请解释 Apache Flink 中有状态流处理的核心概念，并对比它和无状态处理之间在数据依赖、容错机制和适用场景方面的主要区别。

回答思路

1. 【回答框架 1】有状态流处理是指算子在处理每条数据时会依赖并更新保存在本地的状态，状态可以视为算子内部的持久化变量，其生命周期由 Flink 管理。无状态处理则每条数据独立处理，不依赖任何历史信息或中间结果。
2. 【回答框架 2】有状态处理的状态存储类型包括 Keyed State 和 Operator State，分别按 key 或算子实例组织。它依赖 Flink 的检查点和恢复机制来保证状态的一致性容错，而无状态处理因为无状态，天然无需持久化，故障直接重放即可。
3. 【回答框架 3】从数据依赖角度看，有状态处理需要记录并利用历史数据，适合窗口聚合、去重、会话分析等场景；无状态处理则逻辑简单，适合数据过滤、格式转换等无需上下文信息的场景。
4. 【回答框架 4】两者在资源消耗上也有差异：有状态处理需考虑状态大小和访问性能，无状态处理常是纯 CPU 型，可弹性伸缩。选型时需根据业务是否需要跨多条事件的上下文来决定。
5. 【回答框架 5】实现上，有状态处理需谨慎管理状态，如适当地使用状态 TTL 和清理策略，避免状态无限增长；无状态处理则更易于并行化和测试。理解各自特性有助于设计可靠高效的流处理作业。
6. 【关键点 1】有状态处理依赖并更新算子本地状态，无状态处理每条数据独立，不依赖历史。
7. 【关键点 2】有状态处理依靠检查点和恢复保证容错，无状态处理无需持久化。
8. 【关键点 3】有状态处理用于窗口聚合、去重等需上下文的场景，无状态适合过滤、转换等操作。
9. 【关键点 4】有状态需考虑状态大小与清理策略，无状态易扩展，实现更简单。
10. 【易错点 1】将算子状态与外部数据库状态混淆，需明确状态是 Flink 管理的本地数据，与外部系统无关。
11. 【易错点 2】忽视状态清理，导致状态无限增长，作业内存压力增大或失效。
12. 【易错点 3】误认为有状态处理必然更慢，实际通过合理状态管理和优化，其性能可满足高吞吐要求。