 更新广播流的规则到广播状态: BroadcastState if (broadcastState.contains("broadcastStateKey")) { Map<String, Object> oldMap = broadcastState.get("broadcastStateKey"); logger.info("get State {}, replaced with State {}",oldMap,value); } else { logger.info("do not find old State, put first counterState {}",value); } broadcastState.put("broadcastStateKey",value); } }).print(); env.execute("BroadCastWordCountExample"); } }
示例测试：
1.启动 flink 集群，并行度为2，运行该 job；
2.数据流输入：
No path for the flink jar passed. Using the location of class org.apache.flink.yarn.YarnClusterDescriptor to locate the jar
task 打印输出：
2> (no,1) 1> (for,1) 2> (path,1) 1> (jar,1) 2> (the,1) 2> (flink,1) 2> (using,1) 2> (the,2) 1> (jar,2) 2> (of,1) 2> (class,1) 2> (to,1) 2> (the,3)
3.广播流输入：
{"length":6}
数据流输入相同数据：
No path for the flink jar passed. Using the location of class org.apache.flink.yarn.YarnClusterDescriptor to locate the jar
task 打印输出：
2> (no,2) 2> (path,2) 1> (for,2) 2> (the,4) 1> (jar,3) 2> (flink,2) 2> (using,2) 2> (the,5) 1> (jar,4) 2> (of,2) 2> (class,2) 2> (to,2) 2> (locate,1) 2> (the,6)
使用 broadcast state 时需要注意的事项
1.同一个 operator 的各个 task 之间没有通信：这也是为何只有 广播流侧(processBroadcastElement) 才能修改 broadcast state，而数据流侧(processElement) 只能读 broadcast state. 此外，开发者需要保证所有 operator task 对 broadcast state 的修改逻辑是相同的(一般都是相同的吧)，否则会导致非预期的结果。
2.operator tasks 之间收到的广播流元素的顺序可能不同：虽然所有元素最终都会下发给下游 tasks，但是元素到达的顺序可能不同。所以更新 state 时不能依赖元素到达的顺序。
3.每个 task 对各自的 broadcast state 做快照：虽然每个 task 收到的广播流元素和做快照时的 broadcast state 是一样的，但是每个 task 快照到本地。这样做是为了防止失败恢复时，所有的 tasks 同时读一个文件导致的热点问题(hotspots)。当恢复后并行度不变或变小时，task 读取各自的 state；当恢复后并行度变大，之前的 tasks 读取各自的 state，新增的 task(p_new-p_old) 以 round-robin 方式读取前一个 task 的 state。
4.目前不支持 RocksDB 保存 Broadcast state：Broadcast state 目前只保存在内存中，开发者应该为其预留合适的内存。