1、State概念理解
在Flink中，按照基本类型，对State做了以下两类的划分：Keyed State， Operator State。
Keyed State：和Key有关的状态类型，它只能被基于KeyedStream之上的操作，方法所使用。我们可以从逻辑上理解这种状态是一个并行度操作实例和一种Key的对应， <parallel-operator-instance, key>。
Operator State：（或者non-keyed state），它是和Key无关的一种状态类型。相应地我们从逻辑上去理解这个概念，它相当于一个并行度实例，对应一份状态数据。因为这里没有涉及Key的概念，所以在并行度（扩/缩容）发生变化的时候，这里会有状态数据的重分布的处理。
概念理解如下图：
1、如果一个job没有设置checkpoint，那么state默认是是保存在java的堆内存中，这样会导致task失败后，state存在丢失现象；
2、checkpoint在一个job中负责一份全局的状态快照，里边包含了所有的task和operator状态；
3、task指的是flink中执行的基本单位，operator指的是算子操作；
4、state可以被记录，也可以在失败的时候被恢复；
5、state存在两种，一种是 key state， 一种是 operator state；
1.1 Keyed State 应用示例：
关键点总结：
1、上述State对象，仅仅是用来与状态进行交互，包括状态的更新，状态删除，状态清空等。
2、真正的状态值可能存在内存、磁盘、或者其他分布式存储系统中。
代码示例：
public class StateManager extends RichFlatMapFunction<Tuple2<Long, Long>, Tuple2<Long, Long>> { /** * 操作 state 的句柄 * @param longLongTuple2 * @param collector * @throws Exception */ private transient ValueState<Tuple2<Long, Long>> sum; @Override public void flatMap(Tuple2<Long, Long> value, Collector<Tuple2<Long, Long>> out) throws Exception { //获取state值 Tuple2<Long, Long> currentSum = sum.value(); currentSum.f0 = currentSum.f0 + 1; currentSum.f1 = currentSum.f1 + value.f1; //操作state更新 sum.update(currentSum); //输出flatMap的算子结果 if(currentSum.f0 >= 2) { out.collect(new Tuple2<Long, Long>(value.f0, currentSum.f1/currentSum.f0)); } } @Override public void open(Configuration parameters) throws Exception { ValueStateDescriptor<Tuple2<Long, Long>> descriptor = new ValueStateDescriptor<Tuple2<Long, Long>>( "average", //状态的名称 TypeInformation.of(new TypeHint<Tuple2<Long, Long>>() {}), //状态的类型 Tuple2.of(0L, 0L) //状态的初始默认值 ); sum = getRuntimeContext().getState(descriptor); } }
1.2 Operator State 应用示例：
2、checkpoint的应用示例
基于状态的容错：
1、依靠checkpoint机制；
2、保证exactly-once；
3、只能保证flink系统内的exactly-once；
4、对source和sink需要依赖外部的组建一同保证；
state的存入：
state恢复：
checkpoint概念：
checkpoint的配置：
1、默认是disable，需要手动开启；
2、checkpoint开启后，默认的 checkpointMode 是Exactly-once；
3、checkpointMode有两种，一种是 Exactly-once， 另一种是 At-least-once；
4、Exactly-once大多数程序是适合的， At-least-once可能用在某些延迟超低的应用程序（始终延迟几ms）
代码配置如下：
//获取flink的运行环境 StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment(); // 每隔1000 ms进行启动一个检查点【设置checkpoint的周期】 env.enableCheckpointing(1000); // 高级选项： // 设置模式为exactly-once （这是默认值） env.getCheckpointConfig().setCheckpointingMode(CheckpointingMode.EXACTLY_ONCE); // 确保检查点之间有至少500 ms的间隔【checkpoint最小间隔】 env.getCheckpointConfig().setMinPauseBetweenCheckpoints(500); // 检查点必须在一分钟内完成，或者被丢弃【checkpoint的超时时间】 env.getCheckpointConfig().setCheckpointTimeout(60000); // 同一时间只允许进行一个检查点 env.getCheckpointConfig().setMaxConcurrentCheckpoints(1); // 表示一旦Flink处理程序被cancel后，会保留Checkpoint数据，以便根据实际需要恢复到指定的Checkpoint【详细解释见备注】 //ExternalizedCheckpointCleanup.RETAIN_ON_CANCELLATION:表示一旦Flink处理程序被cancel后，会保留Checkpoint数据，以便根据实际需要恢复到指定的Checkpoint //ExternalizedCheckpointCleanup.DELETE_ON_CANCELLATION: 表示一旦Flink处理程序被cancel后，会删除Checkpoint数据，只有job执行失败的时候才会保存checkpoint env.getCheckpointConfig().enableExternalizedCheckpoints(CheckpointConfig.ExternalizedCheckpointCleanup.RETAIN_ON_CANCELLATION);
3、State Backend的应用示例
三种保存方式介绍：
代码示例：
//设置statebackend //env.setStateBackend(new RocksDBStateBackend("hdfs://hadoop100:9000/flink/checkpoints",true));
