什么是Flink有状态计算？
在传统的流式计算中，要获取历史计算结果，都是需要从外部获取的，并且为了下次计算能够获取到上一次的中间计算数据，还需要将这些数据输出到外部，这一进一出，无疑是非常影响性能的。因为从外部获取数据，就意味着有网络IO，也增加了结果收到外部环境影响的因素，例如网络波动造成数据获取缓慢甚至失败。
Flink有状态计算是将计算的中间状态结果数据存储在计算程序本地，即每个算子内部维护一个状态存储空间，计算的中间结果不再需要从外部读取，也不需要将中间结果输出到外部，这个状态一般是在内存中进行维护，例如程序运行在JVM中，那么状态就存储在JVM的堆内存中。
状态的优缺点
优点：
将中间状态结果数据存储在计算程序本地，提升了计算性能
缺点：
算子的中间状态的一致性如何保证，需要额外的机制来处理
系统宕机，中间结果数据丢失的问题
因为需要保存计算中间过节数据，增加了额外的内存空间需求
代码逻辑发生变化，状态如何处理
状态计算应用场景
对数据进行去重
窗口的中间结果存储
机器学习训练模型时的中间结果存储
历史数据对比
Flink的几种状态类型
Flink的状态分为两大类：Raw State 和 Managed State。
Raw State：原始状态
原始数据流，所有状态管理由用户来管理
需要手动实现序列化操作
状态数据类型只支持byte[]
适用于Operator需要自定义的场景
Managed State：托管状态
是由Flink内部的runtime进行管理
自动存储和恢复
状态类型支持通用的数据结构，如：Value、List、Map
适用于大部分计算场景
Managed State还分为两种状态：Keyed State和Operator State。
Keyed State基于每个key进行状态存储，是KeyedStream上的状态。支持的数据类型有：ValueState，ListState，ReducingState，AggregatingState，MapState。
Operator State可以用在所有算子上，每个算子子任务或者说每个算子实例共享一个状态，也就是和key没有关系，流入这个算子子任务的数据可以访问和更新这个状态。支持的数据类型有：ListState，BroadcastState。
无论是Keyed State还是Operator State，Flink的状态都是基于本地的，即每个算子子任务维护着这个算子子任务对应的状态存储，算子子任务之间的状态不能相互访问。