Flink的状态与容错是这个框架很核心的知识点。其中一致检查点也就是Checkpoints也是Flink故障恢复机制的核心，这篇文章将详细介绍Flink的状态管理和Checkpoints的概念以及在生产环境中的参数设置。

什么是State状态？

• 在使用Flink进行窗口聚合统计，排序等操作的时候，数据流的处理离不开状态管理

• 是一个Operator的运行的状态/历史值，在内存中进行维护

• 流程：一个算子的子任务接收输入流，获取对应的状态，计算新的结果，然后把结果更新到状态里面

有状态和无状态介绍

• 无状态计算： 同个数据进到算子里面多少次，都是一样的输出，比如 filter

• 有状态计算：需要考虑历史状态，同个输入会有不同的输出，比如sum、reduce聚合操作

 

• 状态管理分类

  • ManagedState（用的多）

    • Flink管理，自动存储恢复

    • 细分两类

      • Keyed State 键控状态（用的多）

        • 有KeyBy才用这个，仅限用在KeyStream中，每个key都有state ，是基于KeyedStream上的状态

        • 一般是用richFlatFunction,或者其他richfunction里面，在open()声明周期里面进行初始化

        • ValueState、ListState、MapState等数据结构

      • Operator State 算子状态（用的少,部分source会用）

        • ListState、UnionListState、BroadcastState等数据结构

  • RawState（用的少）

    • 用户自己管理和维护

    • 存储结构：二进制数组

• State数据结构（状态值可能存在内存、磁盘、DB或者其他分布式存储中）

  • ValueState 简单的存储一个值（ThreadLocal / String）

    • ValueState.value()

    • ValueState.update(T value)

  • ListState 列表

    • ListState.add(T value)

    • ListState.get() //得到一个Iterator

  • MapState 映射类型

    • MapState.get(key)

    • MapState.put(key, value)

 

 

State状态后端：存储在哪里

• Flink 内置了以下这些开箱即用的 state backends ：

  • （新版）HashMapStateBackend、EmbeddedRocksDBStateBackend

    • 如果没有其他配置，系统将使用 HashMapStateBackend。

  • (旧版）MemoryStateBackend、FsStateBackend、RocksDBStateBackend

    • 如果不设置，默认使用 MemoryStateBackend。

     

• 状态详解

  • HashMapStateBackend 保存数据在内部作为Java堆的对象。

    • 键/值状态和窗口操作符持有哈希表，用于存储值、触发器等

    • 非常快，因为每个状态访问和更新都对 Java 堆上的对象进行操作

    • 但是状态大小受集群内可用内存的限制

    • 场景：

      • 具有大状态、长窗口、大键/值状态的作业。

      • 所有高可用性设置。

  • EmbeddedRocksDBStateBackend 在RocksDB数据库中保存状态数据

    • 该数据库（默认）存储在 TaskManager 本地数据目录中

    • 与HashMapStateBackend在java存储 对象不同，数据存储为序列化的字节数组

    • RocksDB可以根据可用磁盘空间进行扩展，并且是唯一支持增量快照的状态后端。

    • 但是每个状态访问和更新都需要（反）序列化并可能从磁盘读取，这导致平均性能比内存状态后端慢一个数量级

    • 场景

      • 具有非常大状态、长窗口、大键/值状态的作业。

      • 所有高可用性设置

  • 旧版

  MemoryStateBackend（内存，不推荐在生产场景使用）
  FsStateBackend（文件系统上，本地文件系统、HDFS, 性能更好,常用）
  RocksDBStateBackend (无需担心 OOM 风险，是大部分时候的选择)
  ​
  代码配置：
  StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
  env.setStateBackend(new EmbeddedRocksDBStateBackend());
  env.getCheckpointConfig().setCheckpointStorage("file:///checkpoint-dir");
  //或者
  env.getCheckpointConfig().setCheckpointStorage(new FileSystemCheckpointStorage("file:///checkpoint-dir"));
  ​

   

什么是Checkpoint检查点

• Flink中所有的Operator的当前State的全局快照

• 默认情况下 checkpoint 是禁用的

• Checkpoint是把State数据定时持久化存储，防止丢失

• 手工调用checkpoint，叫 savepoint，主要是用于flink集群维护升级等

• 底层使用了Chandy-Lamport 分布式快照算法,保证数据在分布式环境下的一致性

• 有状态流应用的一致检查点，其实就是所有任务的状态，在某个时间点的一份 拷贝（一份快照）；这个时间点，应该是所有任务都恰好处理完一个相同的输入数据的时候

   

 

Flink 捆绑的些检查点存储类型：

• 作业管理器检查点存储 JobManagerCheckpointStorage

• 文件系统检查点存储 FileSystemCheckpointStorage

 

端到端（end-to-end）状态一致性

数据一致性保证都是由流处理器实现的，也就是说都是在Flink流处理器内部保证的
​
在真实应用中，了流处理器以外还包含了数据源(例如Kafka、Mysql)和输出到持久化系统（Kafka、Mysql、Hbase、CK）
​
端到端的一致性保证，是意味着结果的正确性贯穿了整个流处理应用的各个环节，每一个组件都要保证自己的一致性。

• Source

  • 需要外部数据源可以重置读取位置，当发生故障的时候重置偏移量到故障之前的位置

• 内部

  • 依赖Checkpoints机制，在发生故障的时可以恢复各个环节的数据

• Sink：

  • 当故障恢复时，数据不会重复写入外部系统，常见的就是 幂等和事务写入(和checkpoint配合)

 

有关检查点配置的常用参数配置介绍

StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
//设置checkpoint的周期, 每隔1000 ms进行启动一个检查点
env.getCheckpointConfig().setCheckpointInterval(1000);
// 设置状态级别模式为exactly-once
env.getCheckpointConfig().setCheckpointingMode(CheckpointingMode.EXACTLY_ONCE);
//超时时间，可能是保存太耗费时间或者是状态后端的问题，任务同步执行不能一直阻塞
env.getCheckpointConfig().setCheckpointTimeout(60000L);  
// 设置取消和故障时是否保留Checkpoint数据，这个设置较为重要，没有正确的选择好可能会导致检查点数据失效
//有两个参数可以设置
//ExternalizedCheckpointCleanup.RETAIN_ON_CANCELLATION： 取消作业时保留检查点。必须在取消后手动清理检查点状态。
//ExternalizedCheckpointCleanup.DELETE_ON_CANCELLATION： 取消作业时删除检查点。只有在作业失败时，检查点状态才可用。
env.getCheckpointConfig().enableExternalizedCheckpoints(CheckpointConfig.ExternalizedCheckpointCleanup.RETAIN_ON_CANCELLATION);
​

 

实战部分：

为了模拟生产环境中实时产生的订单数据，这里我们自己定义一个数据源来源源不断的产生模拟订单数据

订单类：

@Data
@AllArgsConstructor
@NoArgsConstructor
public class VideoOrder {
    private String tradeNo;
    private String title;
    private int money;
    private int userId;
    private Date createTime;
​
    @Override
    public String toString() {
        return "VideoOrder{" +
                "tradeNo='" + tradeNo + '\'' +
                ", title='" + title + '\'' +
                ", money=" + money +
                ", userId=" + userId +
                ", createTime=" + createTime +
                '}';
    }
}

public class VideoOrderSourceV2 extends RichParallelSourceFunction<VideoOrder> {
​
    private volatile Boolean flag = true;
​
    private Random random = new Random();
​
    private static List<VideoOrder> list = new ArrayList<>();
    static {
        list.add(new VideoOrder("","java",10,0,null));
        list.add(new VideoOrder("","spring boot",15,0,null));
    }
​
​
    /**
     * run 方法调用前 用于初始化连接
     * @param parameters
     * @throws Exception
     */
    @Override
    public void open(Configuration parameters) throws Exception {
        System.out.println("-----open-----");
    }
​
    /**
     * 用于清理之前
     * @throws Exception
     */
    @Override
    public void close() throws Exception {
        System.out.println("-----close-----");
    }
​
​
    /**
     * 产生数据的逻辑
     * @param ctx
     * @throws Exception
     */
    @Override
    public void run(SourceContext<VideoOrder> ctx) throws Exception {
​
        while (flag){
            Thread.sleep(1000);
            String id = UUID.randomUUID().toString().substring(30);
            int userId = random.nextInt(10);
            int videoNum = random.nextInt(list.size());
            VideoOrder videoOrder = list.get(videoNum);
            videoOrder.setUserId(userId);
            videoOrder.setCreateTime(new Date());
            videoOrder.setTradeNo(id);
            System.out.println("产生:"+videoOrder.getTitle()+"，价格:"+videoOrder.getMoney()+", 时间:"+ TimeUtil.format(videoOrder.getCreateTime()));
            ctx.collect(videoOrder);
        }
    }
​
    /**
     * 控制任务取消
     */
    @Override
    public void cancel() {
        flag = false;
    }
}
​

产生数据的格式如下：

主程序：使用reduce算子对数据进订单价格进行滚动计算，并设置Checkpoint保证数据状态可以存取

​
public class FlinkKeyByReduceApp {
​
    /**
     * source
     * transformation
     * sink
     *
     * @param args
     */
    public static void main(String[] args) throws Exception {
​
        //构建执行任务环境以及任务的启动的入口, 存储全局相关的参数
        StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
        env.setParallelism(1);
        env.getCheckpointConfig().setCheckpointingMode(CheckpointingMode.EXACTLY_ONCE);
        env.enableCheckpointing(5000);
 env.getCheckpointConfig().enableExternalizedCheckpoints(CheckpointConfig.ExternalizedCheckpointCleanup.RETAIN_ON_CANCELLATION);
        //这是我本机的ip地址       
        env.getCheckpointConfig().setCheckpointStorage(new                                           FileSystemCheckpointStorage("hdfs://192.168.192.100:8020/checkpoint"));
​
       DataStreamSource<VideoOrder> ds = env.addSource(new VideoOrderSourceV2());
        KeyedStream<VideoOrder, String> videoOrderStringKeyedStream = ds.keyBy(new KeySelector<VideoOrder, String>() {
            @Override
            public String getKey(VideoOrder value) throws Exception {
                return value.getTitle();
            }
        });
​
        SingleOutputStreamOperator<VideoOrder> reduce = videoOrderStringKeyedStream.reduce(new ReduceFunction<VideoOrder>() {
            @Override
            public VideoOrder reduce(VideoOrder value1, VideoOrder value2) throws Exception {
                VideoOrder videoOrder = new VideoOrder();
                videoOrder.setTitle(value1.getTitle());
                videoOrder.setMoney(value1.getMoney() + value2.getMoney());
                return videoOrder;
            }
        });
​
        reduce.print();
​
        env.execute("job");
    }
​
}
​

在本地测试运行结果，可以看到数据根据订单分组不断的进行滚动计算

进入服务器的HDFS查看检查点数据是否存在

 

之后将应用进行打包，上传到服务器进行测试，可以使用Flink的Web页面进行手动提交jar包运行，也可以使用命令进行提交，之后可以看到程序运行过程中的相关日志输出

./bin/flink run -c net.xxx.xxx.FlinkKeyByReduceApp -p 3 /xiaochan-flink.jar 

 

模拟宕机

运行程序的时候我们可以在Flink看到任务进行的id号，这个时候我们手动的cancel掉或者是直接把服务kill掉，这个时候任务被强制暂停。

进入到HDFS可以看到我们设置的检查点的数据依旧存在，我们使用如下命令，让程序从上次宕机前的订单计算状态继续往下计算。

-s : 指定检查点的元数据的位置，这个位置记录着宕机前程序的计算状态
./bin/flink run -s /checkpoint/id号/chk-23/_metadata -c net.xxx.xxx.FlinkKeyByReduceApp -p 3 /root/xdclass-flink.jar 

运行命令，进入WEB页面进行查看，是否成功。

可以看到出现一次close的时候，代表我们的程序以及停止，服务器已经宕机，这个时候订单的计算结果如上图的红色方框。在我们运行了上面那条命令后再次查看日志的数据，从open开始可以看到这次就不是从订单最初的状态开始进行的了，而是从上一次宕机前计算的结果，继续往下计算，到这里Checkponit的实战应用测试就完成了。