共计 10522 个字符，预计需要花费 27 分钟才能阅读完成。
文：王东阳
前言
在 Flink 中依据数据集是否依据 Key 进行分区，将状态分为 Keyed State 和 Operator State（Non-keyed State）两种类型，在之前的文章《Flink 中基于 KeyedState 的计算开发方法》曾经具体介绍了 Keyed State 的概念和用法，本文将持续介绍 Operator State。
Operator State 与 Keyed State 不同的是，Operator State 只和并行的算子实例绑定，和数据元素中的 key 无关，每个算子实例中持有所有数据元素中的一部分状态数据。Operator State 反对当算子实例并行度发生变化时主动重新分配状态数据，OperatorState 目前只反对应用 ListState。
Operator State 与并行的操作算子实例相关联，例如在 Kafka Connector 中，每个 Kafka 生产端算子实例都对应到 Kafka 的一个分区中，保护 Topic 分区和 Offsets 偏移量作为算子的 Operator State 在 Flink 中能够通过 Checkpointed-Function 或者 ListCheckpointed<T extends Serializable> 两个接口来定义操作 Operator State 的函数。
Operator State 开发实战
本章节将通过理论的我的项目代码演示 Operator State 在两种不同计算场景下的开发方法。
在样例中将演示 Operator State 如何交融进入 Flink 的 DataStream API，让用户在开发 Flink 利用的时候，能够将长期数据保留在 State 中，从 State 中读取数据，在运行的时候，在运行层面上与算子、Function 体系交融，主动对 State 进行备份 Checkpoint，一旦出现异常可能从保留的 State 中复原状态，实现 Exactly-Once。
通过 CheckpointedFunction 接口操作 Operator State
CheckpointedFunction 接口定义如代码所示，须要实现两个办法，当 checkpoint 触发时就会调用 snapshotState()办法，当初始化自定义函数的时候会调用 initializeState()办法，其中包含第一次初始化函数和从之前的 checkpoints 中复原状态数据，同时 initializeState()办法中须要蕴含两套逻辑，
一个是不同类型状态数据初始化的逻辑，
一个是从之前的状态中复原数据的逻辑
@Public
public interface CheckpointedFunction {
// 每当 checkpoint 触发的时候 调用这个办法
void snapshotState(FunctionSnapshotContext var1) throws Exception;
// 每次 自定义函数初始化的时候 调用此办法初始化
void initializeState(FunctionInitializationContext var1) throws Exception;
}在每个算子中 Managed Operator State 都是以 List 模式存储，算子和算子之间的状态数据互相独立，List 存储比拟适宜于状态数据的从新散布，Flink 目前反对对 Managed Operator State 两种重散布的策略，别离是 Even-split Redistribution 和 Union Redistribution。
Even-split Redistribution：每个算子实例中含有局部状态元素的 List 列表，整个状态数据是所有 List 列表的合集。当触发 restore/redistribution 动作时，通过将状态数据平均分配成与算子并行度 雷同数量的 List 列表，每个 task 实例中有一个 List，其能够为空或者含有多个元素
Union Redistribution：每个算子实例中含有所有状态元素的 List 列表，当触发 restore/redistribution 动作时，每个算子都可能获取到残缺的状态元素列表
实现 FlatMapFunction 和 CheckpointedFunction
在理论我的项目中能够通过实现 FlatMapFunction 和 CheckpointedFunction 实现对输出数据中每个 key 的数据元素数量和算子中的元素数量的统计。如代码所示，通过在 initializeState()办法中别离创立 keyedState 和 operatorState 两种 State，存储基于 Key 相干的状态值以及基于算子的状态值。
import com.google.common.collect.Lists;
import java.io.IOException;
import java.util.List;
import org.apache.flink.api.common.functions.FlatMapFunction;
import org.apache.flink.api.common.state.ListState;
import org.apache.flink.api.common.state.ListStateDescriptor;
import org.apache.flink.api.common.state.ValueState;
import org.apache.flink.api.common.state.ValueStateDescriptor;
import org.apache.flink.api.java.tuple.Tuple2;
import org.apache.flink.api.java.tuple.Tuple3;
import org.apache.flink.runtime.state.FunctionInitializationContext;
import org.apache.flink.runtime.state.FunctionSnapshotContext;
import org.apache.flink.streaming.api.checkpoint.CheckpointedFunction;
import org.apache.flink.util.Collector;
import org.apache.log4j.Logger;
public class CheckpointCount
implements FlatMapFunction<Tuple2<Integer, Long>, Tuple3<Integer, Long, Long>>, CheckpointedFunction {private static final Logger logger = Logger.getLogger(CheckpointCount.class);
private Long operatorCount;
private ValueState<Long> keyedState;
private ListState<Long> operatorState;
public void CheckpointCount() {}
@Override
public void flatMap(Tuple2<Integer, Long> integerLongTuple2, Collector<Tuple3<Integer, Long, Long>> collector) throws Exception {if (integerLongTuple2.f0 == 4) {throw new IOException("input");
}
if (keyedState.value() == null) {keyedState.update(1L);
} else {keyedState.update(keyedState.value() + 1L);
}
operatorCount = operatorCount + 1;
// 输入后果，包含 id,id 对应的数量统计 keyedCount，算子输出数据的数量统计 operatorCount
collector.collect(Tuple3.of(integerLongTuple2.f0, keyedState.value(), operatorCount));
}
@Override
public void snapshotState(FunctionSnapshotContext functionSnapshotContext) throws Exception {System.out.println("snapshot");
operatorState.clear();
operatorState.add(operatorCount);
}
@Override
public void initializeState(FunctionInitializationContext ctx) throws Exception {System.out.println("initialize");
logger.debug("init");
keyedState = ctx.getKeyedStateStore().getState(new ValueStateDescriptor<Long>("keyedState", Long.class));
operatorState = ctx.getOperatorStateStore().getListState(new ListStateDescriptor<Long>(
"operatorState",
Long.class));
operatorCount = 0L;
if (ctx.isRestored()) {List<Long> op = Lists.newArrayList(operatorState.get());
if (op.size() > 0 ) {operatorCount = op.get(op.size()-1);
}
System.out.println("restored");
}
}
}能够从上述代码中看到的是，在 snapshotState() 办法中清理掉上一次 checkpoint 中存储的 operatorState 的数据，而后再增加并更新本次算子中须要 checkpoint 的 operatorCount 状态变量。当零碎重启时会调用 initializeState 办法，从新复原 keyedState 和 operatorState，其中 operatorCount 数据能够从最新的 operatorState 中复原。
验证代码
构建验证代码如下：
private static void checkpointOperatorStateWithMapFunction() throws Exception {StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
env.setParallelism(1);
env.enableCheckpointing(3000); // if commit this line off, only got initializeState
// env.getCheckpointConfig().set
DataStreamSource<String> localhost = env.socketTextStream("localhost", 1111);
SingleOutputStreamOperator<Tuple2<Integer, Long>> inputStream= localhost.map(new MapFunction<String,
Tuple2<Integer, Long>>() {
@Override
public Tuple2<Integer, Long> map(String s) throws Exception {String[] split = s.split(",");
return new Tuple2<>(Integer.valueOf(split[0]), Long.valueOf(split[1]));
}
});
inputStream.keyBy(0).flatMap(new CheckpointCount()).print();
env.execute("checkpoint state for map");
}通过 nc，咱们输出以下数据
DESKTOP-SPIDEIC:~$ nc -lk 1111
2,1
2,2
2,3
3,1
3,2
3,3失去打印输出
initialize
snapshot
snapshot
snapshot
(2,1,1)
(2,2,2)
(2,3,3)
snapshot
(3,1,4)
(3,2,5)
snapshot
(3,3,6)
snapshot能够看到
因为 keyedState 是跟 key 相干的，所以当 integerLongTuple2.f0 从 2 变为 3 的时候，keyedState 是从新初始化，从 1 开始递增
因为 operatorState 只跟算子相干的，所以始终在递增
因为代码中应用 env.enableCheckpointing(3000) 开启了 checkpoint，能够看到 snapshotState 中的日志打印进去
咱们等 (3,3,6) 前面的 snapshot 打印进去后，接下来通过 nc 持续输出
4,3
因为咱们在代码设置当 if (integerLongTuple2.f0 == 4) 的时候抛出异样，所以此刻 flink 程序就会退出，而后重启，进入到 initializeState
看到对应的打印如下
initialize
restored
snapshot
snapshot
能够看到初始化 (initialize) 以及复原 (restored) 的逻辑都执行到了，咱们通过 nc 持续输出 3,5，能够看到程序打印出 (3,4,7)，阐明 keyedState 以及 operatorCount 都失常复原了之前的值。
对于状态数据重散布策略的应用，能够在创立 operatorState 的过程中通过相应的办法指定：如果应用 Even-split Redistribution 策 略，则通过 context. getListState(descriptor)获取 OperatorState；如果应用 Union Redistribution 策略，则通过 context.getUnionList State(descriptor) 来获取。实例代码中默认应用的 Even-split Redistribution 策略。
通过 CheckpointedFunction 构建带缓冲区的 Sink
上面咱们再看另外一个例子，构建一个带缓冲的 Sink。如代码所示，通过 checkpointState 保留以后曾经承受的所有元素列表。
实现 SinkFunction 和 CheckpointedFunction
在 snapshotState()办法中清理掉上一次 checkpoint 中存储的 operatorState 的数据，而后再增加本次算子中须要 checkpoint 的 bufferedElements 中的每一个元素。
当零碎重启时会调用 initializeState 办法，从新复原 operatorState，其中 bufferedElements 中的数据能够从 checkpointState 中复原
invoke 会在算子收到每一个元素时调用
finish 会在算子收到上游所有元素后调用
import java.io.IOException;
import java.util.ArrayList;
import java.util.List;
import org.apache.flink.api.common.state.ListState;
import org.apache.flink.api.common.state.ListStateDescriptor;
import org.apache.flink.api.common.typeinfo.TypeHint;
import org.apache.flink.api.common.typeinfo.TypeInformation;
import org.apache.flink.api.java.tuple.Tuple2;
import org.apache.flink.runtime.state.FunctionInitializationContext;
import org.apache.flink.runtime.state.FunctionSnapshotContext;
import org.apache.flink.streaming.api.checkpoint.CheckpointedFunction;
import org.apache.flink.streaming.api.functions.sink.SinkFunction;
public class BufferingSink
implements SinkFunction<Tuple2<Integer, Long>>,
CheckpointedFunction {
private final int threshold;
private transient ListState<Tuple2<Integer, Long>> checkpointState;
private List<Tuple2<Integer, Long>> bufferedElements;
public BufferingSink(int threshold){this.bufferedElements = new ArrayList<>();
this.threshold = threshold;
}
@Override
public void snapshotState(FunctionSnapshotContext functionSnapshotContext) throws Exception {System.out.println("snapshot");
checkpointState.clear();
// for (Tuple2<Integer, Long> element: bufferedElements) {// checkpointState.add(element);
// }
checkpointState.addAll(bufferedElements);
}
@Override
public void initializeState(FunctionInitializationContext functionInitializationContext) throws Exception {System.out.println("initialize");
ListStateDescriptor<Tuple2<Integer, Long>> descriptor =
new ListStateDescriptor<Tuple2<Integer, Long>>(
"buffered-elements",
TypeInformation.of(new TypeHint<Tuple2<Integer, Long>>() {})
);
checkpointState = functionInitializationContext.getOperatorStateStore().getListState(descriptor);
if (functionInitializationContext.isRestored()) {for (Tuple2<Integer, Long> element : checkpointState.get()){bufferedElements.add(element);
}
}
}
@Override
public void invoke(Tuple2<Integer, Long> value, Context context) throws Exception {
// called for each element
// SinkFunction.super.invoke(value, context);
System.out.println(String.format("recv %d %d", value.f0, value.f1));
bufferedElements.add(value);
if (value.f0 == 4) {throw new IOException("input");
}
}
@Override
public void finish() throws Exception {
// called when every element has received
// SinkFunction.super.finish();
for (Tuple2<Integer, Long> element: bufferedElements) {System.out.println(element);
}
}
}验证代码
构建验证程序如下：
private static void checkpointListStateWithSinkFunction() throws Exception {StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
env.setParallelism(1);
env.enableCheckpointing(3000); // if commit this line off, only got initializeState
DataStreamSource<String> localhost = env.socketTextStream("localhost", 1111);
SingleOutputStreamOperator<Tuple2<Integer, Long>> inputStream= localhost.map(new MapFunction<String,
Tuple2<Integer, Long>>() {
@Override
public Tuple2<Integer, Long> map(String s) throws Exception {String[] split = s.split(",");
return new Tuple2<>(Integer.valueOf(split[0]), Long.valueOf(split[1]));
}
});
inputStream.addSink(new BufferingSink(2));
env.execute("checkpoint state for sink");
}通过 nc 输出如下数据
wdy@DESKTOP-SPIDEIC:~$ nc -lk 1111
2,1
2,2
2,3
flink 程序输入如下打印：
initialize
snapshot
recv 2 1
recv 2 2
snapshot
recv 2 3
snapshot
等 recv 2 3 之后看到 snapshot 打印进去后，用于确保最初一条 (2,3) 也保留到了 checkpoint 中，通过 nc 输出
4,0
因为咱们在代码设置当 if (integerLongTuple2.f0 == 4) 的时候抛出异样，所以此刻 flink 程序就会退出，而后重启，进入到 initializeState
flink 程序输入如下打印：
recv 4 0
initialize
restored
snapshotrecv 4 0
initialize
restored
snapshot
能够看到 正确进入到 initializeState 并且执行了复原逻辑，接下来通过 nc 输出
2,4
flink 程序输入如下打印
recv 2 4
snapshot
接下来 Ctrl+C 进行 nc，进入到 finish()函数中，flink 程序输入
(2,1)
(2,2)
(2,3)
(2,4)
表明 flink 异样退出重启后，正确从 checkpointState 复原了之前的数据。
通过 ListCheckpointed 接口定义 Operator State
ListCheckpointed 接口和 CheckpointedFunction 接口相比在灵活性上绝对弱一些，只能反对 List 类型的状态，并且在数据恢复的时候仅反对 even-redistribution 策略。在 ListCheckpointed 接口中须要实现以下两个办法来操作 Operator State：
public interface ListCheckpointed<T extends Serializable> {List<T> snapshotState(long var1, long var3) throws Exception;
void restoreState(List<T> var1) throws Exception;
}其中 snapshotState 办法定义数据元素 List 存储到 checkpoints 的逻辑，restoreState 办法则定义从 checkpoints 中复原状态的逻辑。如果状态数据不反对 List 模式，则能够在 snapshotState 办法中返回 Collections.singletonList(STATE)。
这个接口在 Flink 1.14 中曾经不倡议应用，所以本文也不再进行实例演示。
总结
本文介绍了 OperateState 在 MapFunction 以及 SlinkFunction 两种操作场景中的利用，同时展现了如何通过联合 CheckpointedFunction 主动对 State 进行备份 Checkpoint，从而在工作出现异常时可能从保留的 State 中复原状态，实现 Exactly-Once。
参考资料
《Flink 原理、实战与性能优化》5.1 有状态计算
《Flink 内核原理与实现》第 7 章 状态原理
Flink 教程(17) Keyed State 状态治理之 AggregatingState 应用案例 求平均值 https://blog.csdn.net/winterkin
