在Beam/Dataflow中，ParDo无法直接处理有状态的数据。然而，我们可以通过使用Combine和窗口来实现有状态处理。

下面是一个使用Python SDK的示例代码，演示了如何在有状态处理的情况下运行ParDo：

import apache_beam as beam
from apache_beam.transforms.window import FixedWindows
from apache_beam.transforms.trigger import AfterWatermark, AfterProcessingTime

class MyStatefulDoFn(beam.DoFn):
  def __init__(self):
    self.state = beam.DoFn.StateParam(beam.DoFn.StateSpec('state', beam.transforms.trigger.AfterWatermark(0, True), beam.transforms.trigger.AfterProcessingTime(0, True)))
  
  def process(self, element, window=beam.DoFn.WindowParam, state=beam.DoFn.StateParam):
    # 在此处编写有状态的处理逻辑
    # 可以通过state参数访问和更新状态
    pass

with beam.Pipeline() as p:
  input_data = p | 'ReadInput' >> beam.io.ReadFromText('input.txt')
  
  # 定义窗口
  windowed_data = input_data | 'Window' >> beam.WindowInto(FixedWindows(10))
  
  # 使用Combine进行有状态处理
  combined_data = windowed_data | 'Combine' >> beam.CombineGlobally(MyStatefulCombineFn()).without_defaults()
  
  # 使用ParDo进行无状态处理
  processed_data = combined_data | 'Process' >> beam.ParDo(MyDoFn())
  
  # 写出结果
  processed_data | 'WriteOutput' >> beam.io.WriteToText('output.txt')

在上面的代码中，我们首先定义了一个MyStatefulDoFn类，其中包含一个有状态参数state，并在process方法中编写有状态处理逻辑。然后，我们使用beam.CombineGlobally将有状态的数据进行全局合并，并将结果传递给ParDo进行无状态处理。

请注意，由于ParDo无法直接处理有状态的数据，因此我们必须使用Combine来实现有状态的处理，并在Combine之后使用ParDo进行无状态的处理。

希望这个示例可以帮助你理解在有状态处理的情况下如何运行ParDo。请根据你的具体需求进行适当的修改和调整。