Flink 状态的类型Flink 状态的类型Managed State & Raw State按照管理方式，Flink

Managed State & Raw State

按照管理方式，Flink 将状态分为 Managed State 和 Raw State ，两者的区别如下

管理方式
- Managed State 由 Flink Runtime 管理，自动存储、自动恢复、在内存管理上有优化。(Checkpoint 、Savepoint 保存的就是该类型的状态)
- Raw State 需要用户自己管理，需要自己序列化 (无法使用 Flink Checkpoint 、Savepoint 机制，需要自己实现状态容错及恢复)
支持的数据结构
- Managed State 支持已知的数据结构，如 Value、List、Map 等。
- Raw State 只支持字节数组，所有状态数据都要转换为二进制字节数组存储
使用场景
- Managed State 适用于大多数业务场景
- Raw State 仅当 Managed State 不够用时，比如需要自定义 Operator 时，才推荐使用 Raw State

Managed State 是最常用的状态类型，具体又细分为两种，一种叫 Keyed State ，从名称就知道跟 key 相关。另外一种叫 Operator State，从名称就知道跟 Operator 相关。两者的区别如下：

可用于哪些 Operator
- Keyed State 只能用在 KeyedStream 流上的 Operator
- Operator State 可用于所有 Operator, 常用于 source 算子，例如 FlinkKafkaConsumer

State 对应关系

KeyedStream 流中的每种(注意，不是每个) key 对应一个Keyed State，一个 Keyed State 也只对应一种 key ，两者都是一对一的对应关系
- 如果 KeyedStream 流中多种 key 被分配到同一个 Operator 处理，则这个 Operator 可以访问这些 key 对应的 Keyed State，因此也可以不严谨的认为，一个 Operator 可能会对应多个 Keyed State (注意是可能会)，但是一个 Keyed State 肯定是只对应一个 Operator
一个 Operator 对应一个 Operator State ，一个 Operator State 也只对应一个 Operator ，两者都是一对一的对应关系

并行度改变后

Keyed State 随着 key 在实例间迁移
Operator State 重新分配。有两种策略
- 合并所有 Operator State 后，均匀分配 Operator State 到每一个 Operator
- 合并所有 Operator State 后，全量分配到每一个 Operator

访问方式

支持的数据结构

Keyed State
- ValueState : 类型为 T 的单值状态，这个状态与对应的 Key 绑定，最简单的状态，通过 update 方法更新值，通过 value 方法获取值
- ListState : Key 上的状态值为一个列表，这个列表可以通过 add 方法往列表中添加值，也可以通过 get() 方法返回一个 Iterable<T>来遍历状态值
- ReducingState : 每次调用 add() 方法添加值的时候，会调用用户传入的 reduceFunction，最后合并到一个单一的状态值
- MapState<UK, UV> : 状态值为一个Map，用户通过 put 或 putAll 方法添加元素，get(key) 通过指定的 key 获取 value，使用 entries()、keys()、values()检索
- AggregatingState<IN, OUT> : 保留一个单值，表示添加到状态的所有值的聚合。和 ReducingState 相反的是, 聚合类型可能与添加到状态的元素的类型不同。使用 add(IN) 添加的元素会调用用户指定的 AggregateFunction 进行聚合
- FoldingState<T, ACC> : 已过时！建议使用AggregatingState 保留一个单值，表示添加到状态的所有值的聚合。与 ReducingState 相反，聚合类型可能与添加到状态的元素类型不同。使用add（T）添加的元素会调用用户指定的 FoldFunction 折叠成聚合值
Operator State
- ListState