在 Flink 中，“Exactly-Once” 等一致性语义不是自动全局生效的，需要分层理解并按端到端的链路来配置。下面从业务开发者的视角，说明不同模式的配置方法和业务保障手段。

一、Flink 的三种一致性语义

内部状态的 Exactly-Once 可以通过 Flink 的 Checkpoint 机制天然实现，而端到端 Exactly-Once (即 source→Flink→sink 全链路) 还需要 source 可重放、sink 支持事务或幂等写入。

二、业务如何配置 Exactly-Once

1. 开启 Checkpoint（状态一致性基础）

java

StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();

// 每 5000ms 启动一次 Checkpoint，模式为 EXACTLY_ONCE (默认)
env.enableCheckpointing(5000, CheckpointingMode.EXACTLY_ONCE);

// 必须的容错配置
env.getCheckpointConfig().setMinPauseBetweenCheckpoints(500);
env.getCheckpointConfig().setCheckpointTimeout(60000);
env.getCheckpointConfig().setMaxConcurrentCheckpoints(1); // 至少一次/精确一次建议为 1
env.getCheckpointConfig().enableExternalizedCheckpoints(
    CheckpointConfig.ExternalizedCheckpointCleanup.RETAIN_ON_CANCELLATION);

• CheckpointingMode.EXACTLY_ONCE 保证内部状态的精确一次。

• 若设为 AT_LEAST_ONCE，则状态可能重复，但 checkpoint 开销更小、延迟更低。

状态后端推荐使用 RocksDBStateBackend（适合大状态、生产环境），并配置到可靠的分布式文件系统上，如 HDFS、S3。

2. Source 端配置 —— 要求可重放

需要 source 连接器支持将读取偏移量（offset）保存在 Flink 的 Checkpoint 中，恢复时从该偏移量重新消费。
内置支持 Exactly-Once 的 Source：Kafka、Pulsar、FileSystem 等。

Kafka Source 示例（Flink 1.17+ 新 API）：

java

KafkaSource<String> source = KafkaSource.<String>builder()
    .setBootstrapServers("brokers")
    .setTopics("input-topic")
    .setGroupId("flink-group")
    .setStartingOffsets(OffsetsInitializer.committedOffsets(OffsetResetStrategy.EARLIEST))
    .setValueOnlyDeserializer(new SimpleStringSchema())
    .setProperty("enable.auto.commit", "false")   // 必须关闭自动提交
    .setProperty("isolation.level", "read_committed") // 若 sink 用事务，需配合读已提交
    .build();

• 关闭自动提交，偏移量由 Flink 在 checkpoint 完成时提交到 Kafka 或保存在状态中。

• 恢复时会从 Checkpoint 记录的 offset 开始回放，保证 source 到 Flink 不丢不重。

3. Sink 端配置 —— 实现端到端 Exactly-Once 的关键

根据下游系统，选用对应的事务性或幂等性 sink。

(1) 使用两阶段提交（2PC）的事务型 Sink

• Kafka Sink (FlinkKafkaProducer 旧 API，或 KafkaSink 新 API)：

  java

  // 旧 API (DataStream API 中)
  FlinkKafkaProducer<String> kafkaProducer = new FlinkKafkaProducer<>(
      "output-topic",
      new SimpleStringSchema(),
      props,
      FlinkKafkaProducer.Semantic.EXACTLY_ONCE);
  // 或使用新 KafkaSink (推荐)
  KafkaSink<String> sink = KafkaSink.<String>builder()
      .setBootstrapServers("brokers")
      .setRecordSerializer(KafkaRecordSerializationSchema.builder()
          .setTopic("output-topic")
          .setValueSerializationSchema(new SimpleStringSchema())
          .build())
      .setDeliveryGuarantee(DeliveryGuarantee.EXACTLY_ONCE)
      .setTransactionalIdPrefix("flink-tx-")
      .build();

  • 需要配置 transactional.id.prefix，Flink 利用 Kafka 事务将 checkpoint 和写入绑定。

• FileSink（写入文件系统）：

  java

  FileSink<String> sink = FileSink
      .forRowFormat(new Path("hdfs://output"), new SimpleStringEncoder<String>("UTF-8"))
      .withRollingPolicy(...)
      .build();

  • FileSink 默认使用两阶段提交，写入临时文件，checkpoint 完成后原子性重命名。

(2) 幂等写入方案

对不支持事务的系统（如 Elasticsearch、Redis、部分 JDBC），可以利用主键去重实现幂等。

• 业务上需保证每条数据有唯一键（如订单ID），重复写入不会改变结果。

• 配合 At-Least-Once 的 sink 也能达到业务级的 Exactly-Once。

• 例如，MySQL sink 可以使用 INSERT ... ON DUPLICATE KEY UPDATE，Elasticsearch 以文档 ID 写入。

(3) 自定义 Sink 实现两阶段提交

如果你的下游没有现成的事务连接器，需要继承 TwoPhaseCommitSinkFunction 实现 beginTransaction、preCommit、commit、abort 四个方法，Flink 会在 checkpoint 不同阶段调用它们。

java

public class MyTxSink extends TwoPhaseCommitSinkFunction<MyData, MyTransaction, Void> {
    // 开启事务
    protected MyTransaction beginTransaction() { ... }
    // 写入数据
    protected void invoke(MyTransaction tx, MyData value, Context ctx) { ... }
    // 预提交
    protected void preCommit(MyTransaction tx) { ... }
    // 正式提交
    protected void commit(MyTransaction tx) { ... }
    // 丢弃
    protected void abort(MyTransaction tx) { ... }
}

之后在流中使用：

java

dataStream.addSink(new MyTxSink());

这样开发出的 sink 就能参与 Flink 的 Exactly-Once 基础设施。

三、业务如何保证 Exactly-Once （编码与运维）

1. 检查点与恢复策略

• 启用外部持久化检查点：
  enableExternalizedCheckpoints(RETAIN_ON_CANCELLATION)，保证作业取消后 Checkpoint 不删除，可用于手动重启。

• 配置重启策略：
  比如失败重启固定次数且每次延时间隔：

  java

  env.setRestartStrategy(RestartStrategies.fixedDelayRestart(3, Time.of(10, TimeUnit.SECONDS)));

• 从 Savepoint / Checkpoint 恢复：
  上线或迁移时指定：-s hdfs://path/to/savepoint。

2. 状态里避免非确定性操作

算子内部如果使用 System.currentTimeMillis()、随机数等，恢复时可能导致计算结果不一致，破坏 Exactly-Once 语义。
应将这些值存入状态，或使用 Flink 提供的 ProcessingTimeService 等确定性接口。

3. 保证 Exactly-Once 的代价与局限

• 延迟略高：需要等待 checkpoint 完成才能提交事务，可调小 checkpoint 间隔（如秒级）平衡时效。

• 下游隔离级别：若用 Kafka 事务，下游消费者需设置 isolation.level=read_committed，否则会读到未提交的脏数据。

• 确认下游支持事务：不是所有系统都支持 2PC，此时只能选用幂等写入或接受 At-Least-Once。

四、其他模式的配置速览

At-Least-Once（至少一次）

• 关闭 Checkpoint：不调用 env.enableCheckpointing()，或者

• 设置 Checkpoint 模式为 AT_LEAST_ONCE：

  java

  env.enableCheckpointing(5000, CheckpointingMode.AT_LEAST_ONCE);

• Sink 不加事务（如普通 Redis/MySQL Sink），故障恢复时状态从上一个 checkpoint 重放，导致下游可能收到重复数据。

At-Most-Once（最多一次）

• 不启用 Checkpoint，也不配置重启策略。

• Source 只消费一次（如 Kafka 提交偏移量在读取后立即自动提交），失败就不管了。业务很少这样使用，一般通过关闭 checkpoint 并不做任何重试来实现。

总结

最简实践：Flink 程序通过 enableCheckpointing + Kafka Source（可重放） + KafkaSink（事务）/ FileSink，就能获得生产级端到端 Exactly-Once，无需额外编码。对于其他下游，能事务就配置事务 Sink，不能事务就设计幂等写入，同样可以保证业务级精确一次。

转载自CSDN-专业IT技术社区

原文链接：https://blog.csdn.net/INGNIGHT/article/details/161803521