现象：Flink 版本为 1.15.1，消费 Kafka 时提交位点失败，外部监控 Grafana 报警，但是由于 Flink 内部状态位点正确，而且 Checkpoint 成功，因此不影响正常的数据处理，只会造成从外部监控系统看 group 消息堆积。因为位点提交到 Flink 外部broker 是在 KafkaSourceReader.notifyCheckpointCompleted 方法中，该方法并不会抛出异常，只是记录失败的 commit 次数，因此即使失败也不会影响到 Checkpoint。
原因：第一次因为超时提交失败后，便把 Consumer Coordinator 置为 null，后面的每一次提交都会由于COORDINATOR_NOT_AVAILABLE 失败，而不会恢复。因此是 Kafka Client 的问题，而不是Flink的问题。关于为什么没有在 HeartbeatThread 内 调用到 clearFindCoordinatorFuture，是因为 Flink Kafka Source 是通过assign API 而不是 subscribe API 消费。
解决方法：
- 调大 request.time.out，尽量避免 client 到 broker 之间的超时。默认30s，但是生产环境调到60s依然会出现请求超时。假如日志中存在DisconnectionException其实也是请求超时（
Note that there is no* need to check for disconnects explicitly on the {@link ClientResponse} object;* instead, the future will be failed with a {@link DisconnectException}.） - 重启 Job，take savepoint 然后从 savepoint 恢复，恢复之后会用新的 Consumer Coordinator 将正确的位点（savepoint中的位点）提交到 broker，外部监控堆积可以直接降为正常。
- 升级 Flink / Kafka Connector，避免使用有问题的 Kafka Client（2.6.1, 3.1.0, 2.7.2, 2.8.1, 3.0.0）。注意如果 Flink 升级到 1.16.0 且使用阿里云全托管 Kafka 云盘存储，需要修改 Kafka 配置 enable.idempotence=false，否则报错：
org.apache.flink.kafka.shaded.org.apache.kafka.clients.producer.internals.Sender [] - [Producer clientId=producer-23] Got error produce response with correlation id 2 on topic-partition kafka-topic-1, retrying (2147 attempts left). Error: CORRUPT_MESSAGE。参考：help.aliyun.com/document_de…
参考：
