jiuweiC的博客

demo如下：package org.myorg.quickstartimport org.apache.flink.streaming.api.scala._object HelloWorld { def main(args: Array[String]): Unit = { val env = StreamExecutionEnvironment.getExecutionEnvironment val text = env.fromElements("1212w")

todo参考：https://cloud.tencent.com/developer/article/1390372

flink_kafka EXACTLY_ONCEhttps://www.jenson.show/flink-kafka%E9%9B%86%E7%BE%A4%E9%97%AE%E9%A2%98producerfencedexception/2021-10-11 10:43:52,210 WARN [3226] [org.apache.flink.runtime.taskmanager.Task.transitionState(Task.java:1069)] org.apache.flink.runti

1. 导言flink的网络栈是flink运行的核心组件之一，也是每个flink job的核心。他连接着taskMangager之间的独立的工作单元（子任务，subtask）。这是你的数据的流经之地，因此他对flink的吞吐量和数据数据延迟，有者至关重要的作用。与taskManager和jobManager之间的使用RPCs via Akka协议的通道不同。taskManger之间的网络栈依赖于Netty更加低层的API。本博客是flink网络栈系列的第一篇。在本篇中，我们将先从更高层去看一下流运算符所

反压机制flink的反压机制，在1.4和1.5版本有一个较大改动，在1.5引入了Credit反压机制。flink1.5前的反压机制问题1.5版本前反压机制会存在当一个 Task 出现反压时，可能导致其他正常的 Task 接收不到数据如上图所示，我们的任务有4个 SubTask，SubTask A 是 SubTask B的上游，即 SubTask A 给 SubTask B 发送数据。Job 运行在两个 TaskManager中， TaskManager 1 运行着 SubTask A.1 和 Sub