Flink 状态设计理念(附源码)

1. 流处理的本质需求：必须"记忆"

1.1 无状态计算的严重局限

问题： 如果没有状态，流处理系统只能做"即时映射"：

// ❌ 无状态：只能处理单条数据
dataStream.map(event -> event.getValue() * 2)

但真实业务需要"记忆力"：

场景1：聚合统计（来自源码示例）

// ❌ 无状态：只能处理单条数据
dataStream.map(event -> event.getValue() * 2)

必须记住： 之前累加的总和

• 计算过去1小时的订单总额
• 统计每个用户的点击次数
• 计算移动平均值

场景2：模式检测（状态机示例）
从 Flink 官方示例 StateMachineExample 中看到：

    private static class SummingReducer implements ReduceFunction<Tuple2<Long, Long>> {@Overridepublic Tuple2<Long, Long> reduce(Tuple2<Long, Long> value1, Tuple2<Long, Long> value2) {return new Tuple2<>(value1.f0, value1.f1 + value2.f1);}}

必须记住： 每个实体的当前状态

• 欺诈检测：检测"小额支付后立即大额支付"
• 用户行为分析：连续3次登录失败
• 设备监控：温度连续上升趋势

场景3：去重

// 检测非法的状态转换
public class StateMachineExample {// 每个地址维护一个状态机// 必须记住当前处于什么状态private ValueState<State> currentState;@Overridepublic void flatMap(Event event, Collector<Alert> out) {State state = currentState.value();// 根据当前状态判断新事件是否合法State newState = state.transition(event);if (newState == State.InvalidTransition) {out.collect(new Alert(event));}currentState.update(newState);<