flink 并行度 checkpoint

在 Flink 中，Checkpoint 是一种机制，用于实现流处理的容错和恢复。Checkpoint 会将流处理任务的状态信息保存到持久化存储中，以便在出现故障时可以恢复任务并继续处理数据。而并行度和Checkpoint之间的关系是，每个并行任务都会独立地生成和管理自己的Checkpoint。

下面是一个简单的示例，展示了如何在 Flink 中设置并行度和Checkpoint：

// 创建 ExecutionEnvironment
StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();

// 设置并行度为 4
env.setParallelism(4);

// 开启Checkpoint，设置Checkpoint间隔为 10 秒
env.enableCheckpointing(10000);

// 设置Checkpoint模式为 Exactly Once
env.getCheckpointConfig().setCheckpointingMode(CheckpointingMode.EXACTLY_ONCE);

// 设置Checkpoint超时时间为 1 分钟
env.getCheckpointConfig().setCheckpointTimeout(60000);

// 设置同时进行的最大Checkpoint数量为 2
env.getCheckpointConfig().setMaxConcurrentCheckpoints(2);

// 设置Checkpoint存储的位置
env.setStateBackend(new FsStateBackend("file:///tmp/checkpoints"));

// 定义数据源，执行计算操作
DataStream<String> input = env.socketTextStream("localhost", 9999);
input.flatMap(new FlatMapFunction<String, String>() {
    @Override
    public void flatMap(String s, Collector<String> collector) throws Exception {
        collector.collect(s.toUpperCase());
    }
}).print();

// 启动任务
env.execute("Flink Checkpoint Demo");

在这个示例中，我们首先创建了一个 `StreamExecutionEnvironment` 实例，并设置了并行度为 4。接着开启了Checkpoint，并设置了Checkpoint间隔为 10 秒，Checkpoint模式为 Exactly Once，Checkpoint超时时间为 1 分钟，同时进行的最大Checkpoint数量为 2，Checkpoint存储的位置为本地文件系统 `/tmp/checkpoints`。最后定义了一个数据源，并执行计算操作。

总之，Flink 中的并行度和Checkpoint是密切相关的，每个并行任务都需要独立地生成和管理自己的Checkpoint，以保证流处理任务的容错和恢复能力。