1.flink程序总的消费线程是如何找见消费的对应kafka分区的？
核心代码如下：
public static int assign(KafkaTopicPartition partition, int numParallelSubtasks) {
int startIndex =
((partition.getTopic().hashCode() * 31) & 0x7FFFFFFF) % numParallelSubtasks;
// here, the assumption is that the id of Kafka partitions are always ascending
// starting from 0, and therefore can be used directly as the offset clockwise from the
// start index
return (startIndex + partition.getPartition()) % numParallelSubtasks;
}
根据topic名称的哈希值乘以31，再与0x7FFFFFFF按位进行与操作后，再与程序设置的并行度（如果算子单独设置并行度，则此并行度为source端并行度）进行取余操作，得到起始下标值。
起始下标拿到后，与程序消费的kafka当前分区编号求和后，再与程序并行度（也就是子任务的运行个数。如果算子单独设置并行度，则此并行度为source端并行度）进行取余操作，得到的就是程序中处理数据的具体线程编号。
这样就得到了，kafka分区编号和程序线程编号之间的映射关系。
2.kafka分区数和flink消费线程数的匹配
通过上面的分析我们知道了，flink消费线程是如何找到消费到的kafka某个分区中的数据的。但是在这里消费线程数和kafka分区数存在3种情况：消费线程数=kafka分区数，消费线程数>kafka分区数，消费线程数<kafka分区数。我们一一进行讨论。
消费线程数=kafka分区数
在这种情况下，通过第一部分我们知道，kafka分区和消费线程是一一对应的，每个消费线程只会去消费特定的kafka分区中的数据。kafka分区数：flink程序消费线程数=1:1，这样消费效率较高。但这样也可能会存在：kafka中的某个分区数据量较大，有数据倾斜的可能性，在消费线程中就会出现消费速率低下，甚至出现反压的情况。想要控制这种情况的出现，可以在将数据放入kafka中按照主键或者某个字段进行分区操作，这样尽可能的保证kafka中的数据不会存在倾斜的情况。
消费线程数>kafka分区数
这种情况就会出现，某几个线程会消费kafka分区中的数据，但是剩下的线程找不见分区中的数据，线程就会空转，浪费资源。这样也会导致一个问题，checkpoint做不了，可能会导致ck超时失败。ck失败，程序无法保存状态，程序就会失败宕机。这种情况应该禁止出现。
消费线程数<kafka分区数
这种情况下，某个线程可能会消费多个kafka分区中的数据。数据量较大时，出现数据倾斜的可能性会比较大，也可能因为消费速率导致出现反压进而影响程序的正常运行。这种情况也尽量避免。
综上所述，完美的情况是：kafka分区数：flink程序消费线程数=1:1，但可能受限于环境、网络等情况，也可以设置为kafka分区数：flink程序消费线程数=2:1。