TaskManager（非source Task接收）
在上一篇《背压原理》又或是这篇的基础铺垫上，其实我们可以看到在Flink接收数据用的是InputGate，所以我们还是回到org.apache.flink.streaming.runtime.io.StreamInputProcessor#processInput这个方法上
随后定位到处理数据的逻辑：
final BufferOrEvent bufferOrEvent = barrierHandler.getNextNonBlocked();
想点击进去，发现有两个实现类：
BarrierBufferBarrierTracker
这两个实现类其实就是对应着AT_LEAST_ONCE 和EXACTLY_ONCE这两种模式。
/** * The BarrierTracker keeps track of what checkpoint barriers have been received from * which input channels. Once it has observed all checkpoint barriers for a checkpoint ID, * it notifies its listener of a completed checkpoint. * * <p>Unlike the {@link BarrierBuffer}, the BarrierTracker does not block the input * channels that have sent barriers, so it cannot be used to gain "exactly-once" processing * guarantees. It can, however, be used to gain "at least once" processing guarantees. * * <p>NOTE: This implementation strictly assumes that newer checkpoints have higher checkpoint IDs. */ /** * The barrier buffer is {@link CheckpointBarrierHandler} that blocks inputs with barriers until * all inputs have received the barrier for a given checkpoint. * * <p>To avoid back-pressuring the input streams (which may cause distributed deadlocks), the * BarrierBuffer continues receiving buffers from the blocked channels and stores them internally until * the blocks are released. */
简单翻译下就是：
BarrierTracker是at least once模式，只要inputChannel接收到barrier，就直接通知完成处理checkpointBarrierBuffer是exactly-once模式，当所有的inputChannel接收到barrier才通知完成处理checkpoint，如果有的inputChannel还没接收到barrier，那已接收到barrier的inputChannel会读数据到缓存中，直到所有的inputChannel都接收到barrier，这有可能会造成反压。
说白了，就是BarrierBuffer会有对齐barrier的处理。
这里又提到exactly-once和at least once了。在文章开头也说过Flink是可以实现exactly-once的，含义就是：状态只持久化一次到最终的存储介质中（本地数据库/HDFS)。
在这里我还是画个图和举个例子配合BarrierBuffer/BarrierTracker来解释一下。
现在我有一个Topic，假定这个Topic有两个分区partition（又或者你可以理解我设置消费的并行度是2）。现在要拉取Kafka这两个分区的数据，由算子Map进行消费转换，期间在转化的时候可能会存储些信息到State(Flink给我们提供的存储，你就当做是会存到HDFS上就好了)，最终输出到Sink。
从上面的知识点我们应该可以知道， 在Flink做checkpoint的时候JobManager往每个Source任务（简单对应图上的两个paritiion） 发送checkpointId，然后做快照存储。
显然，source任务存储最主要的内容就是消费分区的offset嘛。比如现在source 1的offerset是100，而source2的offset是105。
目前看来source2的数据会比source1的数据先到达Map
假定我们用的是BarrierBufferexactly-once模式，那么source2的barrier到达Map算子的后，source2之后的数据只能停下来，放到buffer上，不做处理。等source1 的barrier来了以后，再真正处理source2放在buffer的数据。
这就是所谓的barrier对齐
假定我们用的是BarrierTrackerat least once模式，那么source2的barrier到达Map算子的后，source2之后的数据不会停下来等待source1，后面的数据会继续处理。
现在问题就来了，那对不对齐的区别是什么呢？
依照上面图的的运行状态（无论是BarrierTrackerat least once模式还是BarrierBufferexactly-once模式），现在我们的checkpoint都没做，因为source1的barrier还没到sink端呢。现在Flink挂了，那显然会重新拉取source 1的offerset是小于100，而source2的offset是小于105的数据，State的最终信息也不会保存。
checkpoint从没做过的时候，对数据不会产生任何的影响（所以这里在Flink的内部是没啥区别的）
而假设我们现在是BarrierTrackerat least once模式，没有任何问题，程序继续执行。现在source1的barrier也走到了slink，最后完成了一次checkpoint。
由于source2的barrier比source1的barrier要快，那么source1所处理的State的数据实际是包括offset>105的数据的，自然Flink保存的时候也会把这部分保存进去。
程序继续运行，刚好保存完checkpoint后，此时系统出了问题，挂了。因为checkpoint已经做完了，所以Flink会从source 1的offerset是100，而source2的offset是105重新消费。
但是，由于我们是BarrierTrackerat least once模式，所以State里边的保存状态实际上有过source2的offset 大于105 的记录了。那source2重新从offset是105开始消费，那就是会重复消费！
理解了上面所讲的话，那再看BarrierBufferexactly-once模式应该就不难理解了（各位大哥大嫂你也要经过这个operator处理保存吗？我们一起吧？有问题，我们一起重来，没问题我们一起保存）
无论是BarrierTracker还是BarrierBuffer也好，在处理checkpoint的时候都需要调用notifyCheckpoint() 方法，而notifyCheckpoint()方法最终调用的是triggerCheckpointOnBarrier
triggerCheckpointOnBarrier()最终还是会调用performCheckpoint()方法，所以无论是source接收到checkpoint还是operator接收到checkpoint，最终还是会调用performCheckpoint()方法。
大家有兴趣可以进去checkpointState()方法里边详细看看，里边会对State状态信息进行写入，完成后上报给TaskManager
TaskManager总结
TaskExecutor接收到JobManager下发的checkpoint，由triggerCheckpoint方法进行处理
triggerCheckpoint方法最终会调用org.apache.flink.streaming.runtime.tasks.StreamTask#triggerCheckpoint，而最主要的就是performCheckpoint方法performCheckpoint方法会对checkpoint做前置处理，barrier广播到下游，处理State状态做快照，最后回到成功消息给JobManager
- 普通算子由
org.apache.flink.streaming.runtime.io.StreamInputProcessor#processInput这个方法读取数据，具体处理逻辑在getNextNonBlocked方法上。
- 该方法有两个实例，分别是
BarrierBuffer和BarrierTracker，这两个实例对应着checkpoint不同的模式（至少一次和精确一次）。精确一次需要对barrier对齐，有可能导致反压的情况 - 最后处理完，会调用
notifyCheckpoint方法，实际上还是会调performCheckpoint方法
所以说，最终处理checkpoint的逻辑是一致的，只是会source会直接通过TaskExecutor处理，而普通算子会根据不同的配置在接收到后有不同的实例处理：BarrierTracker/BarrierBuffer。
JobManager接收回应
前面提到了，无论是source还是普通算子，都会调用performCheckpoint方法进行处理。
performCheckpoint方法里边处理完State快照的逻辑，会调用reportCompletedSnapshotStates告诉JobManager快照已经处理完了。
reportCompletedSnapshotStates方法里边又会调用acknowledgeCheckpoint方法通过RPC去通知JobManager
兜兜转转，最后还是会回到checkpointCoordinator上，调用receiveAcknowledgeMessage进行处理
进入到receiveAcknowledgeMessage上，主要就是下面图的逻辑：处理完返回不同的状态，根据不同的状态进行处理
主要我们看的其实就是acknowledgeTask方法里边做了些什么。
在 PendingCheckpoint维护了两个Map：
// 已经接收到 Ack 的算子的状态句柄 private final Map<OperatorID, OperatorState> operatorStates; // 需要 Ack 但还没有接收到的 Task private final Map<ExecutionAttemptID, ExecutionVertex> notYetAcknowledgedTasks;
然后我们进去acknowledgeTask简单了解一下可以发现就是在处理operatorStates和notYetAcknowledgedTasks
synchronized (lock) { if (discarded) { return TaskAcknowledgeResult.DISCARDED; } // 接收到Task了，从notYetAcknowledgedTasks移除 final ExecutionVertex vertex = notYetAcknowledgedTasks.remove(executionAttemptId); if (vertex == null) { if (acknowledgedTasks.contains(executionAttemptId)) { return TaskAcknowledgeResult.DUPLICATE; } else { return TaskAcknowledgeResult.UNKNOWN; } } else { acknowledgedTasks.add(executionAttemptId); } // ... if (operatorSubtaskStates != null) { for (OperatorID operatorID : operatorIDs) { // ... OperatorState operatorState = operatorStates.get(operatorID); // 新来的operatorID，添加到operatorStates if (operatorState == null) { operatorState = new OperatorState( operatorID, vertex.getTotalNumberOfParallelSubtasks(), vertex.getMaxParallelism()); operatorStates.put(operatorID, operatorState); } //.... } }
等到所有的Task都到齐以后，就会调用isFullyAcknowledged进行处理。
最后调用completedCheckpoint = pendingCheckpoint.finalizeCheckpoint();来实现最终的存储，所有完毕以后会通知所有的Task 现在checkpoint已经完成了。
最后
总的来说，这篇文章带着大家走马观花撸了下Checkpoint，很多细节我也没去深入，但我认为这篇文章可以让你大概了解到Checkpoint的实现过程。
最后再来看看官网的图，看完应该大概就能看得懂啦：
相信我，或许你现在还没用到Flink，但等你真正去用Flink的时候，checkpoint是肯定得搞搞的
