今天学Flink的关键技术–容错机制，用一些通俗的比喻来讲这个复杂的过程。参考自《离线和实时大数据开发实战》

需要先回顾昨天发的Flink关键概念

检查点（checkpoint）

Flink容错机制的核心是分布式数据流和状态的快照，从而当分布式job由于网络、集群或者任何原因失败时，可以快速从这些分布式快照(检查点checkpoint)中快速恢复，且是轻量级的。

理解思路

Flink容错机制的关键是分组标记栏(barrier)。用河水的例子来简单类比：

• Storm是一滴一滴地处理数据;
• SparkStreaming就像水坝一样，一批一批地放水，上一批放的水处理完了，才会放下一批水;
• Flink的处理方式则更为优雅，它在水中定期地插入barrier，水仍然继续流（所以轻量）只是加了些barrier，如果源头有多个数据流，那么都会同步地增加同样的barrier。

同时在job处理的过程中，为了保证iob失败的时候可以从错误中恢复，Flink还对barrier 进行对齐(align)操作，比如某个operator有多个数据流，那么Flink会等到其多个输入流的同样的barrier 都到了(这就是align的含义)，才会将对齐那一刻的状态进行保存，确保出等的时候可以恢复。当然，对齐也是有负面影响的，如果某个源头数据延迟很多，为了对其可能造成任务延迟，对齐是可以根据业务选择关闭的

详细描述

barrier不会干扰正常数据，数据流分割成两部分，一部分进去当前检查点，一部分进入下一检查点。每个barrier带有检查点ID n，并且之前的数据都进入了这个检查点，检查点中会记录数据的进度信息即偏移量。分布式job中间的operator会接受这些数据流，当接收到带有检查点n标识的barrier时，会给所有输出流也插入一个标识n的barrier。当sink operator（DAG的终点）接收到所有输入流的barrier n时，确认检查点n 已完成。所有sink都确认检查点n完成，这个检查点才完成。

这个中间的operator，如果有多个输入流，是需要对齐

对齐操作：

1. 接收到某个输入流的barrier n，就不能继续处理这个输入流后的数据，直到其余流都收到。不然检查点会和下一个混淆；
2. 先不处理barrier n所属的数据流，从这些数据流接收到的数据先放缓冲区；
3. 当从最后一个流提取到barrier n，operator会把等待发送的数据向后传，同时发射检查点n所属的barrier。
   

经过上述步骤，operator恢复所有输入流数据的处理，并优先处理输入缓存中的数据。

保存点（Savepoint）

检查点是由Flink自动管理的，定期创建，发生故障之后自动读取进行恢复，这是一个“自动存盘”的功能；而保存点不会自动创建，必须由用户明确地手动触发保存操作，所以就是“手动存盘”。
场景：

• 版本管理和归档存储
• 更新Flink版本
• 更新应用程序
• 调整并行度
• 暂停应用程序