在滚动处理时间窗口中，可以使用一个计数器来记录数据的数量，并在达到一定阈值时进行检查点。然后将计数器重置为0，继续处理下一个时间窗口的数据。

以下是一个简单的代码示例，演示如何在滚动处理时间窗口中使用计数器来控制检查点的大小：

from pyspark import SparkContext
from pyspark.streaming import StreamingContext

# 创建一个本地Spark上下文和流上下文，批处理间隔为1秒
sc = SparkContext("local[2]", "StreamingExample")
ssc = StreamingContext(sc, 1)

# 创建一个DStream，从TCP socket接收数据
lines = ssc.socketTextStream("localhost", 9999)

# 在滚动处理时间窗口中，对数据进行处理
# 这里使用计数器来记录数据的数量，并在达到阈值时进行检查点
def process_batch(rdd):
    # 使用全局变量来记录数据的数量
    global counter

    # 处理当前时间窗口的数据
    # ...

    # 增加计数器
    counter += rdd.count()

    # 判断计数器是否达到阈值
    if counter >= 1000:
        # 进行检查点
        # ...

        # 重置计数器
        counter = 0

# 初始化计数器
counter = 0

# 对接收到的数据进行处理
lines.foreachRDD(process_batch)

# 启动流处理
ssc.start()
ssc.awaitTermination()

在上述示例中，我们使用一个全局变量counter来记录数据的数量。在每个时间窗口中，我们通过调用rdd.count()方法来获取当前时间窗口中的数据量，并将其加到计数器上。然后，我们判断计数器是否达到了阈值（这里设为1000），如果达到了阈值，就进行检查点操作。检查点操作可以根据具体需求来实现，比如将数据写入文件系统或数据库中，并清空计数器。

通过这种方式，我们可以控制检查点的大小，避免其无限增长。需要注意的是，由于使用了全局变量，因此在分布式环境下，需要保证计数器的线程安全性。