在Flink中的每個函數和運算符都是有狀態的。在處理過程中可以用狀態來存儲數據，這樣可以利用狀態來構建複雜操作。為了讓狀態容錯，Flink需要設置checkpoint狀態。Flink程式是通過checkpoint來保證容錯，通過checkpoint機制，Flink可恢復作業的狀態和計算位置。chec ...

在Flink中的每個函數和運算符都是有狀態的。在處理過程中可以用狀態來存儲數據，這樣可以利用狀態來構建複雜操作。為了讓狀態容錯，Flink需要設置checkpoint狀態。Flink程式是通過checkpoint來保證容錯，通過checkpoint機制，Flink可恢復作業的狀態和計算位置。

checkpoint檢查點

前提條件

Flink的checkpoin機制需要與流和狀態的持久化存儲交互，一般它要求：

一個持久化的數據源

當Flink程式出現問題時，可以通過checkpoint持久化存儲中恢復，然後從出錯的地方開始重新消費數據
該數據源可以在一定時間內重跑數據，例如：Kafka、RabbitMQ或者文件系統HDFS、S3、…

狀態的持久存儲

狀態需要永久的保存下來，通常是分散式文件系統（例如：HDFS、S3、GFS、…）

啟用和配置檢查點

預設情況，Flink是禁用檢查點。要啟用檢查點，調用

// 啟用檢查點

// 單位：毫秒
env.enableCheckpointing(1000);

在啟用檢查點時，還可以配置檢查點的其他參數。

exactly-one or at-least-once（僅一次或者至少一次）

大多數程式都是設置為exactly-once，只有在某些超低延遲的應用（例如：始終要求是毫秒級的應用）
通過查看源碼，我們看到，Flink預設是 exactly-once

public static final CheckpointingMode DEFAULT_MODE = CheckpointingMode.EXACTLY_ONCE;

checkpoint timeout（檢查點超時時間）

檢查點超過規定的時間就會自動終止

minimum time between checkpoints

檢查點之間的最小時間
下一個檢查點將在上一個檢查點完成後5秒鐘啟動
檢查點最小間隔時間不會受檢查點間隔更容易配置

number of concureent checkpoint

檢查點的併發數目。預設情況一個檢查點在運行時不會觸發另一個檢查點，這樣可以確保Flink不會花太多時間在checkpoint上，並確保流可以有效進行。
可以設置多個重疊的checkpoint，這對容許有一定延遲，並希望較頻繁的檢查（100ms）來重新處理故障是有用的

externalized checkpoint

外部檢查點
可以將檢查點設置為外部持久化，這樣檢查點的元數據將寫入持久存儲，並且但作業運行失敗是不會自動清理
這樣可以做雙重保險

fail/continue task on checkpoint errors

檢查點執行發生錯誤，是否執行任務。
預設情況，如果checkpoint失敗，任務也將失敗

perfer checkpoint for recovery

即時最近有更多的savepoint可用於恢復，flink依然會選擇使用最近一次的checkpoint來進行錯誤恢復

參考配置：

        // --------
        // 配置checkpoint
        // 啟用檢查點
        env.enableCheckpointing(1000);
        env.getCheckpointConfig().setCheckpointingMode(CheckpointingMode.EXACTLY_ONCE);
        env.getCheckpointConfig().setMinPauseBetweenCheckpoints(500);
        env.getCheckpointConfig().setCheckpointTimeout(60000);
        env.getCheckpointConfig().setMaxConcurrentCheckpoints(1);
        env.getCheckpointConfig().enableExternalizedCheckpoints(CheckpointConfig.ExternalizedCheckpointCleanup.RETAIN_ON_CANCELLATION);
        env.getCheckpointConfig().setPreferCheckpointForRecovery(true);

選擇狀態後端存儲

Flink的checkpoint機制可以存儲計時器和有狀態operation的所有快照，包括：連接器、視窗或者用戶自定義狀態。具體checkpoint存儲在哪兒（例如：是JobManager記憶體、文件系統或者資料庫），依賴於狀態後端的配置。

預設情況，狀態保存在TaskManager的記憶體中，檢查點存儲在TM的記憶體中。為了適當地保存大狀態，Flink支持其他的存儲。我們可以通過：

StreamExecutionEnvironment.setStateBackend(…)

來指定存儲方式

Flink狀態管理

狀態的應用場景：

當應用程式想要按照某種模式搜索某些事件時，狀態可以保存迄今所有的事件序列
當每分鐘/小時/天需要對流數據進行聚合，狀態可以保存掛起的聚合
當在數據流上訓練機器學習模型時，狀態可以用來保存某一類參數的版本
當需要管理歷史數據時，狀態允許訪問過去歷史數據

Flink狀態可以保存在堆內、或者是堆外。Flink也可以管理應用程式的狀態，必要時也可以溢出到磁碟，如果應用要保持非常大的狀態，可以不修改程式邏輯情況下配置狀態後端存儲。

Flink狀態分類

Flink中有兩種基本的狀態：

Keyed State
Operator State

Keyed State

Keyed State通常和key相關，僅僅在KeyedStream的方法和運算元中使用。可以把 Keyed State看作是分區，而且每一個key僅出現在一個分區內。邏輯上每個 keyed-state和唯一元組<運算元併發實例, key>綁定，由於每個key僅屬於運算元的一個併發，因此可以簡化為<運算元, key>

Operator State

對於 Operator State來說，每個Operator State和一個併發實例綁定。Kafka connector是Flink中使用operator state的一個很好的示例。每個Kafka消費者的併發在Operator State中維護一個 topic partition到offset的映射關係。

Operator state在Flink作業的併發改變後，會重新分髮狀態，分發的策略和keyed stated不一樣。

Raw State與Managed State

Keyed Stated和Operator State分別有兩種形式：managed 和 raw

Managed State是由Flink運行時管理的數據結構來表示的，例如：內部的Hash Table或者RocksDB。例如：ValueState、ListState等。Flink運行時會對這些狀態進行編碼並寫入Checkpoint。

Raw State則保存在自己的數據結構中。checkpoint的時候，Flink並不知道狀態裡面具體的內容，僅僅寫入一串位元組序列到checkpoint中。

所有的DataStream的function都可以使用managed state，但raw state只能在實現運算元時使用。由於Flink可以在修改併發時更好的分髮狀態數據，並且能夠更好的管理記憶體，因為講義使用 managed state.

使用Managed Keyed State

Managed keyed state介面提供不同類型的狀態訪問介面，這些狀態都作用在當前輸入數據的key下。這些狀態僅可在KeyedStream上使用，可以通過 stream.keyBy(…)得到KeyedStream。

所有支持的狀態類型如下：

ValueState<T>

保存一個可以更新和獲取的值，運算元接收到的每個key都可能對應一個值
可以通過update(T)進行更新，通過value()獲取

ListState<T>

保存一個元素的列表，可以往這個列表中追加數據，併在當前列表上檢索
可以通過 add(T)或者addAll(List<T>)進行追加元素
通過get()獲取整個列表
通過 update(List<T>)覆蓋當前列表

ReducingState<T>

保存一個單值，表示添加到狀態的所有值的聚合。介面與ListState類似

AggregatingState<IN, OUT>

保存一個單值，表示添加到狀態的所有值的聚合
與ReducingState相反的是，聚合類型可能與添加到狀態的元素類型不同。介面與ListState類似

FoldingState<T, ACC>（後續將過期）

保存一個單值，白搜狐添加到狀態的所有值的集合
與ReducingState相反的是，聚合類型可能與添加到狀態的元素類型不同。介面與ListState類似

MapState<UK, UV>

維護一個映射列表，可以添加鍵值到狀態中，可以獲取當前映射的迭代器
使用put、putAll添加映射，使用 get檢索特定key

註意：
這些狀態對象僅用於狀態交互。狀態本身不一定存儲在記憶體中，還有可能保存在磁碟或者其他位置
從狀態中獲取的值取決於輸入元素說代表的key，因此，在不同key上調用同一個介面，可能得到不同的值

使用Managed Operator State

可以通過實現 CheckpointedFunction 或者 ListCheckpointed<T extends Serialized>介面來使用Managed Operator State。

CheckpointedFunction介面：

void snapshotState(FunctionSnapshotContext context) throws Exception;

void initializeState(FunctionInitializationContext context) throws Exception;

在Flink進行checkpoint時，會調用snapshotstate()，用戶自定義函數初始化時會調用 initializeState。初始化包括第一次自定義函數初始化和從之前的 checkpoint 回覆。因此，initializeState 中應該也包括狀態恢復的邏輯。

Managed Operator State以list的形式存在，這些狀態是一個可序列化對象的集合List，彼此獨立，方便在改變併發後進行狀態的重新分派。換句話說，這些對象是重新分配 non-keyed state的最細粒度。根據狀態的不同訪問方式，有以下兩種分配模式：

Even-split redistribution

每個運算元都存儲一個列表形式的狀態集合，整個狀態由所有的列表拼接而成
但作業恢復或者重新分配時，整個狀態按照運算元的並行度均勻分配

Union redistribution

每個運算元保存一個列表形式的狀態集合，整個狀態由所有的列表拼接而成
但作業恢復或者重新分配時，每個運算元都將獲得所有的狀態數據

ListCheckpointed介面：

ListCheckpointed介面是CheckpointedFunction介面的精簡版，僅支持 even-split redistribution的list state

List<T> snapshotState(long checkpointId, long timestamp) throws Exception;

void restoreState(List<T> state) throws Exception;

snapshotState()需要返回一個將寫入到checkpoint的對象列表， restoreState則需要處理恢復回來的對象列表。

參考文獻：

Flink官方文檔：

https://ci.apache.org/projects/flink/flink-docs-release-1.9/zh/dev/stream/state/checkpointing.html

https://ci.apache.org/projects/flink/flink-docs-release-1.9/zh/ops/state/checkpoints.html

https://ci.apache.org/projects/flink/flink-docs-release-1.9/zh/dev/stream/state/state.html

「Flink」Flink的狀態管理與容錯