本期內容 :
- UpdateStateByKey解密
- MapWithState解密
Spark Streaming是實現State狀態管理因素：
01、 Spark Streaming是按照整個BachDuration划分Job的，每個BachDuration都會產生一個Job，為了符合業務操作的需求，
需要計算過去一個小時或者一周的數據，但是由於數據量大於BachDuration，此時不可避免的需要進行狀態維護
02、 Spark 的狀態管理其實有很多函數，比較典型的有類似的UpdateStateByKey、MapWithState方法來完成核心的步驟
一、 UPdateStateByKey ：
在已有歷史數據中的狀態進行更新，具體怎么更新就取決於UPdateFunc函數進行操作，返回一個DSteam類型
最終還是使用DSteam操作的，會不斷的產生數據
生成RDD的過程，計算方法
對傳入的數據，通過K對所有數據進行集合：
優點： 每次都需要對RDD進行計算，確實需要對RDD進行計算，RDD怎么算，就對其進行Cogroup
缺點： 性能問題，因為需要每一次都要對所有數據進行掃描，最終變成CogroupedRDD,隨着數據量的增加速度也越慢
二、 MapWithState ：
返回的是DStreams的時候，進行狀態更新與維護歷史狀態是基於K進行的，具體更新的函數、超時時間、初始狀態等都是由StateSpec(封裝了更新函數)進行獲取、
更新、刪除，相當於記錄在一張表中，對表中的哪個Key進行操作使用歷史數據，State是表名稱或者索引，獲取、更新數據，維護狀態。
所有的Partition都是由MapWithStateRDDRecord所代表的，數據結構是StateMap ，維護的是基於K的狀態
