Flink Source & Sink
在 Flink 中，Source 代表从外部获取数据源，Transfromation 代表了对数据进行转换操作，Sink 代表将内部数据写到外部数据源
一个 Flink Job 一般由 Source，Transformation，Sink 组成
Flink 提供了 Kafka Connector 用于消费/生产 Apache Kafka Topic 的数据。
Flink 的 kafka consumer 集成了 checkpoint 机制以提供精确一次的处理语义
在具体的实现过程中，Flink 不依赖于 kafka 内置的消费组位移管理，而是在内部自行记录和维护 consumer 的位移。
基本使用方式
val env = StreamExecutionEnvironment.getExecutionEnvironmentval prop:Properties = new Propertiesprop.put("bootstrap.servers", "192.168.17.26:9092,192.168.17.27:9092,192.168.17.28:9092")prop.put("group.id","Flink_kafka_test_5")prop.put("enable.auto.commit","true")prop.put("auto.commit.interval.ms","100")val consumer = new FlinkKafkaConsumer010[String]("flink-test",new SimpleStringSchema,prop)env.addSource(consumer).print()env.execute("job_name")
设置起始 offset
默认情况，从 group offset 开始读，即从消费者组（group.id）提交到 kafka broker 上的位移开始读取分区数据（对于老版本而言，位移是提交到 zookeeper 上）。
如果未找到位移，使用 auto.offset.reset 属性值来决定位移。该属性默认是 largest，即从最新的消息位移处开始消费。
consumer.setStartFromGroupOffsets()
设置从最早的 offset 开始读
consumer.setStartFromEarliest()
设置从最新的 offset 开始读
consumer.setStartFromLatest()
设置从指定的 offset 开始读（注意，这里的位移记录的是下一条待消费消息的位移，而不是最新的已消费消息的位移）
val offsets = new util.HashMap[KafkaTopicPartition, java.lang.Long]()offsets.put(new KafkaTopicPartition("flink-test", 1),600L)offsets.put(new KafkaTopicPartition("flink-test", 2),700L)consumer.setStartFromSpecificOffsets(offsets)
当任务从失败中恢复，或者手动的从 savepoint 恢复时，上述的这些设置位移的方法是不生效的。在恢复时，每个 kafka 分区的起始位移都是由保存在 savepoint 或者 checkpoint 中的位移来决定的
DeserializationSchema 反序列化
如何将从 kafka 中获取的字节流转换为 java Object ？Flink 提供了 DeserializationSchema 接口允许用户自己自定义这个序列化的实现。
该接口的
T deserialize(byte[] message) throws IOException
方法 会在收到每一条 kafka 消息的时候被调用
为了方便使用，Flink 提供了一些反序列化的默认实现：
（1）SimpleStringSchema，可以将消息反序列化成字符串，使用方法：
val consumer = new FlinkKafkaConsumer010[String]("flink-test",new SimpleStringSchema,prop)
（2）JSONKeyValueDeserializationSchema，使用 jackson 将消息反序列化成 ObjectNode，并且构造函数中可以指定需不需要返回 metadata，metadata 包括 topic，offset，partition 信息
val consumer = new FlinkKafkaConsumer010[ObjectNode]("flink-test", new JSONKeyValueDeserializationSchema(true), prop)env.addSource(consumer).map(f => (f.get("value"), f.get("metadata"))).print()
（3）JsonNodeDeserializationSchema，使用 jackson 将消息反序列化成 ObjectNode
val consumer = new FlinkKafkaConsumer010[ObjectNode]("flink-test", new JsonNodeDeserializationSchema, prop)
自动发现 kafka 新增的分区
在上游数据量猛增的时候，可能会选择给 kafka 新增 partition 以增加吞吐量，那么 Flink 这段如果不配置的话，就会永远读取不到 kafka 新增的分区了
prop.put("flink.partition-discovery.interval-millis", "30000")
表示每30秒自动发现 kafka 新增的分区信息
Flink的容错机制
当 Flink 开启了 checkpoint 的时候，Flink 会一边消费 topic 的数据，一边定时的将 offset 和 其他 operator 的状态记录到 checkpoint 中。
如果遇到了 job 失败的情况，那么 Flink 将会重启 job，从最后一个 checkpoint 中来恢复 job 的所有状态，然后从 checkpoint 中记录的 offset 开始重新对 topic 进行消费。
Flink 如何保证端到端的 exacly-once 语义
Flink 基于异步轻量级的分布式快照技术提供 Checkpoint 容错机制。
Flink 分布式快照的核心概念之一就是数据栅栏（barrier）。
Barrier 在数据源端插入，和数据流一起向下流动，（Barrier不会干扰正常的数据，数据流严格有序）
当 snapshot n 的 barrier 插入后，系统会记录当前 snapshot 位置值 n （用 Sn 表示），在 apache kafka 中，这个变量表示某个分区最后一次消费的偏移量。
这个位置值 Sn 会被发送到一个称为 checkpoint coordinate 模块（即 Flink 的 JobManager）。
barrier 插入后，随着数据一起向下游流动，从一个 operator 到 另一个 operator。
当一个 operator 从其输入流接收到所有标识 snapshot n 的barrier 时，它会向其所有输出流继续插入一个 标识 snapshot n 的 barrier。
当 sink operator （DAG 流的终点）从其输入流接收到所有 barrier n 时，它向 checkpoint coordinate 确认 snapshot n 完成。当所有 sink 都确认了这个快照，快照就被标识为完成。
有一个特性是，某个operator 只要一接收到 某个输入流的 barrier n，它就不能继续处理此数据流后续的数据，后续的数据会被放入到接收缓存（input buffer）中（如上图红框标识的缓存区）。
只有当 operator 从最后一个流中提取到 barrier n 时，operator 才会继续发射出所有等待向后发送的数据，然后发送 snapshot n 所属的 barrier。
那么如何保证 exactly-once 语义的？
假设现在 barrier 现在在 source 和 map 之间，任务挂掉了。下一次 Flink 会自动的重启任务，从上一次的快照中恢复。
会从 kafka 的上一次消费的地方开始消费。由于上一次 sink 还未接收到 所有的 barrier 就挂掉了，上一次的数据都被缓存在 input buffer 中，还未到 sink 中处理，这一次重新消费的记录会被sink继续处理。也就是没有多消费一条记录，也没有少消费一条记录。
