我们知道，持续查询的驱动引擎StreamExecution 会持续不断地驱动每个批次的执行。
对于不需要跨批次的持续查询，如 map(), filter() 等，每个批次之间的执行相互独立，不需要状态支持。而比如类似 count() 的聚合式持续查询，则需要跨批次的状态支持，这样本批次的执行只需依赖上一个批次的结果，而不需要依赖之前所有批次的结果。这也即增量式持续查询，能够将每个批次的执行时间稳定下来，避免越后面的批次执行时间越长的情形。
增量式持续查询的思路和实现：
而在这里面的 StateStore，即是 Structured Streaming 用于保存跨批次状态结果的模块组件。本文解析 StateStore 模块。
StateStore 模块的总体思路
StateStore 模块的总体思路：
分布式实现
跑在现有 Spark 的 driver-executors 架构上
driver 端是轻量级的 coordinator，只做协调工作
executor 端负责状态的实际分片的读写
状态分片
因为一个应用里可能会包含多个需要状态的 operator，而且 operator 本身也是分 partition 执行的，所以状态存储的分片以
operatorId+partitionId为切分依据以分片为基本单位进行状态的读入和写出
每个分片里是一个 key-value 的 store，key 和 value 的类型都是
UnsafeRow（可以理解为 SparkSQL 里的 Object 通用类型），可以按 key 查询、或更新状态分版本
因为 StreamExection 会持续不断地执行批次，因而同一个 operator 同一个 partition 的状态也是随着时间不断更新、产生新版本的数据
状态的版本是与 StreamExecution 的进展一致，比如 StreamExection 的批次 id = 7 完成时，那么所有 version = 7 的状态即已经持久化
批量读入和写出分片
累计当前版本（即 StreamExecution 的当前批次）的多行的状态修改，一次性写出到 HDFS 一个修改的流水 log，流水 log 写完即标志本批次的状态修改完成
同时应用修改到内存中的状态缓存
根据 operator + partition + version， 从 HDFS 读入数据，并缓存在内存里
对于每个分片，读入时
对于每个分片，写出时
关于 StateStore 的 operator, partiton, version 有一个图片可帮助理解：
StateStore：(a)迁移、(b)更新和查询、(c)维护、(d)故障恢复
(a) StateStore 在不同的节点之间如何迁移
在 StreamExecution 执行过程中，随时在 operator 实际执行的 executor 节点上唤起一个状态存储分片、并读入前一个版本的数据即可（如果 executor 上已经存在一个分片，那么就直接重用，不用唤起分片、也不用读入数据了）。
我们上节讲过，持久化的状态是在 HDFS 上的。那么如上图所示：
executor a, 唤起了operator = 1, partition = 1的状态存储分片，从 HDFS 里位于本机的数据副本 load 进来version = 5的数据；一个 executor 节点可以执行多个 operator，那么也就可以在一个 executor 上唤起多个状态存储分片（分别对应不同的 operator + partition），如图示
executor b；在一些情况下，需要从其他节点的 HDFS 数据副本上 load 状态数据，如图中
executor c需要从executor b的硬盘上 load 数据；另外还有的情况是，同一份数据被同时 load 到不同的 executor 上，如
executor d和executor a即是读入了同一份数据 —— 推测执行时就容易产生这种情况 —— 这时也不会产生问题，因为 load 进来的是同一份数据，然后在两个节点上各自修改，最终只会有一个节点能够成功提交对状态的修改。
(b) StateStore 的更新和查询
我们前面也讲过，在一个状态存储分片里，是 key-value 的 store。这个 key-value 的 store 支持如下操作：
/* == CRUD 增删改查 =============================== */// 查询一条 key-value
def get(key: UnsafeRow): Option[UnsafeRow]
// 新增、或修改一条 key-value
def put(key: UnsafeRow, value: UnsafeRow): Unit
// 删除一条符合条件的 key-value
def remove(condition: UnsafeRow => Boolean): Unit
// 根据 key 删除 key-value
def remove(key: UnsafeRow): Unit
/* == 批量操作相关 =============================== */
// 提交当前执行批次的所有修改，将刷出到 HDFS，成功后版本将自增
def commit(): Long
// 放弃当前执行批次的所有修改
def abort(): Unit
// 当前状态分片、当前版本的所有 key-value 状态
def iterator(): Iterator[(UnsafeRow, UnsafeRow)]
// 当前状态分片、当前版本比上一个版本的所有增量更新
def updates(): Iterator[StoreUpdate]
使用 StateStore 的代码可以这样写（现在都是 Structured Streaming 内部实现在使用 StateStore，上层用户无需面对这些细节）：
// 在最开始，获取正确的状态分片(按需重用已有分片或读入新的分片)val store = StateStore.get(StateStoreId(checkpointLocation, operatorId, partitionId), ..., version, ...)
// 开始进行一些更改
store.put(...)
store.remove(...)
// 更改完成，批量提交缓存在内存里的更改到 HDFS
store.commit()
// 查看当前状态分片的所有 key-value / 刚刚更新了的 key-value
store.iterator()
store.updates()
(c) StateStore 的维护
我们看到，前面 StateStore 在写出状态的更新时，是写出的修改流水 log。
StateStore 本身也带了 maintainess 即维护模块，会周期性的在后台将过去的状态和最近若干版本的流水 log 进行合并，并把合并后的结果重新写回到 HDFS：old_snapshot + delta_a + delta_b + … => lastest_snapshot。
这个过程跟 HBase 的 major/minor compact 差不多，但还没有区别到 major/minor 的粒度。
(d) StateStore 的故障恢复
StateStore 的所有状态以 HDFS 为准。如果某个状态分片在更新过程中失败了，那么还没有写出的更新会不可见。
恢复时也是从 HDFS 读入最近可见的状态，并配合 StreamExecution 的执行批次重做。从另一个角度说，就是大家 —— 输入数据、及状态存储 —— 先统一往后会退到本执行批次刚开始时的状态，然后重新计算。当然这里重新计算的粒度是 Spark 的单个 task，即一个 partition 的输入数据 + 一个 partition 的状态存储。
从 HDFS 读入最近可见的状态时，如果有最新的 snapshot，也就用最新的 snapshot，如果没有，就读入稍旧一点的 snapshot 和新的 deltas，先做一下最新状态的合并。
总结
在 Structured Streaming 里，StateStore 模块提供了 分片的、分版本的、可迁移的、高可用 key-value store。
基于这个 StateStore 模块，StreamExecution 实现了 增量的 持续查询、和很好的故障恢复以维护 end-to-end exactly-once guarantees。