Flink 1.19.1独立集群Fixed Delay重启策略异常问题求助

1. 先确认重启策略配置是否真的生效 #

• 如果是在作业代码里配置，要确保逻辑正确，示例代码如下：

  StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
  // 必须在env初始化后设置重启策略
  env.setRestartStrategy(RestartStrategies.fixedDelayRestart(
      3, // 最大重启次数
      Time.seconds(10) // 每次重启间隔
  ));
  

• 如果用集群全局配置，检查flink-conf.yaml里的参数是否正确：

  restart-strategy: fixed-delay
  restart-strategy.fixed-delay.attempts: 3
  restart-strategy.fixed-delay.delay: 10s
  

  注意：作业代码配置优先级高于集群全局配置，代码未设置时才会使用集群配置。

2. 排查异常是否被判定为不可恢复 #

Flink遇到NonRecoverableException这类异常会直接终止作业，不会触发重启。虽然除以0的ArithmeticException本身属于可恢复异常，但可能存在以下情况：

• 代码中主动将ArithmeticException包装成了NonRecoverableException；
• 第三方依赖抛出的异常被Flink标记为不可恢复。
• 去TaskManager日志中搜索NonRecoverableException或作业终止原因，确认异常类型是否被判定为不可恢复。

3. 检查第三方依赖的兼容性与冲突 #

结合你提供的依赖包信息，重点排查以下内容：

• 确保所有Flink核心依赖（如flink-runtime、flink-streaming-java）版本均为1.19.1，无跨版本混入；
• 验证日志框架（如log4j2、slf4j）版本与Flink 1.19.1兼容，避免类加载异常；
• 使用mvn dependency:tree（Maven）或gradle dependencies（Gradle）生成依赖树，找出冲突依赖并排除。

4. 确认TaskManager是否因资源问题崩溃 #

如果触发异常后TaskManager直接崩溃，Flink会直接将作业标记为Finished：

• 查看taskmanager.log和taskmanager.out，检查是否存在OOM（内存溢出）、进程崩溃的堆栈信息；
• 调整TaskManager内存配置，比如taskmanager.memory.process.size，确保资源充足。

5. 验证作业的真实状态 #

有时候UI显示的Finished可能是缓存问题，实际作业可能处于重启流程中：

• 查看JobManager日志，搜索作业ID对应的重启日志，确认是否有重启尝试记录；
• 使用Flink CLI命令flink list -r查看运行中作业，flink list -a查看所有作业状态，确认真实状态。

内容的提问来源于stack exchange，提问作者yang xia