参考地址：https://www.cnblogs.com/airnew/p/9544683.html
问题一、什么是状态？
问题二、Flink状态类型有哪几种？
问题三、状态有什么作用？
问题四、如何使用状态，实现什么样的API？
问题五、什么是checkpoint与savepoint？
问题六、如何使用checkpoint与savepoint？
问题七、checkpoint原理是什么？
问题八、什么是有状态的计算？
问题九、使用checkpoint的作用？
一、状态
定义：
一般指一个具体的 task/operator 某一时刻在内存中的状态（一个中间结果)
快照（snapshot）
作用：
state可以被记录，在失败的情况下可以恢复。
基本类型：
Operator state
Keyed state
Flink提供一套状态保存的方法，无需在借助第三方存储系统来解决状态存储问题。
二、Flink状态类型有哪几种？
按照数据的划分和扩张方式，Flink中大致分为2类：
（1）Operator State
1、可以用于所有算子（常用于source，例如 FlinkKafkaConsumer）
2、一个Operator 实例对应一个State （与 key 无关，唯一绑定到特定 operator）
3、并发改变时有多种重新分配方式可选
（1）均匀分配
（2）合并后每个得到全量
4、实现 CheckpintedFunction 或 ListCheckpointed 接口
5、支持的数据结构
ListState （只支持这一种数据结构）
（2）Keyed State
1、只能用在KeyedStream 上的算子中，基于 keyedStream 之上的状态，dataStream.keyBy()，只能在作用于 keyedStream 上的 function/Operator 里使用。
keyBy 之后的 Operator State，可理解为分区过的 Operator State。
每个 并行 keyed Operator 的每个实例的每个 key有一个 keyed state， 即 <paralled-operator-instance,key> 就是一个唯一的状态，由于每个 key 属于一个 keyed operator的
并行实例，因此我们可以将其简单的理解为 <operator，key>
2、每个key 对应一个State。（一个Operator 实例处理多个key，访问相应的多个State）
3、并发改变，State随着Key 在实例间迁移
4、通过 RuntimeContext 访问 RichFunction
5、支持的数据结构
ValueState
ListState
ReducingState
AggregatingState
FoldingState（不推荐使用，过期了）
MapState
注意：状态不一定存储在内部，可能驻留在磁盘或者其他地方
状态是使用RuntimeContext访问的，因此只能在Rich函数中访问。
三、状态的表现形式
Keyed State 和 Operator State ，可以有两种形式存在：原始状态和托管状态。
managed（托管状态）：
托管状态是由Flink 框架管理的状态，如 ValueState、ListState、MapState等。
通过框架提供的接口来更新和管理状态的值。
不需要序列化
raw（原始状态）
原始状态是由用户自行管理的具体的数据结构，Flink 在做 checkpoint的时候，使用 byte[] 来读写状态内容，对其内部数据结构一无所知。
需要序列化
通常在DataStream 上的状态推荐使用托管的状态，当用户自定义operator时，会使用到原始状态。
问题八、什么是有状态的计算？
计算任务的结果不仅仅依赖于输入，还依赖于它的当前状态，其实大多数的计算都是有状态的计算。比如wordcount，给一些word，
其计算它的count，这是一个很常见的业务场景。count作为输出，在计算的过程中要不断的把输入累加到count上去，
那么count就是一个state。
什么是checkpoint?
checkpoint 则表示了一个 Flink Job ，在一个特定时刻的一份全局状态状态快照，即包含了一个 job 下 所有
task/operator 某时刻的状态。
问题九、使用checkpoint（检查点）的作用？
使用Checkpoint提高程序的可靠性
用户可以根据程序里面的配置将checkpoint打开，给定一个时间间隔后，框架会按照时间间隔给程序的状态进行备份。
当发生故障时，Flink会将所有Task的状态一起恢复到Checkpoint的状态。从那个位置开始重新执行。
Flink也提供了多种正确性的保障，包括：
AT LEAST ONCE
Exactly once
备份为保存在State中的程序状态数据
Flink也提供了一套机制，允许把这些状态放到内存当中。做Checkpoint 的时候，由Flink去完成恢复。
从已停止作业的运行状态中恢复
当组件升级的时候，需要停止当前作业。这个时候需要从之前停止的作业当中恢复，Flink提供了2种机制恢复作业：
Savepoint（保存点）：是一种特殊的checkpoint，只不过不像checkpoint定期的从系统中去触发的，它是用户通过命令触发，存储格式和checkpoint也是不相同的，
会将数据按照一个标准的格式存储，不管配置什么样，Flink都会从这个checkpoint 恢复，是用来做版本升级一个非常好的工具。
External Checkpoint：对已有checkpoint的一种扩展，就是说做完一次内部的一次Checkpoint后，还会在用户给定的一个目录中，多
存储一份checkpoint的数据。