Apache flink 如何在flink中实现KGroupTable用例

我正在flink上做一些poc，但我找不到关于如何实现类似于kafka流中KGroupTable的用例的文档，如下所示

KTable<byte[], Long> aggregatedStream = groupedTable.aggregate(() -> 0L,
(aggKey, newValue, aggValue) -> aggValue + newValue.length(),
(aggKey, oldValue, aggValue) -> aggValue - oldValue.length(),  Serdes.Long(),     "aggregation-table-store");

在上面的例子中，第四次更新是，我得到了现有事务#1的更新，因此它将删除旧余额（1000）并添加新余额（500）

---

谢谢

这里是一个你可以如何实现这一目标的草图。我使用元组是因为我懒惰；最好使用POJO

import org.apache.flink.api.common.functions.RichMapFunction；
导入org.apache.flink.api.common.state.MapState；
导入org.apache.flink.api.common.state.MapStateDescriptor；
导入org.apache.flink.api.common.state.ReducingState；
导入org.apache.flink.api.common.state.ReduceingStateDescriptor；
导入org.apache.flink.api.java.tuple.Tuple2；
导入org.apache.flink.api.java.tuple.Tuple3；
导入org.apache.flink.configuration.configuration；
导入org.apache.flink.streaming.api.datastream.DataStreamSource；
导入org.apache.flink.streaming.api.environment.StreamExecutionEnvironment；
带撤销的公共类交易{
公共静态void main（字符串[]args）引发异常{
最终StreamExecutionEnvironment env=StreamExecutionEnvironment.getExecutionEnvironment（）；
DataStreamSource rawInput=env.fromElements(
新元组3（1，“account1”，1000.0F），
新元组3（2，“account1”，2000.0F），
新元组3（3，“account2”，2000.0F），
新元组3（1，“account1”，500.0F）
);
原始输入
.keyBy（t->t.f1）
.map（新的ManageAccounts（））
.print（）；
execute（）；
}
公共静态类ManageAccounts扩展了RichMapFunction{
MapStateDescriptor事务描述；
还原状态描述符平衡描述；
@凌驾
公共void open（配置参数）引发异常{
TransactionDescrc=新的MapStateDescriptor（“事务”，Integer.class，Float.class）；
balanceDesc=新的还原状态描述符（“balance”，（f，g）->f+g，Float.class）；
}
@凌驾
公共Tuple2映射（Tuple3事件）引发异常{
MapState事务=getRuntimeContext（）.getMapState（TransactionDescrc）；
ReductionState balance=getRuntimeContext（）.GetReductionState（balanceDesc）；
Float currentValue=transactions.get（event.f0）；
if（currentValue==null）{
currentValue=0F；
}
事务处理.put（event.f0，event.f2）；
余额。添加（事件f2-当前值）；
返回新的Tuple2（event.f1，balance.get（））；
}
}
}

运行时，将生成：

1> (account1,1000.0)
8> (account2,2000.0)
1> (account1,3000.0)
1> (account1,2500.0)

---

请注意，此实现使所有事务始终处于状态，这在实际应用程序中可能会出现问题，尽管您可以将Flink状态扩展为非常大的状态。

我想要的是不同的东西，更新了问题中的一个示例我已经重写了我的答案。在这种情况下，kafka streams是否更好，因为它是开箱即用的，并且在内部主题中管理所有此类状态？对此类情况的支持正在添加到Flink的Table/SQL API中，我相信将包含在即将发布的Flink 1.11版本中。有关详细信息，请参阅。这应该可以提供您想要的易用性。感谢您的更新，以及您共享的代码，它是否具有容错性，如在集群重新启动或一个节点出现故障的情况下，getRuntimeContext将返回正确的MapState和ReductionState

1> (account1,1000.0)
8> (account2,2000.0)
1> (account1,3000.0)
1> (account1,2500.0)