1、chekpoint、savepoint
CheckPoint是Flink实现故障容错的一种机制，系统会根据配置的检查点定期自动对程序计算状态进行备份。一旦程序在计算过程中出现故障，系统会选择一个最近的检查点进行故障恢复。
SavePoint是一种有效的运维手段，需要用户手动触发程序进行状态备份，本质也是在做CheckPoint。
./bin/flink cancel -m centos:8081 -s hdfs:///savepoints f21795e74312eb06fbf0d48cb8d90489
实现故障恢复的先决条件：
- 持久的数据源，可以在一定时间内重播记录（例如，FlinkKafkaConsumer）
- 状态的永久性存储，通常是分布式文件系统（例如，HDFS）
代码配置如下，关于不同的job任务，计算复杂程度和资源使用情况是不一样的，所以关于该参数配置，没有最优方案，要根据服务器的性能、任务的实际情况进行调试。
原则：因为checkpoint会牺牲计算的实时性（barrier实现），所以在保证程序checkpoint成功的情况下，不建议时间间隔太短。
var env=StreamExecutionEnvironment.getExecutionEnvironment
//启动检查点机制
env.enableCheckpointing(5000,CheckpointingMode.EXACTLY_ONCE)
//配置checkpoint必须在2s内完成一次checkpoint，否则检查点终止
env.getCheckpointConfig.setCheckpointTimeout(2000)
//设置checkpoint之间时间间隔 <= Checkpoint interval。忽略检查点的时间间隔
env.getCheckpointConfig.setMinPauseBetweenCheckpoints(5)
//配置checkpoint并行度，不配置默认1
env.getCheckpointConfig.setMaxConcurrentCheckpoints(1)
//一旦检查点不能正常运行，Task也将终止
env.getCheckpointConfig.setFailOnCheckpointingErrors(true)
//将检查点存储外围系统 filesystem、rocksdb,可以配置在cancel任务时候，系统是否保留checkpoint
env.getCheckpointConfig.enableExternalizedCheckpoints(ExternalizedCheckpointCleanup.RETAIN_ON_CANCELLATION)
2、Flink计算发布之后是否还能够修改计算算子？(指状态恢复)
首先，这在Spark（后期有时间博主会分享关于spark的知识）中是不允许的，因为Spark会持久化代码片段，一旦修改代码，必须删除Checkpoint，但是Flink仅仅存储各个算子的计算状态，如果用户修改代码，需要用户在有状态的操作算子上指定uid属性。
env.addSource(new FlinkKafkaConsumer[String]("topic01",new SimpleStringSchema(),props))
.uid("kakfa-consumer")
.flatMap(line => line.split("\\s+"))
.map((_,1))
.keyBy(0) //只可以写一个参数
.sum(1)
.uid("word-count") //唯一即可
.map(t=>t._1+"->"+t._2)
.print()