Flink1.4 状态终端

1. 概述

Flink 提供了不同的状态终端，可以指定状态的存储方式和位置。

状态可以存储在Java的堆内或堆外。根据你的状态终端，Flink 也可以管理应用程序的状态，这意味着 Flink 可以处理内存管理（可能会溢出到磁盘，如果有必要），以允许应用程序存储非常大的状态。默认情况下，配置文件 flink-conf.yaml 为所有Flink作业决定其状态终端。

但是，默认的状态终端配置也可以被每个作业的配置覆盖，如下所示。

Java版本:

StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
env.setStateBackend(...);

Scala版本:

val env = StreamExecutionEnvironment.getExecutionEnvironment()
env.setStateBackend(...)

2. 可用的状态终端

开箱即用，Flink 内置了如下状态终端：

• MemoryStateBackend
• FsStateBackend
• RocksDBStateBackend

如果没有配置，系统默认使用MemoryStateBackend。

2.1 MemoryStateBackend

MemoryStateBackend 将数据以对象的形式保存在 Java 堆上。键值对状态和窗口算子拥有保存值，触发器等的哈希表。

在进行检查点操作时，状态终端对状态进行快照，并将其作为检查点确认消息的一部分发送给 JobManager（master），并将存储在其堆上。

MemoryStateBackend 可以配置为使用异步快照。尽管我们强烈建议使用异步快照来避免阻塞管道，但请注意，这是一项新功能，目前默认情况下不会启用。要启用此功能，用户可以在实例化 MemoryStateBackend的构造函数中设置相应的布尔值 true，例如：

new MemoryStateBackend(MAX_MEM_STATE_SIZE, true);

MemoryStateBackend 的使用限制：

• 每个单独状态的大小默认限制为5 MB。这个值可以在 MemoryStateBackend 的构造函数中增加。
• 不考虑配置的最大状态大小，状态不能大于akka frame大小。
• 聚合状态必须能够放进 JobManager 内存中。

MemoryStateBackend 适用场景：

• 本地开发和调试
• 只存储较小状态的作业，例如只包含 record-at-a-time 函数的作业（Map，FlatMap，Filter，…）。 Kafka消费者只需要很少的状态。

2.2 FsStateBackend

FsStateBackend 使用文件系统URL（类型，地址，路径）进行配置，如 hdfs://namenode:40010/flink/checkpoints 或 file:///data/flink/checkpoints。

FsStateBackend 将正在使用的数据保存在 TaskManager 的内存中。在进行检查点操作时，将状态快照写入配置的文件系统文件和目录中。较小的元数据存储在 JobManager 的内存中（或者在高可用性模式下，存储在元数据检查点中）。

FsStateBackend 默认使用异步快照，以避免在写入状态检查点时阻塞处理管道。如果要禁用此功能，用户可以在实例化 FsStateBackend 的构造函数中将对应的布尔值设置为 false，例如：

new FsStateBackend（path，false）;

FsStateBackend 适用场景：

• 具有大状态，长窗口，大的键/值状态的作业。
• 所有高可用配置。

2.3 RocksDBStateBackend

RocksDBStateBackend 使用文件系统URL（类型，地址，路径）进行配置，例如 hdfs://namenode:40010/flink/checkpoints 或 file:///data/flink/checkpoints。

RocksDBStateBackend 将 正在使用的数据保存在 RocksDB 数据库中，其位于 TaskManager 数据目录下（默认情况下）。进行检查点操作时，整个 RocksDB 数据库进行检查点操作存储到配置的文件系统和目录中。较小的元数据存储在 JobManager 的内存中（或者在高可用性模式下，存储在元数据检查点中）。

RocksDBStateBackend 总是执行异步快照。

RocksDBStateBackend 使用限制：

• 由于 RocksDB 的JNI桥接API基于 byte []，每个键和每个值支持的最大大小为 2^31 个字节。重要的是在 RocksDB 中使用合并操作的状态（例如ListState）可以累积超过2^31字节，然后在下一次检索时会失败。目前这是 RocksDB JNI 的限制。

RocksDBStateBackend 适用场景：

• 具有非常大的状态，长时间窗口，大键/值状态的作业。
• 所有高可用配置。

请注意，你可以保存的状态数量仅受可用磁盘空间的限制。与保存状态到内存的 FsStateBackend 相比，这可以保存非常大的状态。但是，这也意味着在这个状态终端下可以达到的最大吞吐量将会降低。

RocksDBStateBackend 是目前唯一个提供增量检查点的终端（见这里）。

3. 配置状态终端

如果你不指定，默认的状态终端是 jobmanager。如果你希望为集群中的所有作业建立不同的默认值，可以在 flink-conf.yaml 中定义一个新的默认状态终端来完成。默认的状态终端可以被每个作业的配置覆盖，如下所示。

3.1 设置每个作业的状态终端

作业状态终端在作业的 StreamExecutionEnvironment 上设置，如下例所示：

Java版本:

StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
env.setStateBackend(new FsStateBackend("hdfs://namenode:40010/flink/checkpoints"));

Scala版本:

val env = StreamExecutionEnvironment.getExecutionEnvironment()
env.setStateBackend(new FsStateBackend("hdfs://namenode:40010/flink/checkpoints"))

3.2 设置默认状态终端

可以使用配置键 state.backend 在 flink-conf.yaml 配置文件中配置默认状态终端。

配置的值可以是 jobmanager（MemoryStateBackend），filesystem（FsStateBackend），rocksdb（RocksDBStateBackend），或实现状态终端工厂 FsStateBackendFactory 类的全限定类名，例如 RocksDBStateBackend 的 org.apache.flink.contrib.streaming.state.RocksDBStateBackendFactory。

如果默认状态终端设置为 filesystem，state.backend.fs.checkpointdir 定义了检查点数据存储目录。

配置文件中的示例部分可能如下所示：

# The backend that will be used to store operator state checkpoints

state.backend: filesystem

# Directory for storing checkpoints

state.backend.fs.checkpointdir: hdfs://namenode:40010/flink/checkpoints

备注: Flink版本:1.4

原文:https://ci.apache.org/projects/flink/flink-docs-release-1.4/ops/state/state_backends.html