状态管理之托管状态
1. 按键分区状态(Keyed State)
按键分区状态(Keyed State)顾名思义，是任务按照键(key)来访问和维护的状态。它的特点非常鲜明，就是以key为作用范围进行隔离。需要注意，使用Keyed State必须基于KeyedStream。没有进行keyBy分区的DataStream，即使转换算子实现了对应的富函数类，也不能通过运行时上下文访问Keyed State。
按键分区状态主要包括：值状态(ValueState)、列表状态(ListState)、Map状态(MapState)、归约状态(ReducingState)、聚合状态(AggregatingState)
2. 值状态(ValueState)
顾名思义，状态中只保存一个"值"(value)。ValueState<T>本身是一个接口，源码中定义如下：
java
public interface ValueState<T> extends State {
// 获取当前状态的值
T value() throws IOException;
//对状态进行更新，传入的参数value就是要覆写的状态值。
void update(T value) throws IOException;
}在具体使用时，为了让运行时上下文清楚到底是哪个状态，我们还需要创建一个"状态描述器"(StateDescriptor)来提供状态的基本信息。例如源码中，ValueState的状态描述器构造方法如下：
java
public ValueStateDescriptor(String name, Class<T> typeClass) {
super(name, typeClass, null);
}案例需求：检测每种传感器的水位值，如果连续的两个水位值超过10，就输出报警。
java
public class KeyedValueStateDemo {
public static void main(String[] args) throws Exception {
StreamExecutionEnvironment env = StreamExecutionEnvironment.createLocalEnvironmentWithWebUI(new Configuration());
env.setParallelism(1);
SingleOutputStreamOperator<WaterSensor> sensorDS = env.socketTextStream("hadoop102", 7777)
.map((MapFunction<String, WaterSensor>) value -> {
String[] split = value.split(",");
return new WaterSensor(split[0], Long.valueOf(split[1]), Integer.valueOf(split[2]));
})
// 处理最多延迟3秒的乱序事件
.assignTimestampsAndWatermarks(WatermarkStrategy.<WaterSensor>forBoundedOutOfOrderness(Duration.ofSeconds(3))
.withTimestampAssigner((value, ts) -> value.getTs() * 1000L));
sensorDS.keyBy(WaterSensor::getId)
.process(new KeyedProcessFunction<String, WaterSensor, String>() {
// 1.定义状态
ValueState<Integer> lastVcState; // int lastVcState=0; 这样定义普通变量写会有问题
@Override
public void open(Configuration parameters) throws Exception {
super.open(parameters);
// 2.在open方法中，通过运行时上下文来初始化状态
lastVcState = getRuntimeContext().getState(new ValueStateDescriptor<Integer>("lastVcState", Types.INT));
}
@Override
public void processElement(WaterSensor current, KeyedProcessFunction<String, WaterSensor, String>.Context ctx, Collector<String> out) throws Exception {
if (current.getVc() >= 10) {
int lastVc = lastVcState.value(); // 取出 本组 值状态 的数据
if (lastVc >= 10) {
out.collect("连续的两个水位值超过10：" + current.getVc() + " 上一次值：" + lastVc);
}
}
// 3. 更新状态里的水位值
lastVcState.update(current.getVc());
}
}).print();
env.execute();
}
}运行效果：
如果直接定义普通变量来保存上一条vc的值，在key不同的时候会出现问题，出现即使不同的key也会进行比较，所以之前我们使用hashmap按照key来存数据。
3. 列表状态(ListState)
将需要保存的数据，以列表(List)的形式组织起来。在ListState<T>接口中同样有一个类型参数T，表示列表中数据的类型。ListState也提供了一系列的方法来操作状态:
Iterable<T> get()：获取当前的列表状态，返回的是一个可迭代类型Iterable<T>；update(List<T> values)：传入一个列表values，直接对状态进行覆盖；add(T value)：在状态列表中添加一个元素value；addAll(List<T> values)：向列表中添加多个元素，以列表values形式传入。
类似地，ListState的状态描述器就叫作ListStateDescriptor，用法跟ValueStateDescriptor完全一致。
案例需求：针对每种传感器输出最高的3个水位值
java
public class FlinkDemo {
public static void applyHandleData(Consumer<SingleOutputStreamOperator<WaterSensor>> consumer) throws Exception {
StreamExecutionEnvironment env = StreamExecutionEnvironment.createLocalEnvironmentWithWebUI(new Configuration());
env.setParallelism(1);
SingleOutputStreamOperator<WaterSensor> sensorDS = env.socketTextStream("hadoop102", 7777)
.map((MapFunction<String, WaterSensor>) value -> {
String[] split = value.split(",");
return new WaterSensor(split[0], Long.valueOf(split[1]), Integer.valueOf(split[2]));
})
// 处理最多延迟3秒的乱序事件
.assignTimestampsAndWatermarks(WatermarkStrategy.<WaterSensor>forBoundedOutOfOrderness(Duration.ofSeconds(3))
.withTimestampAssigner((value, ts) -> value.getTs() * 1000L));
consumer.accept(sensorDS);
env.execute();
}
}
java
public class KeyedListStateDemo {
public static void main(String[] args) throws Exception {
FlinkDemo.applyHandleData(sensorDS -> {
sensorDS.keyBy(WaterSensor::getId)
.process(new KeyedProcessFunction<String, WaterSensor, String>() {
// 1.定义状态
ListState<Integer> last10VcState;
@Override
public void open(Configuration parameters) throws Exception {
super.open(parameters);
last10VcState = getRuntimeContext().getListState(
new ListStateDescriptor<Integer>("last10Vc", Types.INT));
}
@Override
public void processElement(WaterSensor current, KeyedProcessFunction<String, WaterSensor, String>.Context ctx, Collector<String> out) throws Exception {
last10VcState.add(current.getVc());
// 2.从list状态拿出来(Iterable), 拷贝到一个List中，排序, 只留3个最大的
Iterable<Integer> vcListIt = last10VcState.get();
ArrayList<Integer> list = new ArrayList<>();
// 使用for-each循环来遍历Iterable对象
for (Integer vc : vcListIt) {
list.add(vc);
}
list.sort((o1, o2) -> o2 - o1);
String collected = list.subList(0, Math.min(3, list.size())).stream().map(Object::toString).collect(Collectors.joining(","));
out.collect(collected);
out.collect("key="+ctx.getCurrentKey()+", 最大的三个vc值为："+ collected);
// list只保留3个
if(list.size()>3){
list.remove(3);
}
// 3. 更新状态
last10VcState.update(list);
}
}).print();
});
}
}
案例需求：统计每种传感器每种水位值出现的次数。
java
public class KeyedMapStateDemo {
public static void main(String[] args) throws Exception {
FlinkDemo.applyHandleData(sensorDS -> {
sensorDS.keyBy(WaterSensor::getId)
.process(new KeyedProcessFunction<String, WaterSensor, String>() {
// 1.定义状态
MapState<Integer, Integer> vcCountState;
// 2.在open方法中，初始化状态
@Override
public void open(OpenContext openContext) throws Exception {
super.open(openContext);
vcCountState = getRuntimeContext().getMapState(new MapStateDescriptor<Integer, Integer>("vcCountState", Types.INT, Types.INT));
}
@Override
public void processElement(WaterSensor current, KeyedProcessFunction<String, WaterSensor, String>.Context ctx, Collector<String> out) throws Exception {
// 3. 更新状态里的水位值
Integer currentVc = current.getVc();
Integer count = vcCountState.get(currentVc);
if (count == null) {
vcCountState.put(currentVc, 1);
} else {
vcCountState.put(currentVc, count + 1);
}
// 4. 取出状态里的数据
StringBuffer sb = new StringBuffer();
sb.append("=====================================\n");
for (Map.Entry<Integer, Integer> entry : vcCountState.entries()) {
sb.append("key="+ctx.getCurrentKey()+",vc=" + entry.getKey() + ",出现的次数=" + entry.getValue() + "\n");
}
out.collect(sb.toString());
}
}).print();
});
}
}运行效果：
5. 归约状态(ReducingState)
对添加进来的所有数据进行归约，将归约聚合之后的值作为状态保存下来。ReducingState<T>这个接口调用的方法类似于ListState，只不过它保存的只是一个聚合值，所以调用add()方法时，不是在状态列表里添加元素，而是直接把新数据和之前的状态进行归约，并用得到的结果更新状态。归约逻辑的定义，是在归约状态描述器(ReducingStateDescriptor)中，通过传入一个归约函数(ReduceFunction)来实现的。
java
public ReducingStateDescriptor(
String name, ReduceFunction<T> reduceFunction, Class<T> typeClass) {...}这里的描述器有三个参数，其中第二个参数就是定义了归约聚合逻辑的ReduceFunction，另外两个参数则是状态的名称和类型。
案例：计算每种传感器的水位和。
java
public class KeyedReducingStateDemo {
public static void main(String[] args) throws Exception {
FlinkDemo.applyHandleData(sensorDS -> {
sensorDS.keyBy(WaterSensor::getId)
.process(new KeyedProcessFunction<String, WaterSensor, String>() {
private ReducingState<Integer> sumState;
@Override
public void open(OpenContext openContext) throws Exception {
super.open(openContext);
sumState = getRuntimeContext().getReducingState(
new ReducingStateDescriptor<Integer>(
"sumState",
// 聚合逻辑就是累加
(o1, o2)->o1+o2,
Types.INT));
}
@Override
public void processElement(WaterSensor current, KeyedProcessFunction<String, WaterSensor, String>.Context ctx, Collector<String> out) throws Exception {
sumState.add(current.getVc());
out.collect("key="+ctx.getCurrentKey()+",sumVc="+sumState.get());
}
}).print();
});
}
}运行效果：
6. 聚合状态(AggregatingState)
与归约状态非常类似，聚合状态也是一个值，用来保存添加进来的所有数据的聚合结果。与ReducingState不同的是，AggregatingState的输入输出不要求类型是完全一致的, 使用更加灵活。
案例需求：计算每种传感器的平均水位
java
public class KeyedAggregatingStateDemo {
public static void main(String[] args) throws Exception {
FlinkDemo.applyHandleData(sensorDS -> {
sensorDS.keyBy(WaterSensor::getId)
.process(new KeyedProcessFunction<String, WaterSensor, String>() {
AggregatingState<WaterSensor, Double> aggregatingState;
@Override
public void open(OpenContext openContext) throws Exception {
super.open(openContext);
// 构造AggregatingStateDescriptor对象
// 第一个参数：状态的名称
// 第二个参数：AggregateFunction
// 第三个参数：累加器的类型
aggregatingState = getRuntimeContext().getAggregatingState(new AggregatingStateDescriptor(
"aggregatingStateAvg",
new AggregateFunction<WaterSensor, Tuple2<Integer, Integer>, Double>() {
@Override
public Tuple2<Integer, Integer> createAccumulator() {
return new Tuple2<>(0, 0);
}
@Override
public Tuple2<Integer, Integer> add(WaterSensor value, Tuple2<Integer, Integer> accumulator) {
return Tuple2.of(value.getVc()+accumulator.f0, accumulator.f1 + 1);
}
@Override
public Double getResult(Tuple2<Integer, Integer> accumulator) {
// 计算平均值
if(accumulator.f1 != 0){
return accumulator.f0 * 1D / accumulator.f1;
}else{
return 0D;
}
}
@Override
public Tuple2<Integer, Integer> merge(Tuple2<Integer, Integer> a, Tuple2<Integer, Integer> b) {
// 合并, 如果没有用到会话窗口，可以不写，直接返回null即可
return Tuple2.of(a.f0 + b.f0, a.f1 + b.f1);
}
},
Types.TUPLE(Types.INT, Types.INT)));
}
@Override
public void processElement(WaterSensor current, KeyedProcessFunction<String, WaterSensor, String>.Context ctx, Collector<String> out) throws Exception {
// aggregatingState数据清空api
// aggregatingState.clear();
aggregatingState.add(current);
out.collect("key=" + ctx.getCurrentKey() + ",平均水位值=" + aggregatingState.get());
}
}).print();
});
}
}运行结果：
7. 状态生存时间(TTL)
在实际应用中，很多状态会随着时间的推移逐渐增长，如果不加以限制，最终就会导致存储空间的耗尽。一个优化的思路是直接在代码中调用clear()方法去清除状态值，另外一种办法是交给Flink去管理，配置一个状态的"生存时间"(time-to-live，TTL)，当状态在内存中存在的时间超出这个值时，就将它自动清除。
Flink底层处理流程是：默认会标记一个失效时间(失效时间 = 当前时间 + TTL)，之后如果有对状态的访问和修改，再对失效时间进行更新；当设置的清除条件被触发时(比如被动访问或者周期性的扫描时候)就可以判断状态是否失效、从而进行清除了。
配置状态的TTL时，需要创建一个StateTtlConfig配置对象，然后调用状态描述器的enableTimeToLive()方法启动TTL功能。
java
StateTtlConfig ttlConfig = StateTtlConfig
// 状态TTL配置的构造器方法
.newBuilder(Time.seconds(10))
// 设置更新类型。更新类型指定了什么时候更新状态失效时间。OnCreateAndWrite表示只有创建状态和更改状态(写操作)时更新失效时间。
// OnReadAndWrite则表示无论读写操作都会更新失效时间，
.setUpdateType(StateTtlConfig.UpdateType.OnCreateAndWrite)
// 设置过期数据状态的可见性。因为清除数据并不是实时的，状态过期后可能数据还在，这时可以配置是否允许访问
// NeverReturnExpired是默认行为，表示从不返回过期值。
// ReturnExpireDefNotCleanedUp，就是如果过期状态还存在，就返回它的值
.setStateVisibility(StateTtlConfig.StateVisibility.NeverReturnExpired)
.build();
ValueStateDescriptor<String> stateDescriptor = new ValueStateDescriptor<>("my state", String.class);
stateDescriptor.enableTimeToLive(ttlConfig);除此之外，TTL配置还可以设置在保存检查点(checkpoint)时触发清除操作，或者配置增量的清理(incremental cleanup)，还可以针对RocksDB状态后端使用压缩过滤器(compaction filter)进行后台清理。这里需要注意，目前的TTL设置只支持处理时间。
java
public class KeyedValueTTLStateDemo {
public static void main(String[] args) throws Exception {
FlinkDemo.applyHandleData(sensorDS -> {
sensorDS.keyBy(WaterSensor::getId)
.process(new KeyedProcessFunction<String, WaterSensor, String>() {
ValueState<Integer> valueState;
@Override
public void open(OpenContext openContext) throws Exception {
super.open(openContext);
// 设置创建的5s后过期
StateTtlConfig ttlConfig = StateTtlConfig
.newBuilder(Duration.ofSeconds(5))
.setUpdateType(StateTtlConfig.UpdateType.OnCreateAndWrite)
.setStateVisibility(StateTtlConfig.StateVisibility.NeverReturnExpired)
.build();
ValueStateDescriptor<Integer> valueStateTTL = new ValueStateDescriptor<Integer>("valueStateTTL", Types.INT);
valueStateTTL.enableTimeToLive(ttlConfig);
valueState = getRuntimeContext().getState(valueStateTTL);
}
@Override
public void processElement(WaterSensor current, KeyedProcessFunction<String, WaterSensor, String>.Context ctx, Collector<String> out) throws Exception {
out.collect("key=" + ctx.getCurrentKey() + ",vc值=" + valueState.value());
valueState.update(current.getVc());
}
}).print();
});
}
}运行结果：
8. 算子状态(Operator State)
算子状态(Operator State)就是一个算子并行实例上定义的状态，作用范围被限定为当前算子任务。算子状态跟数据的key无关，所以不同key的数据只要被分发到同一个并行子任务，就会访问到同一个Operator State。
算子状态的实际应用场景不如Keyed State多，一般用在Source或Sink等与外部系统连接的算子上，或者完全没有key定义的场景。比如Flink的Kafka连接器中，就用到了算子状态。当算子的并行度发生变化时，算子状态也支持在并行的算子任务实例之间做重组分配。根据状态的类型不同，重组分配的方案也会不同。
算子状态也支持不同的结构类型，主要有三种：ListState、UnionListState和BroadcastState。
9. 列表状态(ListState)
与Keyed State中的ListState一样，将状态表示为一组数据的列表,与Keyed State中的列表状态的区别是：在算子状态的上下文中，不会按键(key)分别处理状态，所以每一个并行子任务上只会保留一个"列表"(list)。算子状态中不会存在"键组"(key group)这样的结构，所以为了方便重组分配，就把它直接定义成了"列表"(list)。这也就解释了，为什么算子状态中没有最简单的值状态(ValueState)。
案例实操：在map算子中计算数据的个数。
java
public class OperatorListStateDemo {
public static void main(String[] args) throws Exception {
// 在map算子中计算数据的个数
FlinkDemo.applyHandleData(sensorDS -> {
sensorDS.map(new MyMapFunction())
.print();
});
}
// 1.实现 CheckpointedFunction 接口
static class MyMapFunction implements MapFunction<WaterSensor, Integer>, CheckpointedFunction {
int count = 0;
private ListState<Integer> state;
@Override
public Integer map(WaterSensor value) throws Exception {
return count++;
}
// 2.本地变量持久化：将 本地变量 拷贝到 算子状态中,开启checkpoint时会被调用
@Override
public void snapshotState(FunctionSnapshotContext context) throws Exception {
System.out.println("snapshotState...");
// 2.1 清空算子状态
state.clear();
// 2.2 将 本地变量 添加到 算子状态 中
state.add(count);
}
// 3.初始化本地变量：程序启动和恢复时, 从状态中 把数据添加到 本地变量，每个子任务调用一次
@Override
public void initializeState(FunctionInitializationContext context) throws Exception {
System.out.println("initializeState...");
// 3.1 从 上下文 初始化 算子状态
state = context
.getOperatorStateStore()
.getListState(new ListStateDescriptor<Integer>("state", Types.INT));
// 3.2 从 算子状态中 把数据 拷贝到 本地变量
if (context.isRestored()) {
for (Integer c : state.get()) {
count += c;
}
}
}
}
}运行结果：
10. 联合列表状态(UnionListState)
与ListState类似，联合列表状态也会将状态表示为一个列表。UnionListState的重点就在于"联合"(union)。在并行度发生变化时(比如分区从2个变成3个)，ListState状态将所有状态汇聚到一起，然后轮询重新分配状态项到每个分区((比如状态值在2个分区[(1,2,3),(4,5,6)]->[(1,2,3,4,5,6)]->3个分区轮询[(1,4),(2,5),(3,6)]))，而联合列表状态的算子则会直接广播一个完整列表状态([(1,2,3,4,5,6),(1,2,3,4,5,6),(1,2,3,4,5,6)])。这样的话，并行度改变之后的每个并行子任务就获取到了联合后完整的"大列表"，可以自行选择要使用的状态项和要丢弃的状态项。这种分配也叫作"联合重组"(union redistribution)。如果列表中状态项数量太多，为资源和效率考虑一般不建议使用联合重组的方式。使用如下：
java
state = context
.getOperatorStateStore()
.getUnionListState(new ListStateDescriptor<Long>("union-state", Types.LONG));11. 广播状态(BroadcastState)
有时我们希望算子并行子任务都保持同一份"全局"状态，用来做统一的配置和规则设定。这时所有分区的所有数据都会访问到同一个状态，状态就像被"广播"到所有分区一样，这种特殊的算子状态，就叫作广播状态(BroadcastState)。因为广播状态在每个并行子任务上的实例都一样，所以在并行度调整的时候就比较简单，只要复制一份到新的并行任务就可以实现扩展；而对于并行度缩小的情况，可以将多余的并行子任务连同状态直接砍掉——因为状态都是复制出来的，并不会丢失。
案例实操：水位超过指定的阈值发送告警，阈值可以动态修改(也就是通过流直接修改而不是读取MySQL数据库)。
java
public class OperatorBroadcastStateDemo {
public static void main(String[] args) throws Exception {
StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
env.setParallelism(2);
SingleOutputStreamOperator<WaterSensor> sensorDS = env.socketTextStream("hadoop102", 7777)
.map((MapFunction<String, WaterSensor>) value -> {
String[] split = value.split(",");
return new WaterSensor(split[0], Long.valueOf(split[1]), Integer.valueOf(split[2]));
})
// 处理最多延迟3秒的乱序事件
.assignTimestampsAndWatermarks(WatermarkStrategy.<WaterSensor>forBoundedOutOfOrderness(Duration.ofSeconds(3))
.withTimestampAssigner((value, ts) -> value.getTs() * 1000L));
SingleOutputStreamOperator<String> configBS = env.socketTextStream("hadoop102", 8888);
// 1. 定义一个广播状态，用来保存配置信息
MapStateDescriptor<String, Integer> broadcastMapState = new MapStateDescriptor<>("broadcastState", String.class, Integer.class);
BroadcastStream<String> broadcastStream = configBS.broadcast(broadcastMapState);
// 2.把 数据流 和 广播后的配置流 connect 起来
BroadcastConnectedStream<WaterSensor, String> connectedCS = sensorDS.connect(broadcastStream);
// 3.调用 process
connectedCS.process(new BroadcastProcessFunction<WaterSensor, String, String>() {
@Override
public void processElement(WaterSensor value, BroadcastProcessFunction<WaterSensor, String, String>.ReadOnlyContext ctx, Collector<String> out) throws Exception {
// 5.通过上下文获取广播状态，取出里面的值(只读，不能修改)
ReadOnlyBroadcastState<String, Integer> broadcastState = ctx.getBroadcastState(broadcastMapState);
Integer threshold = broadcastState.get("threshold");
// 判断广播状态里是否有数据，因为刚启动时，可能是数据流的第一条数据先来
threshold = (threshold == null ? 0 : threshold);
if (value.getVc() > threshold) {
out.collect(value + ",水位超过指定的阈值：" + threshold + "!!!");
}
}
@Override
public void processBroadcastElement(String value, BroadcastProcessFunction<WaterSensor, String, String>.Context ctx, Collector<String> out) throws Exception {
// 4. 通过上下文获取广播状态，往里面写数据
BroadcastState<String, Integer> broadcastState = ctx.getBroadcastState(broadcastMapState);
broadcastState.put("threshold", Integer.valueOf(value));
}
}).print();
env.execute();
}
}运行结果：
评论