Flink：把状态State全都扒光，远走他乡：State初始，广播状态
Statechu初始：
State是指流计算过程中计算节点的中间计算结果或元数据属性，比如 在aggregation过程中要在state中记录中间聚合结果，比如 Apache Kafka 作为数据源时候，我们也要记录已经读取记录的offset，这些State数据在计算过程中会进行持久化(插入或更新)。所以Apache Flink中的State就是与时间相关的，Apache Flink任务的内部数据(计算数据和元数据属性)的快照。
State分类：Keyed State和Operator State
Keyed State
Keyed State是一种基于key的，它永远和key绑定，key和key之间的state没有关系，不会相互影响
Operator State
Operator State是一种基于Operate的，每个操作有状态的，每个操作之间不会相互影响。举例来说，Flink中的Kafka Connector，就使用了operator state。它会在每个connector实例中，保存该实例中消费topic的所有(partition, offset)映射。
Raw State和Managed State
- Raw即原始状态：由用户自行管理状态具体的数据结构，框架在做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。
- Managed State：即托管状态，托管状态是由Flink框架管理的状态，如ValueState, ListState, MapState等。
Keyed State ---- Managed State
- ValueState：这将保留一个可以更新和检索的值（如上所述，作用域为输入元素的键，因此该操作看到的每个键可能会有一个值）。该值可以使用设置update(T)和使用检索 T value()。
实例：
package flinkscala.State.Keyed_State
import org.apache.flink.api.common.functions.RichFlatMapFunction
import org.apache.flink.api.common.state.{ValueState, ValueStateDescriptor}
import org.apache.flink.api.common.typeinfo.TypeInformation
import org.apache.flink.configuration.Configuration
import org.apache.flink.streaming.api.scala._
import org.apache.flink.util.Collector
object valueStateTest {
def main(args: Array[String]): Unit = {
val env = StreamExecutionEnvironment.getExecutionEnvironment
env.setParallelism(1)
env.fromCollection(List(
(1L, 3L),
(1L, 5L),
(1L, 7L),
(1L, 4L),
(1L, 2L),
(1L, 6L),
(1L, 2L),
(1L, 9L),
(1L, 2L),
(1L, 3L)
)).keyBy(_._1)
.flatMap(new CountWindowAverage())
.print()
env.execute("average Test")
}
}
class CountWindowAverage extends RichFlatMapFunction[(Long,Long),(Long,Long)]{
//定义一个ValueState，保存着(元素的个数，元素的和)
private var sum: ValueState[(Long,Long)] = _
override def flatMap(value: (Long, Long), out: Collector[(Long, Long)]): Unit = {
//先访问ValueState,取出ValueState中的和
//当然，如果是空的话，也就是初次使用的话，就初始化为0，0
var tmpCurrentSum = sum.value()
val surrentSum = if(tmpCurrentSum !=null){
tmpCurrentSum
}else {(0L,0L)}
/*
* 元素个数+1，元素和+当前进来的元素
*
*/
val newSum = (surrentSum._1+1,surrentSum._2+value._2)
//更新状态State
sum.update(newSum)
//如果达到了两个元素，就计算一次平均值
if(newSum._1>=2){
out.collect((value._1,newSum._2/newSum._1))
sum.clear()//清空状态
}
}
override def open(parameters: Configuration): Unit ={
sum = getRuntimeContext
.getState(
new ValueStateDescriptor[(Long, Long)]("average",createTypeInformation[(Long,Long)])
)
}
}
ListState：这保留了元素列表。您可以追加元素并检索Iterable 所有当前存储的元素。使用add(T)或添加元素addAll(List)，可以使用检索Iterable Iterable get()。您还可以使用以下方法覆盖现有列表update(List)
ReducingState：这将保留一个值，该值代表添加到状态的所有值的集合。介面与相似，ListState但使用新增的元素 add(T)会使用指定的简化为汇总ReduceFunction。
AggregatingState
FoldingState
MapState
我们可以通过getRunTimeContext的getstate方法来获取state，一个state与一个句柄StateDescriptor绑定着，不同的状态保存不同的值，这种情况可能需要多种状态，通过StateDescriptor来获取对应的状态。
State Time-To-Live (TTL)
对于状态，我们有时候可以设置它的年龄，或者说过期，即到达一定时间就自动清除，或者做相关操作，有点儿像Redis里面的过期。
import org.apache.flink.api.common.state.StateTtlConfig
import org.apache.flink.api.common.state.ValueStateDescriptor
import org.apache.flink.api.common.time.Time
val ttlConfig = StateTtlConfig
//这个是用来配置生存的过期时间
.newBuilder(Time.seconds(1))
//配置什么时候对状态TTL进行刷新：OnCreateAndWrite-仅在创建和写访问时，OnReadAndWrite-有读取访问时
.setUpdateType(StateTtlConfig.UpdateType.OnCreateAndWrite)
//配置状态可见性用于配置是否清除尚未过期的默认值（
.setStateVisibility(StateTtlConfig.StateVisibility.NeverReturnExpired)
.build
val stateDescriptor = new ValueStateDescriptor[String]("text state", classOf[String])
stateDescriptor.enableTimeToLive(ttlConfig)清理过期状态
val ttlConfig = StateTtlConfig
.newBuilder(Time.seconds(1))
.disableCleanupInBackground//防止清理掉后台状态
.buildManaged Operator State
前面说了，操作状态是基于操作算子的，然后又是托管的，即用Flink已经有的ValueState等等
要使用托管操作状态，有状态功能可以实现更通用的CheckpointedFunction 接口，也可以实现ListCheckpointed< T extends Serializable>接口。
CheckpointedFunction
每当必须执行检查点时，都会调用snapshotState（）。
每次初始化用户定义函数时，都会调用对应的initializeState（）
void snapshotState(FunctionSnapshotContext context) throws Exception;
void initializeState(FunctionInitializationContext context) throws Exception;
无论是在首次初始化函数时，还是在实际从以前的检查点恢复函数时。
因此，initializeState（）不仅是初始化不同类型状态的地方，而且也是包含状态恢复逻辑的地方。当前，支持列表样式的托管操作符状态。该状态应为彼此独立List的可序列化对象，
- Even-split redistribution：每个operator返回一个状态元素列表。整个状态在逻辑上是所有列表的串联。在还原/重新分发时，列表被均匀地划分为尽可能多的子列表，因为有并行operator。每个运算符都得到一个子列表，该子列表可以为空，也可以包含一个或多个元素。例如，如果并行度为1时，operator的检查点状态包含元素element1和element2，则当并行度增加到2时，element1可能会在operator实例0中结束，而element2将转到operator实例1。
- Union redistribution：每个operator都返回状态元素列表。从逻辑上讲，整个状态是所有列表的串联。在还原/重新分发时，每个operator都会获得状态元素的完整列表。
Even-split redistribution演示
package flinkscala.State.Operatior_State
import org.apache.flink.api.common.state.{ListState, ListStateDescriptor}
import org.apache.flink.api.common.typeinfo.{TypeHint, TypeInformation}
import org.apache.flink.runtime.state.{FunctionInitializationContext, FunctionSnapshotContext}
import org.apache.flink.streaming.api.checkpoint.CheckpointedFunction
import org.apache.flink.streaming.api.functions.sink.SinkFunction
import scala.collection.mutable.ListBuffer
object opratorTest {
def main(args: Array[String]): Unit = {
}
}
class BufferingSink(threshold: Int = 0) extends SinkFunction[(String,Int)] with CheckpointedFunction{
private var checkpointedState: ListState[(String,Int)] = _
private val bufferedElements = ListBuffer[(String,Int)]()
override def invoke(value: (_root_.scala.Predef.String, Int), context: _root_.org.apache.flink.streaming.api.functions.sink.SinkFunction.Context[_]): Unit = {
bufferedElements += value
if(bufferedElements.size == threshold){
for(element <- bufferedElements){
//这里面将它发送到Sink
}
//发完之后就清空
bufferedElements.clear()
}
}
override def snapshotState(context: FunctionSnapshotContext): Unit = {
checkpointedState.clear()
for (element <- bufferedElements) {
checkpointedState.add(element)
}
}
override def initializeState(context: FunctionInitializationContext): Unit = {
val descriptor = new ListStateDescriptor[(String,Int)](
"buffered-elements",
TypeInformation.of(new TypeHint[(String,Int)] {})
)
checkpointedState = context.getOperatorStateStore.getListState(descriptor)
if(context.isRestored){
for(element <- checkpointedState.get()){
bufferedElements += element
}
}
}
}ListCheckpointed
该ListCheckpointed接口是第一个更有限的变体CheckpointedFunction，它仅支持列表样式状态，并在还原时使用偶数拆分的重新分配方案。它还需要实现两种方法：
List snapshotState(long checkpointId, long timestamp) throws Exception;
void restoreState(List state) throws Exception; 在snapshotState()操作员上应将对象列表返回给检查点，并且 restoreState在恢复时必须处理此类列表。如果状态不是重新分区，可以随时返回Collections.singletonList(MY_STATE)的snapshotState()。
广播状态
先用一个场景来入门：我们想象的是一个电商平台的用户操作和模式的实时匹配的情况吧。它获取了所有用户的操作行为数据作为一个用户的操作流。网站的运营团队致力于分析用户的操作，来提高销售额，改善用户体验，并监测和预防恶意行为。要实现了一个流应用程序，用于检测用户事件流中的模式。当然，也可以在代码中把所谓的这种“模式”给写死，但是这样情况是很不理想的对吧，总是要重新部署我们的应用，而且，那样用不到广播状态，而直接只能和UserActions流一起传播，这样相同的广播状态就重复传播，占用资源。
他是这样的
定义一个User actions流，用来记录各个用户的操作，比如登陆，加入购物车，付款，注销退出等等。
定义一个Patterns流，用来记录平台需要的模式匹配，比如某个模式是记录这个用户在登陆之后马上退出了，或者这个用户加入购物车后马上退出了，总之就是一个动作之后接另一个动作形成一个模式，当然也可以多个动作连起来，不过这里为了简便，就暂时两个动作。
像下面这个样子：
我们可以看到下面这个Patterns是一个模式流，它两个作为一组，也就是两个作为一个Pattern，广播给其他的operator。让广播出去的operator去匹配User Actions。
将Pattern广播出去了：从图中可以看出，是登陆->退出的Pattern广播出去了。这样的话。
然后就是User Actions流根据key来分到每一个对应的分区并行操作。这是多么的好。而且呢，每次一个action到来了，每个分区都会保存上一次的action，联合刚来的action一起组成一个模式和广播的Pattern去匹配，最后再将刚来的action替代上次的action。
可以看到Key1的操作匹配到了Pattern，然后就collect
但是如果新来一个Pattern的话，就会替代掉原来的那个Pattern，从而就会与新来的Pattern比较了。
代码实现
package flinkjava.State;
import org.apache.flink.api.common.functions.MapFunction;
import org.apache.flink.api.common.state.BroadcastState;
import org.apache.flink.api.common.state.MapStateDescriptor;
import org.apache.flink.api.common.state.ValueState;
import org.apache.flink.api.common.state.ValueStateDescriptor;
import org.apache.flink.api.common.typeinfo.Types;
import org.apache.flink.api.java.tuple.Tuple2;
import org.apache.flink.api.java.tuple.Tuple3;
import org.apache.flink.configuration.Configuration;
import org.apache.flink.streaming.api.datastream.BroadcastStream;
import org.apache.flink.streaming.api.datastream.KeyedStream;
import org.apache.flink.streaming.api.datastream.SingleOutputStreamOperator;
import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;
import org.apache.flink.streaming.api.functions.co.KeyedBroadcastProcessFunction;
import org.apache.flink.util.Collector;
public class broadcastState {
public static void main(String[] args) {
StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
SingleOutputStreamOperator actions = env.socketTextStream("127.0.0.1", 9000)
.map(new MapFunction() {
@Override
public Action map(String value) throws Exception {
String[] dataArray = value.split(",");
return new Action(Long.valueOf(dataArray[0].trim()), dataArray[1].trim());
}
});
SingleOutputStreamOperator patterns = env.socketTextStream("127.0.0.1", 9001)
.map(new MapFunction() {
@Override
public Pattern map(String value) throws Exception {
String[] dataArray = value.split(",");
Pattern pattern = new Pattern();
pattern.setFirstAction(dataArray[0].trim());
pattern.setSecondAction(dataArray[1].trim());
return pattern;
}
});
KeyedStream actionByUser = actions.keyBy(action -> action.userId);
MapStateDescriptor bcStateDescriptor = new MapStateDescriptor("patterns", Types.VOID,Types.POJO(Pattern.class));
//广播模式pattern状态
BroadcastStream bcedPatterns = patterns.broadcast(bcStateDescriptor);
SingleOutputStreamOperator> matches = actionByUser.connect(bcedPatterns)
.process(new PatternEvaluator());
matches.map(new MapFunction, Tuple3>() {
@Override
public Tuple3 map(Tuple2 value) throws Exception {
return new Tuple3<>(value.f0,value.f1.getFirstAction(),value.f1.getSecondAction());
}
}).print();
try {
env.execute("broadcastJob");
} catch (Exception e) {
e.printStackTrace();
}
}
}
class PatternEvaluator extends KeyedBroadcastProcessFunction>{
//每个用户维护一个上次操作的状态
ValueState prevActionState;
//广播状态Descriptor
MapStateDescriptor patternDesc;
@Override
public void open(Configuration parameters) throws Exception {
prevActionState = getRuntimeContext().getState(
new ValueStateDescriptor("lastAction",Types.STRING)
);
patternDesc = new MapStateDescriptor("patterns",Types.VOID,Types.POJO(Pattern.class));
}
//这个方法是针对非广播流的元素到来调用方法，在这里是对于用户的Action
@Override
public void processElement(Action value, ReadOnlyContext ctx, Collector> out) throws Exception {
//获取当前广播过来的模式状态
Pattern pattern = ctx.getBroadcastState(this.patternDesc).get(null);
//获取前一个用户动作，也就是存在prevActionState的，是上一次用户操作的动作
String preAction = prevActionState.value();
if(pattern!=null && preAction != null){
//如果上一次的动作和模式的第一个动作匹配，而且这一次的动作和模式的第二个动作匹配，那么就是满足情况的
if(pattern.firstAction.equals(preAction) && pattern.secondAction.equals(value.action)){
out.collect(new Tuple2<>(ctx.getCurrentKey(), pattern));
}
}
//将本次动作更新到状态，作为下一个动作的上一个动作
prevActionState.update(value.action);
}
//这个是每个广播流过来的时候
@Override
public void processBroadcastElement(Pattern value, Context ctx, Collector> out) throws Exception {
BroadcastState bcstate = ctx.getBroadcastState(patternDesc);
bcstate.put(null,value);
}
}
class Action{
Long userId;
String action;
public Action(Long userId, String action) {
this.userId = userId;
this.action = action;
}
} 运行结果：
先来个(a,b)的Pattern：
然后输入几个Action(UserId，action)
得出结果：
如果新来一个Pattern(b，e)
同时新来几个Action（UserId，action）：
结果：
KeyedBroadcastProcessFunction接口
上面是实现了
KeyedBroadcastProcessFunction接口
总共有三个方法可以实现：
- processBroadcastElement()方法：这个方法是广播流的数据到来的时候调用的方法。在上面场景中，我们使用的是用MapState来保存广播的状态，用了一个null键，从而可以使只保存一个Pattern
- processElement()方法：这个是每次一个非广播状态的数据到来时可以调用的
- onTimer()方法：这个仍然可以注册定时器，我们前面的场景其实可以优化，就是如果一个用户长时间没用进行操作，就可以清空上次操作的状态。