本章学习用的项目来自Flink官方文档《Fraud Detection with the DataStream API》，再写如何搭建就显得很累赘，所以省去搭建/测试过程，直接写心得部分。

点击查看【processon】
通过此次Demo的学习，可以粗略总结出整个Flink任务通常会包含三个元素，如上图Flink入门架构图1所示：

• Source，数据源
• Compute，计算过程
• Dest，数据目的地

那么不同的数据源怎么读？数据目的地怎么写？Flink框架提供了 SourceFunction 接口和 SinkFunction ，前者提供了自由的数据读取方式，后者提供了自由的数据写入方式，从而保证的多元化的输入源和目的地。此时我们可以整理出如下的示意图：
点击查看【processon】
解决了数据读取和数据写入的问题之后，我们把目光放在计算方式上。我想多元化的输入/输出其实并不算什么亮点，更重要的是Flink提供了怎样方便的或强大的计算功能？
在此次Demo中，我主要用到了以下几个函数：

• keyBy(KeySelector<IN, OUT>) ，IN表示输入进来的元素类型，OUT表示选择的KEY的类型。就拿官方的Demo来说， keyBy(Transaction::getAccountId) 就是获取Transaction类型的元素的AccountId作为key
• process(KeyedProcessFunction<KEY, T, R>) ，KEY表示key的类型，I表示输入元素的类型，O表示输出元素的类型。在这个方法里，官方Demo是创建了一个 FraudDetector 类，该类继承了 KeyedProcessFunction ，在 processElement() 里进行处理每一个元素

点击查看【processon】
这之后，官方又做了两次“升级”，V1版提供了计算状态存储的演示、V2版提供了定时器的功能，这里先将介绍状态存储：

• ValueStateDescriptor ，一个状态描述符，通过该描述符可以创建出一个对应类型的 ValueState
  • 一个Key对应一个ValueState，怎么实现的？感觉是通过RuntimeContext完成的，有待考证
• context.timerService() ，获取时间服务通过 registerProcessingTimeTimer ，注册到了指定时间回调 onTimer() 方法

遗留问题

• Flink如何实现 flagState.value() 不同的key可以获取到不同的value？