state

---

flink 支持有状态的流，存储历史的状态信息。
状态

状态分类
keystate keyBy/groupBy/PartitonBy 后，每个key都有属于自己的一个state

• liststate
• valuestate
• mapstate

operatorstate-flink source connector 的实现会用operatorState 来记录source 数据读取的offset

• broadcaststate
  可以通过读取外部数据，进行广播变量,转化成广播流进行和一般流数据进行关联
• liststate
• unionliststate
  三种状态存储方式机使用场景
  状态后端-传入一条数据，有状态的算子任务都会读取和更新状态
  状态后端作用-管理本地状态，将状态写入远程存储。
  
• memoryStateBackend
  状态存储在TaskManager中，执行checkpoint 的时候会将状态保存在jobManager 中。
• FsStateBackend
  状态会在taskManager内存中，自己维护一份。当checkpoint 时，转存到外部分布式存储系统。本地内存访问速度快，容易OMM
• RocksDBStateBackend
  状态会在RocksDB中进行存储,解决内存限制问题，checkpoint 会状态存储在远端分布式存储。

容错语义

---

源头是多个数据流，同步的增加barrier ,同时在job处理的过程中，为了保证job失败的额时候可以从错误中恢复，flink 还对barrier进行align 对其操作
snapshots 全局一致性镜像，快照的内容是state,比如source offset 或者 算子累加的结果。

at most once

no replay resource

at least once

replay resource

exactly-once

checpointed replay source
flink 内部的exactly-onece
exactlyOnce 不是数据只处理一次，而是数据只影响数据结果一次

barrier对齐就是exactly once ，barrier不对齐就是at least once
barrier从source Task处生成，一直流到Sink Task，期间所有的Task只要碰到barrier，就会触发自身进行快照
flink 容错的核心时barrier alignment(组标记栏)
设置方式：
env.getCheckpointConfig().setCheckpointingMode(CheckpointingMode.EXACTLY_ONCE);

容错续跑

---

算子容错续跑

• 只设置重启策略，不设置checkpoint
  state不会保留，每次重启都会重新计算
• 设置重启策略，设置checkpoint方式
  state 会保留在checkpoint中，计算结果包含以前的结果。默认state存储在jobmanager内存中。
• 设置重启策略，设置checkpoint，设置存储后端是fs。
  state 存储在后端fs,作业停止后,默认会删除checkpoint。
• 设置重启策略，设置checkpoint，设置存储后端是fs，开启保存cp.
  支持继续跑

senv.enableCheckpointing(1000);
senv.setStateBackend(new FsStateBackend("file:///D:\\DATA"));
senv.ssetRestartStrategy(RestartStrategies.fixedDelayRestart(3, Time.of(1,TimeUnit.MILLISECONDS) ));
senv.getCheckpointConfig().enableExternalizedCheckpoints(CheckpointConfig.ExternalizedCheckpointCleanup.RETAIN_ON_CANCELLATION);

task异常作业逻辑不变CP/SP策略

作业恢复续跑命令

• 从checkpoint 恢复
  bin/flink run -s file:///D:\\DATA\\cbefc1f3110c2db01f1dc5e25b8e5ba0\\chk-10
  控制台页面提交submit job支持恢复
• 从savepoint 恢复
  1.停止作业savepoint
  bin/flink cancle -s 作业id
  创建savepoint 并进行停止作业
  2.从savepoint 恢复
  bin/flink run -s file:///D:\\DATA\\cbefc1f3110c2db01f1dc5e25b8e5ba0\\savepoint-10erfdgdfgddfd

bugfix升级续跑SP策略

作业拓扑变化的升级续跑

• 作业不能启动
  bin/flink run -s file:///D:\\DATA\cbefc1f3110c2db01f1dc5e25b8e5ba0\\savepoint-10erfdgdfgddfd
• 作业启动，但是state没恢复
  bin/flink run -s file:///D:\\DATA\cbefc1f3110c2db01f1dc5e25b8e5ba0\\savepoint-10erfdgdfgddfd --allowNonRestoredState
  添加参数allowNonRestoredState，作业能过成功，但是state的关系没有恢复。
• 作业能启动，state也能恢复
  bin/flink run -s file:///D:\\DATA\cbefc1f3110c2db01f1dc5e25b8e5ba0\\savepoint-10erfdgdfgddfd --allowNonRestoredState
  添加uid逻辑，统一的算子和state文件映射关系

source容错续跑

source外部数据源支持提供数据重放，例如kafka,可以提供的postion进行数据拉取。
要实现CheckpointedFunction接口,实现保存kafka的offset ,实现数据源续跑
snapshotState，initializeState 方法

# taskid 和offset 续跑不对应
getListState list结构，只存offset
# taskid 和offset 续跑相对应
getUnionListState,是map结构，存储<taskid,offset>
#offset的时候要使用SourceContext.getCheckpointLock来进行同步操作,保证确定性一次语义。synchronized (ctx.getCheckpointLock()) {ctx.collect(new Tuple3<>("key", ++offset, String.valueOf(System.currentTimeMillis())));}

sink 容错续跑

两阶段提交,sink operator 需要感知整个checkpoint 的完成，并在完成后才将数据存储。
数据满足两个要求

• 下游组件对事物的支持
• 通过flink两阶段提交协议和预提交阶段，确保提交或回滚一致性的问题

步骤
# cp 完成之前结果写入临时存储
#上一个cp之后生成当前cp的事务ID
#cp将当前事务进行持久化
#cp完成后，将当前事务对应的结果数据写入正式外部系统