flink本身是专注有状态的无限流处理，有限流处理【batch批次】是无限流处理的一中特殊情况！

应用场景

实时ETL
集成流计算现有的诸多数据通道和SQL灵活的加工能力，对流式数据进行实时清洗、归并和结构化
处理；同时，对离线数仓进行有效的补充和优化，并为数据实时传输提供可计算通道。
实时报表
实时化采集、加工流式数据存储；实时监控和展现业务、客户各类指标，让数据化运营实时化。
如通过分析订单处理系统中的数据获知销售增长率；
通过分析分析运输延迟原因或预测销售量调整库存；
监控预警
对系统和用户行为进行实时监测和分析，以便及时发现危险行为，如计算机网络入侵、诈骗预警等
在线系统
实时计算各类数据指标，并利用实时结果及时调整在线系统的相关策略，在各类内容投放、智能推
送领域有大量的应用，如在客户浏览商品的同时推荐相关商品等

flink主要角色

JobManager
协调分布式执行，它们用来调度task，协调检查点(CheckPoint)，协调失败时恢复等
TaskManager
也称之为worker，主要职责是接收jobmanager协调的task，部署和启动任务，接收上游的数据并处理。同时向resourcemanager反注册自己的资源信息。
ResourceManager
管理集群资源，如Yarn
Dispatcher
作用：提供一个REST接口来让我们提交需要执行的应用。一旦一个应用提交执行，Dispatcher会启动一个JobManager，并将应用转交给他。
Dispatcher还会启动一个webUI来提供有关作业执行信息
注意：某些应用的提交执行的方式，有可能用不到Dispatcher
Task
一个完整的处理阶段（如map阶段），由多个相同功能的SubTask组成‌
SubTask
Task的并行实例，是实际执行的最小单元。例如设置并行度为3的map操作会产生3个SubTask‌
slot:
TaskManager中的资源格子，每个Slot有独立的内存分配（如4GB）‌

一个Slot可以运行多个SubTask（线程级共享）
不同Job的Slot内存隔离，但共享网络等资源‌

slot sharing:

默认行为‌：同一Job的上下游SubTask可共享Slot（如map和filter挤在一个Slot）‌
优势‌：减少数据传输延迟（同Slot内直接内存交换）‌提高资源利用率（轻量级操作不独占Slot）

程序架构主要部分

source
本地集合：fromCollection(seq); fromElements();
文件：readTextFile(path);
socket：socketTextStream();
自定义：StreamExecutionEnvironment.addSource(sourceFunction)，flink本身提供了许多源，也可以implements SourceFunction方法是为非并行源，或者为并行源 implements ParallelSourceFunction接口，或者extends RichParallelSourceFunction。
RichParallelSourceFunction与ParallelSourceFunction是Flink中用于实现自定义数据源的两种关键接口，主要区别如下：
‌功能扩展性‌
RichParallelSourceFunction继承了RichFunction，提供了open()和close()方法，支持访问运行时上下文（如并行度、任务ID等），便于资源管理（如数据库连接）7。
ParallelSourceFunction仅标记接口，无额外方法，需自行实现资源管理逻辑2。
‌并行度支持‌
两者均支持并行执行（通过实现ParallelSourceFunction标记接口）26。
但RichParallelSourceFunction通过运行时上下文可动态分配数据分片（如MySQL分页查询）7。
‌状态管理‌
RichParallelSourceFunction可结合检查点机制实现状态一致性，适合有状态数据源（如偏移量记录）5。
ParallelSourceFunction需自行处理状态持久化4。
‌典型应用场景‌
RichParallelSourceFunction适用于需要复杂初始化或状态管理的场景（如连接外部系统）
ParallelSourceFunction适合简单无状态数据源（如内存集合）3。
‌实现复杂度‌
RichParallelSourceFunction需实现更多生命周期方法，但开发更规范6。
ParallelSourceFunction更轻量，但灵活性较低2。
总结：优先选择RichParallelSourceFunction以获得更完善的开发支持，仅在无状态且无需资源管理时考虑ParallelSourceFunction
需要访问运行时上下文（如获取并行任务ID）25
需管理资源（如数据库连接、文件句柄）310
需结合检查点机制实现状态一致性（如Kafka偏移量记录）58
典型场景：MySQL分页查询、Kafka消费者、分布式日志采集
import org.apache.flink.streaming.api.functions.source.RichParallelSourceFunction
import org.apache.flink.configuration.Configuration
import java.sql.{Connection, DriverManager, ResultSet}class MySQLRichParallelSource extends RichParallelSourceFunction[String] {private var connection: Connection = _private var isRunning = trueoverride def open(parameters: Configuration): Unit = {// 初始化数据库连接connection = DriverManager.getConnection("jdbc:mysql://localhost:3306/test", "user", "password")}override def run(ctx: SourceFunction.SourceContext[String]): Unit = {val stmt = connection.createStatement()val rs = stmt.executeQuery("SELECT * FROM sensor_data")while (isRunning && rs.next()) {ctx.collect(rs.getString("value")) // 发射数据}}override def cancel(): Unit = isRunning = falseoverride def close(): Unit = {if (connection != null) connection.close()}
}
简单无状态数据生成（如内存集合、随机数流）914
无需资源初始化/清理的并行任务115
典型场景：模拟传感器数据、内存集合并行读取
import org.apache.flink.streaming.api.functions.source.ParallelSourceFunction
import scala.util.Randomclass RandomParallelSource extends ParallelSourceFunction[Int] {private var isRunning = trueoverride def run(ctx: SourceFunction.SourceContext[Int]): Unit = {val rand = new Random()while (isRunning) {ctx.collect(rand.nextInt(100)) // 生成0-100随机数Thread.sleep(500)}}override def cancel(): Unit = isRunning = false
}
transformation
‌Map‌
功能：对数据流中的每个元素进行一对一转换14
val dataStream: DataStream[Int] = env.fromElements(1, 2, 3) val mappedStream = dataStream.map(_ * 2) // 输出2,4,6
‌FlatMap‌
功能：将每个元素转换为0个、1个或多个输出元素17
val words = env.fromElements("hello world", "flink streaming") val splitWords = words.flatMap(_.split(" ")) // 输出各单词
‌Filter‌
功能：根据条件过滤数据元素24
val numbers = env.fromElements(1, 2, 3, 4) val evens = numbers.filter(_ % 2 == 0) // 输出2,4
‌KeyBy‌
功能：按指定key对数据进行分区25
case class Sensor(id: String, temp: Double) val sensors = env.fromElements(Sensor("s1", 35.2), Sensor("s2", 28.5)) val keyedStream = sensors.keyBy(_.id)
‌Reduce‌
功能：对分组数据流进行聚合操作59
keyedStream.reduce((s1, s2) => Sensor(s1.id, s1.temp + s2.temp)) // 相同id的温度累加
‌Aggregations‌
功能：内置聚合函数(sum/min/max等)25
keyedStream.sum("temp") // 按key求温度总和
‌Window‌
功能：在数据流上定义时间或计数窗口58
sensors.keyBy(_.id) .window(TumblingProcessingTimeWindows.of(Time.seconds(5))) .sum("temp")
‌Union‌
功能：合并多个同类型数据流48
val stream1 = env.fromElements(1, 2) val stream2 = env.fromElements(3, 4) val merged = stream1.union(stream2) // 输出1,2,3,4
‌Join‌
功能：基于key连接两个数据流89
val streamA = env.fromElements(("a", 1), ("b", 2)) val streamB = env.fromElements(("a", 3), ("b", 4)) streamA.join(streamB) .where(_._1).equalTo(_._1) .window(TumblingEventTimeWindows.of(Time.seconds(5))) .apply((a,b) => (a._1, a._2 + b._2)) // 输出("a",4),("b",6)
‌CoFlatMap‌
功能：连接两个流并共享状态8
val controlStream = env.fromElements("HIGH", "LOW") val dataStream = env.fromElements(1.2, 3.4, 5.6) controlStream.connect(dataStream) .flatMap( (ctrl: String, out: Collector[Double]) => {}, (value: Double, out: Collector[Double]) => { if (currentThreshold == "HIGH") out.collect(value) } )
‌ProcessFunction‌
功能：提供对时间和状态的底层访问
class TempAlertFunction extends ProcessFunction[Sensor, String] { override def processElement( sensor: Sensor, ctx: ProcessFunction[Sensor, String]#Context, out: Collector[String]): Unit = { if (sensor.temp > 100) { out.collect(s"Alert! ${sensor.id} temp=${sensor.temp}") } } }
‌Iterate‌
功能：创建迭代流处理循环
val numbers = env.fromElements(1, 2, 3, 4) val iterated = numbers.iterate( iteration => { val minusOne = iteration.map(_ - 1) val stillGreaterThanZero = minusOne.filter(_ > 0) val lessThanZero = minusOne.filter(_ <= 0) (stillGreaterThanZero, lessThanZero) } )
‌Window Apply‌
功能：对窗口数据应用自定义函数
sensors.keyBy(_.id) .window(TumblingEventTimeWindows.of(Time.seconds(5))) .apply { (key, window, vals, out: Collector[String]) => out.collect(s"$key: ${vals.map(_.temp).sum}") }
‌Side Output‌
功能：将数据分流到侧输出流
val outputTag = OutputTag[String]("side-output") val mainStream = numbers.process(new ProcessFunction[Int, Int] { override def processElement( value: Int, ctx: ProcessFunction[Int, Int]#Context, out: Collector[Int]): Unit = { if (value % 2 != 0) { ctx.output(outputTag, s"Odd: $value") } out.collect(value) } }) val sideStream = mainStream.getSideOutput(outputTag)
‌Broadcast‌
功能：将流广播到所有并行任务8
val ruleStream = env.fromElements("rule1", "rule2").broadcast val dataStream = env.fromElements(1, 2, 3) dataStream.connect(ruleStream) .process(new BroadcastProcessFunction[Int, String, String] { override def processElement( value: Int, ctx: BroadcastProcessFunction[Int, String, String]#ReadOnlyContext, out: Collector[String]): Unit = { val rules = ctx.getBroadcastState(...) // 使用广播规则处理数据 } })
完整项目实现示例：
import org.apache.flink.streaming.api.scala._
import org.apache.flink.streaming.api.windowing.time.Time
import org.apache.flink.util.Collectorobject FlinkOperatorsDemo {case class SensorReading(id: String, timestamp: Long, temperature: Double)def main(args: Array[String]): Unit = {val env = StreamExecutionEnvironment.getExecutionEnvironment// 1. 数据源val sensorData = env.fromElements(SensorReading("sensor1", 1L, 35.6),SensorReading("sensor2", 2L, 28.3),SensorReading("sensor1", 3L, 37.2))// 2. 算子演示val processed = sensorData.filter(_.temperature > 30)  // Filter.map(r => (r.id, r.temperature))  // Map.keyBy(_._1)  // KeyBy.timeWindow(Time.seconds(5))  // Window.reduce((r1, r2) => (r1._1, r1._2 + r2._2))  // Reduceprocessed.print()env.execute("Flink Operators Demo")}
}
代码说明：
包含Flink核心算子链式调用演示
使用case class定义数据类型
展示从数据源到窗口聚合的完整流程
其他重要算子补充说明：
‌Fold‌：已弃用，推荐使用Reduce
‌WindowAll‌：非分组全局窗口
‌Project‌：选择部分字段（仅DataSet API）
‌Cross‌：两个流的笛卡尔积
‌CoGroup‌：分组连接两个数据集
sink
文件: writeAsText(path)
HDFS:
import org.apache.flink.streaming.api.scala._
import org.apache.flink.streaming.api.functions.sink.filesystem.StreamingFileSink
import org.apache.flink.core.fs.Path
import org.apache.flink.streaming.api.functions.sink.filesystem.bucketassigners.DateTimeBucketAssigner
import org.apache.flink.streaming.api.functions.sink.filesystem.rollingpolicies.DefaultRollingPolicy
import java.time.ZoneIdobject FlinkToHdfs {def main(args: Array[String]): Unit = {val env = StreamExecutionEnvironment.getExecutionEnvironment// 1. 创建测试数据源val dataStream = env.fromElements("2025-08-20 15:00:00,user1,click","2025-08-20 15:01:00,user2,purchase","2025-08-20 15:02:00,user3,view")// 2. 配置HDFS输出路径val hdfsPath = "hdfs://namenode:9000/flink/output"// 3. 创建StreamingFileSinkval sink = StreamingFileSink.forRowFormat(new Path(hdfsPath),new SimpleStringEncoder[String]("UTF-8")).withBucketAssigner(new DateTimeBucketAssigner[String]("yyyy-MM-dd--HH",ZoneId.of("UTC"))).withRollingPolicy(DefaultRollingPolicy.builder().withRolloverInterval(60 * 60 * 1000) // 1小时滚动一次.withInactivityInterval(15 * 60 * 1000) // 15分钟不活动则滚动.withMaxPartSize(128 * 1024 * 1024) // 128MB.build()).build()// 4. 添加sink到数据流dataStream.addSink(sink)env.execute("Flink to HDFS Example")}
}
kafka: FlinkKafkaProducer
redis:RedisSink
hbase:
自定义:SinkToMySql extends RichSinkFunction
Chain
Operator Chain
数据传输
Flink在处理任务间的数据传输过程中，采用了缓冲区机制。

Yarn部署机制

(1)启动一个YARN yarn-session.sh -h
/export/servers/flink/bin/yarn-session.sh -n 2 -tm 800 -s 1 -d

# -n 表示申请2个容器，这里指的就是多少个taskmanager
# -s 表示每个TaskManager的slots数量
# -tm 表示每个TaskManager的内存大小
# -d 表示以后台程序方式运行

如果不想让Flink YARN客户端始终运行，那么也可以启动分离的 YARN会话。该参数被称为-d或--detached。在这种情况下，Flink YARN客户端只会将Flink提交给集群，然后关闭它自己
(2)直接在YARN上提交运行Flink作业(Run a Flink job on YARN)
bin/flink run -m yarn-cluster -yn 2 -yjm 1024 -ytm 1024 /export/servers/flink/examples/batch/WordCount.jar
# -m jobmanager的地址
# -yn 表示TaskManager的个数

停止yarn-cluster：
yarn application -kill application_1527077715040_0003
rm -rf /tmp/.yarn-properties-root

窗口

通俗讲，Window是用来对一个无限的流设置一个有限的集合，从而在有界的数据集上进行操作的一种机制。流上的集合由Window来划定范围，比如“计算过去10分钟”或者“最后50个元素的和”
分为：
时间窗口（TimeWindow）
数量窗口（CountWindow）
滚动窗口
时间驱动：keyedStream.timeWindow(Time.seconds(10))
数量驱动：keyedStream.countWindow(3)
滑动窗口
时间驱动：keyedStream.timeWindow(Time.seconds(10), Time.seconds(5))
数量驱动：keyedStream.countWindow(3, 2)
会话窗口
keyedStream.window(ProcessingTimeSessionWindows.withGap(Time.seconds(10)))
全局窗口
EventTime[事件时间]
事件发生的时间，例如：点击网站上的某个链接的时间，每一条日志都会记录自己的生成时间。如果以EventTime为基准来定义时间窗口那将形成EventTimeWindow,要求消息本身就应该携带EventTime。如果要使用事件时间，要设置：env.setStreamTimeCharacteristic(TimeCharacteristic.EventTime) //设置使用事件时间
IngestionTime[摄入时间]
数据进入Flink的时间，如某个Flink节点的source operator接收到数据的时间，例如：某个source消费到kafka中的数据。如果以IngesingtTime为基准来定义时间窗口那将形成IngestingTimeWindow,以source的systemTime为准
ProcessingTime[处理时间]
某个Flink节点执行某个operation的时间，例如：timeWindow处理数据时的系统时间，默认的时间属性就是Processing Time如果以ProcessingTime基准来定义时间窗口那将形成ProcessingTimeWindow，以operator的systemTime为准
水印（水位线）
水位线是为了控制这个事件能不能被处理，如果在水位线允许的事件范围之外，肯定是不会被当前窗口处理的。emitWatermark(当前最大时间 - 乱序允许时间)这个方法200ms周期执行，就是告诉框架只能提交这个时间及之后的时间的事件过来。当水位线超过窗口结束时间时，对应的窗口才会被触发计算。这种机制确保了：即使数据乱序到达，只要在允许的时间范围内，仍然能被正确处理；超过容忍时间的迟到数据会被丢弃。
窗口的创建是根据事件时间来的，是独立的任务来创建，框架会根据事件时间，将当前事件归到那个窗口。水位线是触发窗口计算，跟窗口创建没关系。
例如：窗口[10：00：00 - 10：00：10)，当窗口接收到第一条10：00：10事件，就会创建下一个[10：00：10- 10：00：20)，但是这个时候因为水位线，上一个窗口还没被触发计算，只有当水位线时间 >= 10:00:10时，才会被触发计算。
水位线生成器: 事件处理方法，给下游发送水位时间方法（200ms执行一次）
事件时间提取器：提取事件时间
new WatermarkStrategy[OrderDetail] {override def createWatermarkGenerator(context: WatermarkGeneratorSupplier.Context): WatermarkGenerator[OrderDetail] = {new WatermarkGenerator[OrderDetail] {//每来一条数据，都会调用onEventvar maxTimestamp = Long.MinValuevar maxOutOfOrderness = 500L;override def onEvent(event: OrderDetail, eventTimestamp: Long, output: WatermarkOutput): Unit = {maxTimestamp = Math.max(maxTimestamp, format.parse(event.orderCreateTime).getTime)}override def onPeriodicEmit(output: WatermarkOutput): Unit = {output.emitWatermark(new Watermark(maxTimestamp - maxOutOfOrderness))}}}//1.老版本  2. lambda}.withTimestampAssigner(new SerializableTimestampAssigner[OrderDetail] {override def extractTimestamp(element: OrderDetail, recordTimestamp: Long): Long = {format.parse(element.orderCreateTime).getTime}}
整体流程‌：
数据流中每个事件会先经过extractTimestamp提取时间戳
然后触发onEvent方法处理
最后周期性调用onPeriodicEmit生成水位线
‌方法调用时机详解‌：
(1) extractTimestamp方法：
‌调用时机‌：每条数据到达时立即调用
‌作用‌：就像快递员拆包裹看发货日期，从数据中提取事件时间戳
‌示例‌：MyEvent("A", 1630000000000)会提取出1630000000000
(2) onEvent方法：
‌调用时机‌：紧接在extractTimestamp之后
‌作用‌：像记录最高水位的标尺，比较并保存当前最大时间戳
‌示例‌：当收到时间戳1000的事件，会更新currentMaxTimestamp = 1000
(3) onPeriodicEmit方法：
‌调用时机‌：默认每200ms自动调用一次（类似心跳机制）
‌作用‌：发出水位线 = 当前最大时间戳 - 允许乱序时间
‌示例‌：如果currentMaxTimestamp=5000，maxOutOfOrderness=3000，则发出水位线2000
‌参数说明‌：
maxOutOfOrderness：相当于"宽容度"，设置允许迟到数据的最长时间（如设为3000表示允许3秒内的迟到数据）
currentMaxTimestamp：动态变化的变量，始终记录已见数据的最大时间戳
‌工作类比‌：
想象老师在批改时间乱序提交的作业：
extractTimestamp：查看每份作业的提交日期
onEvent：记录目前看到的最晚提交日期
onPeriodicEmit：每隔一段时间宣布："现在开始只接受比(最晚日期-3天)更早的作业"
迟到数据处理方法：允许延迟，侧输出流，自定义触发器，全局窗口+延迟合并
迟到数据的处理机制‌
1. ‌允许延迟（Allowed Lateness）‌
这是最常用的方式，‌扩展窗口等待时间‌：
javaCopy Code
.window(TumblingEventTimeWindows.of(Time.seconds(10))) .allowedLateness(Time.seconds(5)) // 允许5秒延迟
‌运作方式‌：
水位线到达 窗口结束时间 时触发‌初次计算‌
在 [窗口结束时间, 窗口结束时间+允许延迟] 区间内：
新到达的属于该窗口的数据‌重新触发窗口计算‌
窗口状态持续更新
‌示例‌：
mermaidCopy Code
timeline title 10秒窗口 + 5秒允许延迟 section 事件时间 00:13 : 水位线到达00:10 → 触发初次计算 00:14 : 迟到数据(事件时间00:09)到达 → 重新触发计算 00:15 : 迟到数据(事件时间00:08)到达 → 再次触发计算 00:16 : 水位线到达00:11 → 窗口正式关闭
2. ‌侧输出流（Side Output）‌
捕获‌超过允许延迟的迟到数据‌：
javaCopy Code
OutputTag<Event> lateTag = new OutputTag<>("late-data"); DataStream<Event> main = stream .keyBy(...) .window(...) .allowedLateness(Time.seconds(3)) .sideOutputLateData(lateTag) // 捕获超时迟到数据 .process(...); // 获取迟到数据流 DataStream<Event> lateStream = main.getSideOutput(lateTag);
‌应用场景‌：
关键业务数据补全（如金融交易）
延迟监控和告警
数据质量分析
3. ‌触发器（Trigger）自定义‌
精细控制计算触发逻辑：
javaCopy Code
.trigger(new ContinuousEventTimeTrigger(20) { @Override public TriggerResult onElement(...) { // 自定义迟到数据处理逻辑 if (isLateData(element)) { updateWindowState(element); // 手动更新窗口状态 return TriggerResult.FIRE; // 立即触发计算 } return super.onElement(...); } })
‌适用场景‌：
特殊业务规则（如证券交易中的尾单处理）
动态延迟策略（基于数据量调整）
4. ‌全局窗口（GlobalWindow）+ 延迟合并‌
处理‌无界迟到数据‌：
javaCopy Code
.window(GlobalWindows.create()) .trigger(PurgingTrigger.of( new LateDataFireTrigger() // 自定义处理所有迟到数据 ))

‌迟到数据处理流程‌
mermaidCopy Code
flowchart TD A[数据到达] --> B{事件时间是否在<br/>当前水位线之前？} B -->|是| C[迟到数据] B -->|否| D[正常处理] C --> E{是否在允许延迟内？} E -->|是| F[更新窗口状态并重新触发计算] E -->|否| G{是否配置侧输出？} G -->|是| H[输出到侧输出流] G -->|否| I[直接丢弃]

‌实际案例：电商订单统计‌
‌场景‌：统计每10分钟的订单总额，容忍3秒延迟，超时订单单独记录
javaCopy Code
// 定义迟到标签 OutputTag<Order> lateOrders = new OutputTag<>("late-orders"); SingleOutputStreamOperator<Double> result = orders .keyBy(Order::getCategory) .window(TumblingEventTimeWindows.of(Time.minutes(10))) .allowedLateness(Time.seconds(3)) .sideOutputLateData(lateOrders) .aggregate(new OrderSumAggregator()); // 处理主结果 result.print(); // 处理超时订单 result.getSideOutput(lateOrders) .map(order -> "LATE_ORDER: " + order) .addSink(new LateOrderSink());
‌数据处理效果‌：
数据事件时间处理水位线处理方式
12:15:07 12:15:10 进入正常窗口 [12:10,12:20)
12:19:58 12:20:05 允许延迟期内 → 更新窗口结果
12:20:02 12:20:08 允许延迟期内 → 再次更新结果
12:20:05 12:20:13 超过延迟期 → 输出到侧输出流

‌最佳实践建议‌
‌允许延迟设置‌：
一般设为网络延迟峰值的 ‌2-3倍‌（如Kafka延迟监控的P99值）
不宜过大（避免状态膨胀）
‌监控配置‌：
javaCopy Code
// 监控迟到数据比例 lateDataStream .map(_ => 1L).windowAll(TumblingProcessingTimeWindows.of(Time.hours(1))) .sum(0) .addSink(new LateDataMetricSink());
‌状态清理优化‌：
javaCopy Code
.withLateFiredPurgingTrigger() // 及时清理已完成窗口状态
‌动态延迟策略‌（高级）：
javaCopy Code
.allowedLateness(ctx => { if (ctx.element().isPriority()) return Time.minutes(5); return Time.seconds(30); })
💡 ‌核心原则‌：水位线决定‌何时触发计算‌，允许延迟决定‌等待迟到数据多久‌，侧输出决定‌超时数据的归宿‌。三者协同实现完整的迟到数据处理机制

数据事件时间	处理水位线	处理方式
12:15:07	12:15:10	进入正常窗口 [12:10,12:20)
12:19:58	12:20:05	允许延迟期内 → 更新窗口结果
12:20:02	12:20:08	允许延迟期内 → 再次更新结果
12:20:05	12:20:13	超过延迟期 → 输出到侧输出流

状态

Flink中的状态(State)是指算子任务在运行过程中需要记住的信息，这些信息可以用来实现复杂的有状态计算。状态是Flink实现精确一次(exactly-once)语义和故障恢复的基础。

keyed state 键控状态只能用于keyedStream上

ValueState,MapState,ReducingState,AggregatingState


import org.apache.flink.api.common.functions.RichMapFunction
import org.apache.flink.api.common.state._
import org.apache.flink.api.common.typeinfo.TypeInformation
import org.apache.flink.configuration.Configuration
import org.apache.flink.streaming.api.scala._object KeyedStateExamples {def main(args: Array[String]): Unit = {val env = StreamExecutionEnvironment.getExecutionEnvironment// 示例数据流val input = env.fromElements(("user1", 10),("user2", 5),("user1", 20),("user3", 8),("user2", 15))// 1. ValueState示例val valueStateResult = input.keyBy(_._1).map(new ValueStateExample).print("ValueState结果")// 2. ListState示例val listStateResult = input.keyBy(_._1).map(new ListStateExample).print("ListState结果")// 3. MapState示例val mapStateResult = input.keyBy(_._1).map(new MapStateExample).print("MapState结果")// 4. ReducingState示例val reducingStateResult = input.keyBy(_._1).map(new ReducingStateExample).print("ReducingState结果")// 5. AggregatingState示例val aggregatingStateResult = input.keyBy(_._1).map(new AggregatingStateExample).print("AggregatingState结果")env.execute("Keyed State Examples")}
}// 1. ValueState实现
class ValueStateExample extends RichMapFunction[(String, Int), (String, Int)] {private var state: ValueState[Int] = _override def open(parameters: Configuration): Unit = {val stateDesc = new ValueStateDescriptor[Int]("valueState", TypeInformation.of(classOf[Int]))state = getRuntimeContext.getState(stateDesc)}override def map(value: (String, Int)): (String, Int) = {val current = Option(state.value()).getOrElse(0)val newValue = current + value._2state.update(newValue)(value._1, newValue)}
}// 2. ListState实现
class ListStateExample extends RichMapFunction[(String, Int), (String, List[Int])] {private var state: ListState[Int] = _override def open(parameters: Configuration): Unit = {val stateDesc = new ListStateDescriptor[Int]("listState", TypeInformation.of(classOf[Int]))state = getRuntimeContext.getListState(stateDesc)}override def map(value: (String, Int)): (String, List[Int]) = {state.add(value._2)(value._1, state.get().asScala.toList)}
}// 3. MapState实现
class MapStateExample extends RichMapFunction[(String, Int), (String, Map[String, Int])] {private var state: MapState[String, Int] = _override def open(parameters: Configuration): Unit = {val stateDesc = new MapStateDescriptor[String, Int]("mapState", TypeInformation.of(classOf[String]),TypeInformation.of(classOf[Int]))state = getRuntimeContext.getMapState(stateDesc)}override def map(value: (String, Int)): (String, Map[String, Int]) = {state.put(value._1, value._2)(value._1, state.entries().asScala.map(e => e.getKey -> e.getValue).toMap)}
}// 4. ReducingState实现
class ReducingStateExample extends RichMapFunction[(String, Int), (String, Int)] {private var state: ReducingState[Int] = _override def open(parameters: Configuration): Unit = {val stateDesc = new ReducingStateDescriptor[Int]("reducingState",(a: Int, b: Int) => a + b,  // ReduceFunctionTypeInformation.of(classOf[Int]))state = getRuntimeContext.getReducingState(stateDesc)}override def map(value: (String, Int)): (String, Int) = {state.add(value._2)(value._1, state.get())}
}// 5. AggregatingState实现
class AggregatingStateExample extends RichMapFunction[(String, Int), (String, Double)] {private var state: AggregatingState[Int, Double] = _override def open(parameters: Configuration): Unit = {val stateDesc = new AggregatingStateDescriptor[Int, (Int, Int), Double]("aggregatingState",new AverageAggregate,TypeInformation.of(classOf[(Int, Int)]),TypeInformation.of(classOf[Double]))state = getRuntimeContext.getAggregatingState(stateDesc)}override def map(value: (String, Int)): (String, Double) = {state.add(value._2)(value._1, state.get())}
}// 用于AggregatingState的聚合函数
class AverageAggregate extends AggregateFunction[Int, (Int, Int), Double] {override def createAccumulator(): (Int, Int) = (0, 0)override def add(value: Int, accumulator: (Int, Int)): (Int, Int) = {(accumulator._1 + value, accumulator._2 + 1)}override def getResult(accumulator: (Int, Int)): Double = {accumulator._1.toDouble / accumulator._2}override def merge(a: (Int, Int), b: (Int, Int)): (Int, Int) = {(a._1 + b._1, a._2 + b._2)}
}

算子状态


import org.apache.flink.api.common.state.{ListState, ListStateDescriptor}
import org.apache.flink.runtime.state.{FunctionInitializationContext, FunctionSnapshotContext}
import org.apache.flink.streaming.api.checkpoint.CheckpointedFunction
import org.apache.flink.streaming.api.functions.source.SourceFunctionclass BufferingSource(threshold: Int) extends SourceFunction[String] with CheckpointedFunction {private var isRunning = trueprivate var bufferedElements = List[String]()private var checkpointedState: ListState[String] = _override def run(ctx: SourceFunction.SourceContext[String]): Unit = {while (isRunning) {bufferedElements ::= s"element-${System.currentTimeMillis()}"if (bufferedElements.size >= threshold) {bufferedElements.reverse.foreach(ctx.collect)bufferedElements = Nil}Thread.sleep(100)}}override def snapshotState(context: FunctionSnapshotContext): Unit = {checkpointedState.update(bufferedElements.asJava)}override def initializeState(context: FunctionInitializationContext): Unit = {checkpointedState = context.getOperatorStateStore.getListState(new ListStateDescriptor[String]("buffered-elements", classOf[String]))if (context.isRestored) {bufferedElements = checkpointedState.get().asScala.toList}}
}


class UnionListSource extends SourceFunction[Int] with CheckpointedFunction {private var checkpointedState: ListState[Int] = _private var toEmit = (1 to 100).toListoverride def run(ctx: SourceFunction.SourceContext[Int]): Unit = {toEmit.foreach { num =>ctx.collect(num)Thread.sleep(10)}}override def snapshotState(context: FunctionSnapshotContext): Unit = {checkpointedState.update(toEmit.asJava)}override def initializeState(context: FunctionInitializationContext): Unit = {checkpointedState = context.getOperatorStateStore.getUnionListState(new ListStateDescriptor[Int]("union-state", classOf[Int]))if (context.isRestored) {toEmit = checkpointedState.get().asScala.toList}}
}


import org.apache.flink.api.common.state.{MapStateDescriptor, BroadcastState}
import org.apache.flink.streaming.api.functions.co.BroadcastProcessFunction
import org.apache.flink.util.Collectorclass DynamicFilterFunction extends BroadcastProcessFunction[String, String, String] {private final val ruleDescriptor = new MapStateDescriptor[String, String]("rules", classOf[String], classOf[String])override def processElement(value: String,ctx: ReadOnlyContext,out: Collector[String]): Unit = {val rule = ctx.getBroadcastState(ruleDescriptor).get("filter")if (rule == null || value.contains(rule)) {out.collect(value)}}override def processBroadcastElement(rule: String,ctx: Context,out: Collector[String]): Unit = {ctx.getBroadcastState(ruleDescriptor).put("filter", rule)}
}