```由一个任务维护，并且用来计算某个结果的所有数据，都属于这个任务的状态
可以认为状态就是一个本地变量，可以被任务的业务逻辑访问
Flink会进行状态管理，包括状态一致性、故障处理以及高效存储和访问，以便开发人员可以专注于应用程序的逻辑
由一个任务维护，并且用来计算某个结果的所有数据，都属于这个任务的状态
可以认为状态就是一个本地变量，可以被任务的业务逻辑访问
Flink会进行状态管理，包括状态一致性、故障处理以及高效存储和访问，以便开发人员可以专注于应用程序的逻辑
Flink的状态
在Flink中，状态始终与特定算子相关联
为了使运行时的Flink了解算子的状态，算子需要预先注册其状态
总的来说，有两种类型的状态：
算子状态（Operator State)
算子状态的作用范围限定为算子任务
键控状态（KeydState）
根据输入数据流中定义的键（key)来维护和访问
算子状态（Operator State)
算子状态的作用范围限定为算子任务，由同一并行任务所处理的所有数据都可以访问到相同的状态
状态对于同一子任务而言是共享的
算子状态不能由相同或不同算子的另一个子任务访问
算子状态数据结构
列表状态（List state）
将状态表示为一组数据的列表
联合列表状态（Union List State)
也将状态表示为数据的列表。它与常规列表状态的区别在于，在发生故障时，或者从保存点（savepoint)启动应用程序时如何恢复
广播状态（Broadcast state）
如果一个算子有多项任务，而它的每项任务状态又都相同，那么这种特殊情况最适合应用广播状态。
键控状态（Keyed State)
键控状态是根据输入数据流中定义的键（key)来维护和访问的
Flink为每个key维护一个状态实例，并将具有相同键的所有数据，都分区到同一个算子任务中，这个任务会维护和处理这个key对应的状态
当任务处理一条数据时，它会自动将状态的访问范围限定为当前数据的key
键控状态的数据结构
值状态（Value state)：将状态表示为单个的值
列表状态(List state)：将状态表示为一组数据的列表
映射状态（Map state): 将状态表示为一组Key-Value对
聚合状态（Reducing state & Aggergating State)： 将状态表示为一个用于聚合操作的列表
# 上代码举个栗子
## 对于温度传感器的温度值跳变（下一个值跟上一个值的差）超过10度，就报警
package com.mafei.apitest
import com.mafei.sinktest.SensorReadingTest5
import org.apache.flink.api.common.functions.RichFlatMapFunction
import org.apache.flink.api.common.state.{ValueState, ValueStateDescriptor}
import org.apache.flink.streaming.api.scala.{OutputTag, StreamExecutionEnvironment, createTypeInformation}
import org.apache.flink.util.Collector
object StateTest {
def main(args: Array[String]): Unit = {
//创建执行环境
val env = StreamExecutionEnvironment.getExecutionEnvironment
env.getConfig.setAutoWatermarkInterval(200) //直接全局设置watermark的时间为200毫秒
val inputStream = env.readTextFile("/opt/java2020_study/maven/flink1/src/main/resources/sensor.txt")
env.setParallelism(1)
//先转换成样例类类型
val dataStream = inputStream
.map(data => {
val arr = data.split(",") //按照,分割数据，获取结果
SensorReadingTest5(arr(0), arr(1).toLong, arr(2).toDouble) //生成一个传感器类的数据，参数中传toLong和toDouble是因为默认分割后是字符串类别
})
//需求是： 对于温度传感器的温度值跳变（下一个值跟上一个值的差）超过10度，就报警
val alertStream = dataStream
.keyBy(_.id) //根据sensor的id进行聚合，因为要去每个sensor独立的温度变化，不能串了
// 这是第一种方式，自定义类// .flatMap( new TempChangeAlertFunction(10.0)) //定义一个flatmap，传入一个自定义的实现类，超过10度就报警，参数传进去
//这是第二种方法，用flatMapWithState
.flatMapWithState[(String,Double,Double), Double]({
case (data: SensorReadingTest5, None)=> (List.empty, Some(data.temperature))
case(data: SensorReadingTest5,lastTemp: Some[Double])=> {
//跟最新的温度值做差值比较
val diff = (data.temperature - lastTemp.get).abs
if(diff > 10.0)(
List((data.id, lastTemp.get, data.temperature)),Some(data.temperature)
)else
(List.empty, Some(data.temperature))
}
})
alertStream.print()// dataStream.print()
env.execute("state test。。。。。")
}
}
//实现自定义RichFlatMapFunction
class TempChangeAlertFunction(tempThreshould: Double) extends RichFlatMapFunction[SensorReadingTest5,(String,Double, Double)]{
//定义状态保存上一次的温度值
lazy val lastTempState: ValueState[Double] = getRuntimeContext.getState(new ValueStateDescriptor[Double]("last-temperature", classOf[Double]))
override def flatMap(in: SensorReadingTest5, collector: Collector[(String, Double, Double)]): Unit = {
//先获取上一次的温度值数据
val lastTemper = lastTempState.value()
//把当前温度值更新为lastTempState
lastTempState.update(in.temperature)
//跟最新的温度值求差值做比较
val tempDiff = (in.temperature - lastTemper).abs
println("collect....................这一次的值: "+in.temperature+"...............上一次的值： "+lastTemper)// println("来数据了。。。。。。。。。。。。。。。。。。。。。")
if(tempDiff > tempThreshould){
collector.collect((in.id, lastTemper, in.temperature))
}
Thread.sleep(1000)
}
}
源文件sensor.txt数据内容sensor1,1603766281,1
sensor2,1603766282,42
sensor3,1603766283,43
sensor4,1603766240,40.1
sensor4,1603766284,20
sensor4,1603766249,40.2