key状态总是与key有关，只能被用于keyedStream类型的函数与算子。你可以认为key状态是一种被分区的算子状态，每一个key有一个状态分区。每一个key状态逻辑上由<parellel-operator-instance, key>唯一确定，由于每一个key只分布在key算子的多个并发实例中的一个实例上，我们可以将<parellel-operator-instance, key>简化为<operator, key>.
算子状态也称为非key状态。每一个算子状态绑定一个并发算子实例。kafka connector是flink算子状态比较好的应用范例。每一个 kafka consumer并发实例都维护一个topic分区和分区对应的offset的map，并将此map作为算子状态。
当并发数改变的时候，算子状态支持在并发实例间重新分配状态。有多种不同的重分配策略。
key状态和算子状态以两种形式存在：被管理的和原始的。
被管理的状态由flink runtime管理，以一种数据结构表示，比如内部hash表或者RocksDB，例如： ValueState,ListState等等。flink运行时对状态进行编码，然后写入checkpoints.
原始状态是算子保存到它们自己定义的数据结构中的一种状态。当checkpoint发生的时候，flink仅仅将二进制写入到checkpoint中，它不知道状态的数据结构，仅仅能看见原始的二进制字节数据。
所有的stream数据流function可以使用被管理的状态，但是当实现算子接口的时候，仅仅能使用原始状态接口。推荐使用被管理的状态而不是原始状态，因为使用被管理状态，当并发度变化的时候，flink能够自动重新分配状态，而且也能够更好地管理内存。
注意: 如果你需要自定义被管理状态的序列化逻辑，为了确保特性兼容，请看相应的说明。Flink默认的序列化不需要特别的处理。
被管理的Key状态接口能够处理不同类型的状态，包括现有所有输入元素的key。这意味着这类状态仅仅能被用于KeyedStream上。KeyedStream能够通过stream.keyBy(...)创建。
现在，我们首先看一下当前所有的不同类型状态接口，然后我们看一下如何在程序中使用。状态接口类型如下：
Iterable对象。使用add(T)或addAll(List<T>)方法添加元素。使用Iterable<T> get()方法获取iterable对象。也可以通过update(List<T>)方法覆盖现有的列表。ListState相似，但是通过add(T)方法添加的元素会通过指定的ReduceFunction聚合起来。ReducingState相比，聚合后的数据类型也许与添加进状态的元素类型不同。这个接口与ListState相同，但是通过add(IN)添加的元素使用指定的AggregateFunction对象聚合。ReducingState相比，聚合结果的类型可能与添加到状态中的元素类型不一样。这个接口与ListState相似，但是通过add(T)添加的元素通过指定的FoldFunction聚合Iterable对象。使用put(UK, UK)或putAll(Map\<UK,UV\>)方法添加键值对。与key对应的value可以通过get(UK)获取。map中kv关系，key，value数据分别可以通过entries(),keys()和values()方法获取。所有类型的state状态接口都有一个clear()方法，能够清除当有输入元素key的状态。
注意: FoldingState和FoldingStateDescriptor已经在flink1.4中废弃了,将来会完全移除。请用AggregatingState和AggregatingStateDescriptor代替。
我们要记住两件重要的事，第一件事是上面这些state接口类型仅仅用于与状态交互。状态不一定必须要保存到flink内部，也可以保存到硬盘或其它地方。第二件事是你获取到的状态的值依赖输入元素的key值，所以在同一个user function中如果两次输入流中的key值不一样的话，value也不一样。
为了获得一个状态处理类，你必须要创建一个StateDescriptor对象。它里面保存着状态的名字(后面我们会看到，你可以创建多个状态，他们必须有不同的名字，以便你可以根据名字获取状态)，状态存储值的类型和一个用户自定义的function,例如一个ReduceFunction。根据你想要存储状态的类型不同，你可以创建ValueStateDescriptor,ListStateDescrptor,ReducingStateDescriptor,FoldingStateDescriptor或MapStateDescriptor对象。
状态可以通过RuntimeContext获取，它只能通过富函数(rich function)获取。请看这里详细了解。但是我们也看一个简短的例子。RichFunction中的RuntimeContext对象有如下方法可以获取状态。
下面举一个FlatMapFunction的例子说明所有部分如何配合的。
public class CountWindowAverage extends RichFlatMapFunction<Tuple2<Long,Long>, Tuple2<Long,Long>> {
private transient ValueState<Tuple2<Long,Long>> sum;
@Override
public void flatMap(Tuple2<Long,Long> input, Collector<Tuple2<Long,Long>> out) throws Exception {
// 获取状态值
Tuple2<Long,Long> currentSum = sum.value();
// 更新数量
currentSum.f0 += 1;
// 将输入数据累加到第2个字段上
currentSum.f1 += input.f1;
// 更新状态
sum.update(currentSum);
// 如果数量达到2个，计算平均值，发送到下游，并清空状态
if (currentSum.f0 >= 2) {
out.collect(new Tuple2<>(input.f0, currentSum.f1 / currentSum.f0));
sum.clear();
}
}
@Override
public void open(Configuration config) {
ValueStateDescriptor<Tuple2<Long,Long>> descriptor =
new ValueStateDescriptor<>(
"average", // 状态名称
TypeInformation.of(new TypeHint<Tuple2<Long,Long>> () {}), //类型信息
Tuple2.of(0L,0L)); // 状态默认值
sum = getRuntimeContext().getState(descriptor);
}
}
// 可以在流处理程序中像这样使用(假设我们有一个StreamExecutionEnvironment env)
env.fromElements(Tuple2.of(1L, 3L), Tuple2.of(1L, 5L), Tuple2.of(1L, 7L), Tuple2.of(1L, 4L), Tuple2.of(1L, 2L))
.keyBy(0)
.flatMap(new CountWindowAverage())
.print();
// 将打印输出(1,4)和(1,5)
这个例子实现了一个贫血的计数窗口。我们以tuple的第一个字段做为key来分类(这个例子中所有key都为1)。CountWindowAverage类成员变量ValueState中存储着实时计算的数量和累加和。一量数量达到2个，它将计算平均值，发送到下游并清空状态，从0开始。需要注意的是，对于不同输入的key(输入元素Tuple的第一个元素值不同)，ValueState将保存不同的值。
TTL可以被分配给任何类型的key状态。如果key状态设置了TTL，并且状态过期了，状态中存储的值将被清空。后面将详细说明。
所有状态集合的TTL是设置在每个元素上的。这意味着列表和map中每个元素元素过都是过期处理逻辑都是独立的，互不影响
为了使用TTL，首先要创建一个StateTtlConfig对象。通过给TTL函数传递这个状态配置对象激活TTL。
import org.apache.flink.api.common.state.StateTtlConfig;
import org.apache.flink.api.common.state.ValueStateDescriptor;
import org.apache.flink.api.common.time.Time;
StateTtlConfig ttlConfig = StateTtlConfig
.newBuilder(Time.seconds(1))
.setUpdateType(StateTtlConfig.UpdateType.OnCreateAndWrite)
.setStateVisibility(StateTtlConfig.StateVisibility.NeverReturnExpired)
.build();
ValueStateDescriptor<String> stateDescriptor = new ValueStateDescriptor<>("text state", String.class);
stateDescriptor.enableTimeToLive(ttlConfig);
配置状态需要考虑以下几个方面：
newBuilder方法的第一个参数是必须的，它是TTL过期时间。
状态的TTL时间戳需要被刷新，还需要配置更新类型，表示在什么情况下刷新,默认是OnCreateAndWrite:
StateTtlConfig.UpdateType.OnCreateAndWrite - 仅仅当创建和写入时刷新TTL
StateTtlConfig.UpdateType.OnReadAndWrite - 读和写时刷新TTL
状态可见性配置当读取的时候如果过期的值没有被清除的话，是否返回，默认是NeverReturnExpired：
StateTtlConfig.StateVisibility.NeverReturnExpired - 从不返回过期的值
StateTtlConfig.StateVisibility.ReturnExpiredIfNotCleanedUp - 如果过期的值仍然可以获得则返回
如果设置成NeverReturnExpired，过期的状态数据即使没有被清除也获取不到，就好像不存在一样。这个选项在数据过期后必须不可用的情况下是有用的，例如对隐私数据敏感的应用。
另一个选项是ReturnExpiredIfNotCleanedUp,如果过期的状态值没有被清除的话,允许返回。
注意:
StateMigrationException。NullableSerializer包装类，但这将多消耗一个字节的存储空间。默认情况下，过期的状态数据仅当显示的读取的时候才会被清除，例如调用ValueState.value()的时间。
注意: 这意味着如果过期状态数据没有被读取，它将不会被清除，可能导致状态数据的不断增长。在后来的flink版本中可能会改变。
另外，你可以在执行状态完全快照时清除过期的状态值，这将减小快照的大小。在当前flink实现中，本地状态不会被清除，但是当从上一个快照中恢复的时候，不会包括过期的状态。可以在StateTtlConfig中配置:
import org.apache.flink.api.common.state.StateTtlConfig;
import org.apache.flink.api.common.time.Time;
StateTtlConfig ttlConfig = StateTtlConfig
.newBuilder(Time.seconds(1))
.cleanupFullSnapshot()
.build();
这个选项不适合于以RocksDB存储状态数据的递增checkpoint.
注意:
StateTtlConfig中激活或关闭激活，例如:从savepoint重启后除了在完全快照中清除，你还可以在后端清除。如果状态后端存储支持，下面选项可以激活默认的后端清除策略。
import org.apache.flink.api.common.state.StateTtlConfig;
StateTtlConfig ttlConfig = StateTtlConfig
.newBuilder(Time.seconds(1))
.cleanupInBackground()
.build();
对于更详细的控制某些特别的后端清除策略，你可以按照下面描述的单独配置。当前，堆状态存储依赖递增的清除，RocksDB则使用压缩过滤器。
另一个选项是触发状态的递增清除策略。触发可以是每个状态的获取或每条记录处理时的回调。如果某些状态激活了清除策略，后端的存储将持有一个全局的针对所有元素的惰性迭代器。每次递增清除策略被触发时，迭代器就向前进，会检查经过的元素，过期的状态数据将被清除。
这个特性可以在StateTtlConfig激活
import org.apache.flink.api.common.state.StateTtlConfig;
StateTtlConfig ttlConfig = StateTtlConfig
.newBuilder(Time.seconds(1))
.cleanupIncrementally()
.build();
这个策略有两个参数。第一个参数是每次清除触发时检查的元素个数。如果启用，当获取每一个状态数据时都会触发。第二个参数配置每条记录处理时，是否也触发清除。如果你启用默认的后端清除策略，对于堆存储来说，这个策略将在每次状态数据获取时被触发并检查5个元素，并且每条记录被处理时不会触发清除。
注意:
StateTtlConfig中激活或关闭激活，例如当从savepoint重启的时候。如果使用RocksDB存储状态,另一个清除策略是激活flink压缩过滤器。RocksDB周期性的执行异步压缩来合并状态更新和减小存储。flink压缩过滤器检查带TTL元素的时间戳，排除掉过期的状态数据。
这个特性默认没有启用。可以通过flink配置文件配置，将state.backend.rocksdb.ttl.compaction.filter.enabled设置为true,或者当为某个Job创建自定义RocksDB状态存储时调用RocksDBStateBackend::enableTtlCompactionFilter设置。这样设置了TTL的状态将会使用过滤器。
import org.apache.flink.api.common.state.StateTtlConfig
StateTtlConfig ttlConfig = StateTtlConfig
.newBuilder(Time.seconds(1))
.cleanupInRocksdbCompactFilter(1000)
.build();
当处理一定数量的状态数据后，RocksDB压缩过滤器将查询当前时间戳，检查有没有过期。你可以改变它，传递一个自定义值给StateTtlConfig.newBuilder(...).cleanupInRocksdbCompactFilter(long queryTimeAfterNumEntries)方法. 更新时间戳越频繁，清除的速度越快，但却降低了压缩性能。因为需要调用JNI本地方法. 如果你启用默认的清除策略(这个策略适用于RocksDB状态存储)，在每处理1000个元素后都查询一次当前的时间戳。
如果想为RocksDB过滤器开启本地方法的debug级别日志，可以为FlinkCompactionFilter设置日志级别为Debug.
log4j.logger.org.rocksdb.FlinkCompactionFilter=DEBUG
注意:
StateTtlConfig中激活或关闭激活，例如当从savepoint重启时。除了上面讲到的接口, Scala API对于KeyStream中使用ValueState存储单个状态值的map()或flatmap()函数有更简短的写法。user function从Option对象中得到ValueState当前状态值，并返回一个待更新的值。
val stream: DataStream[(String, Int)] = ...
val counts: DataStream[(String, Int)] = stream
.keyBy(_._1)
.mapWithState((in: (String, Int), count: Option[Int]) =>
count match {
case Some(c) => ( (in._1, c), Some(c + in._2) )
case None => ( (in._1, 0), Some(in._2) )
})
为了使用被管理的算子状态，必须实现通用的CheckpointedFunction接口，或者实现ListCheckpointed
CheckpointedFunction接口可以让我们保存不同数据结构的非key对象的状态。我们如果要使用，必须实现以下两个方法:
void snapshotState(FunctionSnapshotContext conetxt) throws Exception;
void initializeState(FunctionInitializationContext context) throws Exception;
每当checkpoint执行的时候都会调用snapshotState()方法，而另一个方法，initializeState()，则是用户自定义的功能初始化的时候调用，包括首次初始化或者从之前的checkpoint恢复的时候。鉴于此，initializeState()不仅包含不同的需要保存状态的数据初始化的逻辑，还需要包含恢复状态的逻辑。
当前，支持列表类型的被管理的算子状态，状态应该是由互相独立的可序列化的对象组成的列表，当伸缩的时候需要重新分配。换言之，这些对象是非key状态分配的最小粒度。根据状态获取方式的不同，定义了以下分配策略：
下面是一个带状态的SinkFunction示例，使用平均分配策略，功能是在将一些元素发送给外部系统之前，使用CheckpointedFunction缓存这些元素.
public class BufferingSink
implements SinkFunction <Tuple2<String,Integer>>, CheckpointedFunction {
private final int threshold;
private transient ListState<Tuple2<String, Integer>> checkpoinedState;
private List<Tuple2<String, Integer>> bufferedElements;
public BufferingSink(int threshold) {
this.threshold = threshold;
this.bufferedElements = new ArrayList<>();
}
@Override
public void invoke(Tuple2<String, Integer> value, Context context) throws Exception {
bufferedElement.add(value);
if (bufferedElements.size() == threshold) {
for (Tuple2<String, Integer> element : bufferedElements) {
// send it to the sink
}
bufferedElement.clear();
}
}
@Override
public void snapshotState(FunctionSnapshotContext context) throws Exception {
checkpointedState.clear();
for (Tuple<String, Integer> element : bufferedElements) {
checkpointedState.add(element);
}
}
@Override
public void initializeState(FunctionInitializationContext context) throws Exception {
ListStateDescriptor<Tuple2<String, Integer>> descriptor =
new ListStateDescriptor<>(
"buffered-elements",
TypeInformation.of(new TypeHint<Tuple2<String, Integer>>(){}));
checkpointedState = context.getOperatorStateStore().getListState(descriptor);
if(context.isRestored()) {
for (Tuple2<String, Integer> element : checkpointedStage.get()) {
bufferedElements.add(element);
}
}
}
}
initializeState方法接收一个FunctionInitializationContext参数。这个参数用于初始化非key的状态"容器"。有一个ListState类型的状态容器，当checkpointing发生的时候，非key的状态会存储在ListState对象中。
注意一下状态容器是如何初始化的，和key状态相似，都需要一个StateDescriptor来定义状态名和保存状态的数据类型信息。
ListStateDescriptor<Tuple2<String, Integer>> descriptor =
new ListStateDescriptor<>(
"buffered-elements",
TypeInformation.of(new TypeHint<Tuple2<Long, Long>>() {}));
checkpointedState = context.getOperatorStateStore().getListState(descriptor);
获取状态方法名称的不同代表了不同的分配策略。例如，如果想在恢复的时候使用合并分配策略，获取状态时，使用getUnionListState(descriptor)方法。如果方法名不包含分配策略名称，例如:getListState(descriptor),就默认表示将会使用平均分配策略。
在初始化状态容器之后，我们使用isRestored()方法来判断当前是否是失败后的恢复，如果是，将执行恢复逻辑。
我们再来看看类BufferingSink的代码， ListState是成员变量，在initializeState方法初始化，以便在snapshotState方法中使用。在snapshotState方法中， ListState首先清除上一次checkpont的所有对象，然后保存这一次需要checkpoint的对象。
顺便提一下，key状态也能使用initializeState方法初始化，可以使用FunctionInitializationContext对象实现。
ListCheckpointed是CheckpointedFunction的一个变体，有更多的限制条件，仅支持list类型的状态存储，并且只能是平均分配。包含以下两个方法：
List<T> snapshotState(long checkpointId, long timestamp) throws Exception;
void restoreState(List<T> state) throws Exception;
在 snapshotState方法中，算子应该返回需要保存的list对象，当恢复的时候，在 restoreState方法中编写恢复list数据的逻辑。 如果状态不需要重新分区，可以在snapshotState方法中返回Collections.singletonList(MY_STATE)对象。
相对于其它算子，Stateful source算子有一点特别。为了使更新状态和输出状态原子化(失败/恢复的恰好一次主义要求),必须在source算子的上下文中使用锁。
public static class CounterSource
extends RichParallelSourceFunction<Long>
implements ListCheckpointed<Long> {
/** 恰好一次语义使用的偏移量 */
private Long offset = 0L;
/**job是否取消的标识*/
private volatile boolean isRunning = true;
@Override
public void run(SourceContext<Long> ctx) {
final Object lock = ctx.getCheckpointLock();
while (isRunning) {
// 输出和更新状态是原子化的
synchronized (lock) {
ctx.collect(offset);
offset += 1;
}
}
}
@Override
public void cancel() {
isRunning = false;
}
@Override
public List<Long> snapshotState(long checkpointId, long checkpointTimestamp) {
return Collections.singletonList(offset);
}
@Override
public void restoreState(List<Long> state) {
for (Long s : state)
offset = s;
}
}
当flink checkpoint完全确认的时候,一些算子也许需要与外部系统交换一些信息，这种情况看下org.apache.flink.runtime.state.CheckpointListener接口。