翻譯自：3 differences between Savepoints and Checkpoints in Apache Flink
本文發(fā)布于Flink周五小貼士中，解釋了保存點（Savepoints）和檢查點（CheckPoints）是什么以及細究在Apache Flink中他們的主要不同點。在接下來段落中，我們解釋了保存點是什么，應用場景以及與檢查點不同點一對一的比較。
在Apache Flink中保存點和檢查點是什么？
保存點是一個能讓你對你的整個流應用提取一個時間點（point-in-time）快照的特性。這份快照包含你在輸入中的何處的信息、Source中位置的信息和整個應用的狀態(tài)。利用Chandy-Lamport算法的變體，我們可以在不停止應用的情況下，獲得整個狀態(tài)的持久性快照。保存點文件夾內包含兩個主要元素：
- 一個擁有字節(jié)文件（通常很大），里面是在某一時刻檢查點或保存點內流應用的所有狀態(tài)。
- 一個元數據文件(相對較小)，包含存儲在你選擇的分布式文件系統或數據存儲中的保存點所有文件的指針（路徑）
上面描述的保存點的信息聽起來和我們之前介紹過的檢查點很像。檢查點是Flink的內部機制用于從失敗中恢復，包括應用狀態(tài)的副本和對輸入的處理位置。一旦失敗，Flink通過從檢查點中加載應用狀態(tài)，然后像什么都沒發(fā)生過一樣從已經保存過的處理位置繼續(xù)處理的方法來恢復應用。
保存點和檢查點的3點不同
對Flink作為流輸出框架而言，檢查點和保存點是兩個非常不同的的特征。保存點和檢查點在他們的實現上看起來很像，但是，這兩個特征在下面三點存在不同。
- 目標：概念上，Flink的保存點和檢查點的不同比較像傳統數據庫系統中的恢復日志的實現（buckups）不同。檢查點的主要目標是作為Flink的恢復機制保證一個處理容錯框架可以從部分job失敗中恢復。相反的，保存點的主要目標是由用戶在手動維護后觸發(fā)的應用重啟等操作。
- 實現：檢查點和保存點在實現上不同。檢查點被設計稱輕量而快速。他們經常（但是不是必須）使用下面狀態(tài)后端的不同特征，嘗試盡可以快的保存的保存數據。舉個例子，使用RicksDB狀態(tài)服務的增量檢查點使用RocksDB的內部格式而不是FLink本身的格式。這被用來加速RocksDB的檢查點處理，從而是他們成為第一個更輕量檢查點機制的案例。相反，保存點被設計為更關注與數據的便攜性，支持Job的任意修改，這會使得他們在生產和存儲方面稍微重量級一點。
-
生命周期：檢查點本質上是自動化和周期性的。他們被Flink自動而周期性的持有、創(chuàng)建和廢棄，而不用用戶干預，從而保證在意料外的失敗后全部恢復。相反，保存點被用戶手動持有和管理（例如調度、創(chuàng)建和刪除）。
3 differences between savepoints and checkpoints in Flink
什么時候在你的流應用中使用保存點
盡管一個流數據處理應用處理持續(xù)產生的數據（data “in motion”）,還是有一些需要重復處理之前已經處理過的數據的案例。Flink中的保存點可以在以下場景中做到這一點：
- 為你的流應用更新版本，包括新的功能、bug修復或者更好的機器學習模型
- 為你的應用引入A/B測試，測試使用同一個數據源但不同版本的應用，從同一點啟動測試應用而不用犧牲之前的狀態(tài)。
- 在需要更多資源時，擴容你的應用
- 遷移你的應用到一個新版本的Flink，或者更新你的應用到其他的集群
注冊Flink的Public Traning可以從中獲得關于怎樣為上述案例使用保存點的手把手的指導
結論
檢查點和保存點是Flink中兩個不同的特征來滿足不同的需求來保證持久性、容錯還有無論在期望外的Job失敗（使用檢查點）和常規(guī)的的升級、bug修復、遷移或A/B測試（使用保存點）情況下狀態(tài)被持久化。這兩個特征一起用讓你能夠在不同的情況下保證你的應用狀態(tài)在不同的場景下被持久化。
