Flink CDC中kafka设置的5分区 我们cdc的正常速度大概多少呀？

Flink CDC的正常速度取决于多种因素，包括数据源的变更速率、网络带宽、Flink作业的并行度、Kafka集群的配置等。具体分析如下：

1. 数据源变更速率：CDC的速度首先受限于数据源中数据变更的频率。如果源数据库的数据变更很频繁，那么CDC可以捕获到更多的事件，相应的处理速度也会更快。
2. 网络带宽：您提到网络带宽是100M，这是一个重要的瓶颈。如果CDC操作产生的数据流量接近或超过了网络带宽，那么网络传输就会成为性能的限制因素。
3. Flink作业并行度：Flink作业的并行度也会影响处理速度。如果Kafka的分区数多于Flink作业的并行度，某些任务将处理多个分区，可能会造成分区数据处理实际上以串行执行。因此，合理配置Flink作业的并行度以匹配Kafka分区数是很重要的。
4. Kafka集群配置：Kafka集群的配置，包括分区数、副本数、生产者和消费者的配置等，都会影响数据的生产和消费速度。
5. 电脑资源：您提到的电脑内存为64GB，CPU核数为20核，这些资源对于运行Flink作业来说是充足的，但实际的处理速度还取决于具体的作业配置和负载情况。
6. 重分区开销：如果在Flink作业中进行了算子的拆分，可能会导致数据的重分区，这会带来额外的开销。重分区通常涉及到数据的序列化和反序列化，以及可能的网络传输，这些都会对性能产生影响。
7. 其他因素：还有诸如Flink和Kafka的版本、日志存储的效率、序列化方式等因素也会影响CDC的速度。

综上所述，要评估Flink CDC的正常速度，需要综合考虑以上因素，并进行实际的性能测试。可以通过模拟真实的数据变更场景，使用sysbench或其他压测工具来生成数据变更事件，然后观察Flink CDC处理这些事件的速度和效率。此外，监控Flink作业的CPU、内存使用情况以及网络IO可以帮助识别性能瓶颈。

Flink CDC的速度取决于多个因素，包括源数据库的数据更新速率、Kafka集群的性能、Flink作业的并行度、网络状况以及硬件配置等。对于您的配置（20核64G，100M网络带宽），无法直接给出一个具体的CDC速度数值，需要根据实际场景测试得出。增加Kafka分区数理论上可以提高并行处理能力，但若Flink作业的并行度未相应调整或数据分布不均匀，可能并不能明显提升性能，且可能导致额外的重分区开销。