江阴网站优化公司,大企业官网设计,高新区网站建设公司,云主机免费版目录
键控数据流（Keyed DataStream）
键控状态（Keyed State）
值状态（ValueState）
列表状态（ListState）
归约状态（ReducingState）
聚合状态（AggregatingState）
映射状态（MapState）
状态生存时间(TTL)
算子状态（Operator State）
广播状态（Broadcast S…目录
键控数据流（Keyed DataStream）
键控状态（Keyed State）
值状态（ValueState）
列表状态（ListState）
归约状态（ReducingState）
聚合状态（AggregatingState）
映射状态（MapState）
状态生存时间(TTL)
算子状态（Operator State）
广播状态（Broadcast State）
实现CheckpointedFunction使用算子状态 对于DataStream来说，状态主要分为如下两类：
（1）键控状态（keyed state）
（2）算子状态（Operator State） 说键控状态之前，不得不提键控数据流。
键控数据流（Keyed DataStream） 如果希望使用键控状态（keyed state），首先需要在数据流上指定一个键，该键用于对状态（以及流本身中的记录）进行分区。您可以在数据流上使用Java/Scala API中的keyBy(KeySelector)或Python API中的key_by(KeySelector)来指定键。使用该方法后将产生一个键控流KeyedStream，它允许使用键控状态的算子。 键选择器函数（key selector function）接受一条记录作为输入，并返回该记录的键。键可以是任何类型，并且必须从确定性计算中得到。 Flink的数据模型不是基于键值对的。因此，不需要将数据集类型物理地打包到键和值中。键是“虚拟的”：它们被定义为实际数据上的函数，以指导分组算子。
