flink exactly-once系列目录：
一、[两阶段提交概述](http://mp.weixin.qq.com/s?__biz=MzU5MTc1NDUyOA==&mid=2247483818&idx=1&sn=8c7bf4d00e81d7635bfa26b78a78ebba&chksm=fe2b65e5c95cecf349d9819fe6c998359cb9a8695abbdf74e326adc0503c8f330a2d47182b63&scene=21#wechat_redirect)
二、两阶段提交实现分析
三、StreamingFileSink源码分析
四、事务性输出实现
五、最终一致性实现
在【[两阶段提交概述](http://mp.weixin.qq.com/s?__biz=MzU5MTc1NDUyOA==&mid=2247483818&idx=1&sn=8c7bf4d00e81d7635bfa26b78a78ebba&chksm=fe2b65e5c95cecf349d9819fe6c998359cb9a8695abbdf74e326adc0503c8f330a2d47182b63&scene=21#wechat_redirect)】中介绍了两阶段提交的基本思路以及如何根据checkpoint机制来实现两阶段提交思路，flink给出来两阶段提交抽象实现TwoPhaseCommitSinkFunction与具体实现FlinkKafkaProducer011。
一、TwoPhaseCommitSinkFunction
TwoPhaseCommitSinkFunction是一个抽象类，继承RichSinkFunction，实现CheckpointedFunction与CheckpointListener接口。抽象出了以下四个方法：
beginTransaction， 开启一个事务，获得一个句柄
preCommit，执行预提交
commit ，执行提交
abort，放弃一个事务
使用这四个方法然后结合checkpoint 过程提供的hook，来实现两阶段提交过程，看下其具体调用流程：
a. initializeState 状态初始化方法，只会被调用一次，第一件事情是用来恢复上次checkpoint完成预提交的事务与下一次checkpoint开始的事务，对于上次checkpoint完成预提交说明该checkpoint已经完成，那么执行commit操作，下一次checkpoint开始的事务说明该checkpoint，那么执行abort操作，第二件事情是开启一个新的事务，给新的checkpoint使用；
b. snapshotState 与checkpoint同步周期性执行的方法，首先执行preCommit对本次checkpoint事务执行预提交操作，并且开启一个新的事务提供给下一次checkpoint使用，然后将这两个事务句柄存放在state中进行容错，preCommit提交的事务就是在失败后重启需要commit的事务，而新开启的事务就是在失败后重启需要放弃的事务；
c. notifyCheckpointComplete checkpoint完成之后的回调方法，负责对预提交的事务执行commit操作。
在上面的流程中，任何一个步骤都有可能会失败，如果在预提交阶段失败，任务会失败重启回到最近一次的checkpoint成功状态，预提交的事务自然会因为事务超时而放弃；如果在预提交之后提交之前也就是完成checkpoint 但是还没触发notifyCheckpointComplete动作，这个这个过程中失败，那么就会从这次成功的checkpoint中恢复，会执行initializeState中的逻辑保证数据的一致性；如果在commit之后下次checkpoint之前失败，也就是在执行notifyCheckpointComplete之后失败，那么任务重启会继续提交之前已经提交过的事务，因此事务的提交需要保证重复提交不会影响数据的一致性。整个流程分析下来，除了需要保证事务重复提交保证数据的一致性外，还需要保证事务句柄能够被持久化容错，以便失败后重启恢复，接下来看下输出kafka 是如何保证数据一致性的。
二、FlinkKafkaProducer011
kafka从0.11版本开始提供了幂等与事务的特性，保证了数据的一致性，具体可以参考https://www.infoq.cn/article/kafka-analysis-part-8这篇文章，幂等通过producerId与SequenceNumber 来保证，但是幂等只能保证对单个分区操作的数据一致性，事务通过transactionId、producerId、epoch三个元素来保证，transactionId由客户端指定，producerId内部实现但是对用户透明、epoch表示对相同transactionId 不同producer的区分。FlinkKafkaProducer011继承TwoPhaseCommitSinkFunction抽象类，将kafka事务机制与checkpoint结合，如下图：
kafka的事务机制基本流程是先开启一个事务，然后发送数据，最后提交，将开启事务过程放在initializeState与snapshotState中，发送数据放在invoke中，flush 将所有缓存数据刷新到kafka ，相当于预提交操作，在snapshotState中执行，commitTransaction 提交操作放在notifyCheckpointComplete中执行。上面任何一个流程都有可能出现异常导致任务失败，对于kafka事务提交机制也是使用两阶段提交的模式，根据上一篇的分析，那么可能出现的问题就是在第二阶段，可能会出现部分提交成功部分提交失败导致数据不一致，如果能获取之前提交失败kafka 的transactionId、producerId、epoch这三个元素那么就可以在任务重启继续提交之前失败的事务，在flink 正好可以使用状态将这个三个元素进行容错，使重启之后可恢复。 在FlinkKafkaProducer011中使用KafkaTransactionState对象作为事务的句柄，保存着transactionId、producerId、epoch容错元素与FlinkKafkaProducer对象，FlinkKafkaProducer是transient类型的，不需要进行持久化，通过t-p-e就可以确定一个FlinkKafkaProducer。
理解以上流程就很好理解代码实现了，下面看几个重要的方法：
1. 开始事务，获得一个新的事务句柄
2. 预提交，执行flush操作
3. 提交，执行commitTransaction操作
4. 出现异常，任务重启放弃事务
三、两阶段提交实现总结
1. 外部存储需要满足事务特性
2. 外部存储需提供事务句柄，可持久化、可重新提交
3. 由于这种两阶段提交模式与checkpoint绑定在一起，checkpoint是周期性的执行，那么checkpoint周期的长短则会影响下游数据的延时性，需要根据实际使用情况来调整。
