Flink(二)
目录
三：Flink 部署
3.1.1 Flink部署
3.1.2 向集群提交作业
3.2 部署模式
3.2.1 会话模式（Session Mode）
3.2.2 单作业模式（ Per-Job Mode）
3.2.3 应用模式（Application Mode）
3.3 独立模式（Standalone）
3.3.1 会话模式部署
3.3.2 单作业模式部署
3.3.3 应用模式部署
3.4 YARN 模式
3.4.1 相关准备和配置
3.4.2 会话模式部署
3.4.3 单作业模式部署
3.4.4 应用模式部署
三：Flink 部署
3.1.1 Flink部署
Flink集群中的主要组件。
这里就直接开始部署集群Flink，而不是单节点的本地部署了。
上面就是部署情况了，接下来安装Flink。
1 . 下载安装包
进入 Flink 官网，下载 1.13.0 版本安装包 flink-1.13.0-bin-scala_2.12.tgz，注意此处选用对 应 scala 版本为 scala 2.12 的安装包。
2. 解压
在 hadoop102 节点服务器上创建安装目录/opt/module，将 flink 安装包放在该目录下，并 执行解压命令，解压至当前目录。
3. 修改集群配置
（ 1）进入 conf 目录下，修改 flink-conf.yaml 文件，修改 jobmanager.rpc.address 参数为
hadoop102，如下所示：
$ cd conf/
$ vim flink-conf . yaml # JobManager 节点地址 . j obmanager . rpc . addres s : hadoop1 02这就指定了 hadoop102 节点服务器为 JobManager 节点。
（2）修改 workers 文件，将另外两台节点服务器添加为本 Flink 集群的 TaskManager 节点， 具体修改如下：
$ vim workers hadoop1 0 3 hadoop1 0 4这样就指定了 hadoop103 和 hadoop104 为 TaskManager 节点。
（3）另外，在 flink-conf.yaml 文件中还可以对集群中的 JobManager 和 TaskManager 组件 进行优化配置，主要配置项如下：
⚫ jobmanager.memory.process.size：对 JobManager 进程可使用到的全部内存进行配置， 包括 JVM 元空间和其他开销，默认为 1600M，可以根据集群规模进行适当调整。
⚫ taskmanager.memory.process.size：对 TaskManager 进程可使用到的全部内存进行配置， 包括 JVM 元空间和其他开销，默认为 1600M，可以根据集群规模进行适当调整。
⚫ taskmanager.numberOfTaskSlots：对每个 TaskManager 能够分配的 Slot 数量进行配置， 默认为 1，可根据 TaskManager 所在的机器能够提供给 Flink 的 CPU 数量决定。所谓
Slot 就是 TaskManager 中具体运行一个任务所分配的计算资源。
⚫ parallelism.default： Flink 任务执行的默认并行度，优先级低于代码中进行的并行度配 置和任务提交时使用参数指定的并行度数量。
关于 Slot 和并行度的概念，我们会在下一章做详细讲解。
4. 分发安装目录
配置修改完毕后，将 Flink 安装目录发给另外两个节点服务器。
$ scp -r . / flink- 1 . 1 3 . 0 atguigu@hadoop1 0 3 : /opt/module $ scp -r . / flink- 1 . 1 3 . 0 atguigu@hadoop1 0 4 : /opt/module5. 启动集群
（ 1）在 hadoop102 节点服务器上执行 start-cluster.sh 启动 Flink 集群：
$ bin/ start-cluster . sh Starting cluster . Starting standaloneses sion daemon on host hadoop1 02 . Starting taskexecutor daemon on host hadoop1 0 3 . Starting taskexecutor daemon on host hadoop1 0 4 .（2）查看进程情况：
[ atguigu@hadoop1 02 flink- 1 . 1 3 . 0 ] $ j ps 1 3 8 5 9 Jps 1 3 7 82 StandaloneSes sionClusterEntrypoint [ atguigu@hadoop1 0 3 flink- 1 . 1 3 . 0 ] $ j ps 12 2 1 5 Jps
12 12 4 TaskManagerRunner [ atguigu@hadoop1 0 4 flink- 1 . 1 3 . 0 ] $ j ps 1 1 602 TaskManagerRunner 1 1 6 94 Jps6. 访问 Web UI
启动成功后，同样可以访问 http://hadoop102:8081 对 flink 集群和任务进行监控管理
3.1.2 向集群提交作业
1 . 程序打包
（ 1）为方便自定义结构和定制依赖，我们可以引入插件 maven-assembly-plugin 进行打包。 在 FlinkTutorial 项目的 pom.xml 文件中添加打包插件的配置
向pom.xml文件中添加如下代码
<build>
<plugins>
<plugin>
<groupId>org.apache.maven.plugins</groupId>
<artifactId>maven-assembly-plugin</artifactId>
<version>3.0.0</version>
<configuration>
<descriptorRefs>
<descriptorRef>jar-with-dependencies</descriptorRef>
</descriptorRefs>
</configuration>
<executions>
<execution>
<id>make-assembly</id>
<phase>package</phase>
<goals>
<goal>single</goal>
</goals>
</execution>
</executions>
</plugin>
</plugins>
</build>（2）插件配置完毕后，可以使用 IDEA 的 Maven 工具执行 package 命令，出现如下提示即 表示打包成功。 
打 包 完 成 后 ， 在 target 目 录 下 即 可 找 到 所 需 JAR 包 ， JAR 包 会 有 两 个 ，
FlinkTutorial-1.0-SNAPSHOT.jar 和 FlinkTutorial-1.0-SNAPSHOT-jar-with-dependencies.jar，因 为集群中已经具备任务运行所需的所有依赖，所以建议使用 FlinkTutorial-1.0-SNAPSHOT.jar。
2. 在 Web UI 上提交作业
（ 1）任务打包完成后，我们打开 Flink 的 WEB UI 页面，在右侧导航栏点击“ Submit New Job”，然后点击按钮“+ Add New”，选择要上传运行的 JAR 包
（2）上传jar包
（3）点击该 JAR 包，出现任务配置页面，进行相应配置。
主要配置程序入口主类的全类名，任务运行的并行度，任务运行所需的配置参数和保存点 路径等，如图 3-6 所示，配置完成后，即可点击按钮“ Submit”，将任务提交到集群运行。
（4）任务提交成功之后，可点击左侧导航栏的“Running Jobs”查看程序运行列表情况
（5）点击该任务，可以查看任务运行的具体情况，也可以通过点击“Cancel Job”结束任务运行
附：
用命令行在Flink集群提交任务
首先，现在hadoop102中输入
nc -lk 7777
然后，在hadoop103中，先导入要执行的任务的jar包，然后执行如下命令
./bin/flink run -m hadoop102:8081 -c com.atguigu.wc.StreamWordCount -p 2 ./FlinkTuorial-1.0-SNAPSHOT.jar
这样，就可以成功提交命令了。
这里说明一下上面命令的参数：
-m:传入数据源的主机名
-c:传入要执行任务的引用全名
-p:传入并行度的大小
最后，如果任务已经执行完了，可以停止了，在hadoop103中执行如下命令
[axing@hadoop103 flink-1.13.0]$ ./bin/flink cancel dba8e880c1cdc03442c735115231ae35
说明：后面接的是任务的id。
3.2 部署模式
在一些应用场景中，对于集群资源分配和占用的方式，可能会有特定的需求。Flink 为各种场景提供了不同的部署模式，主要有以下三种：⚫ 会话模式（Session Mode）⚫ 单作业模式（Per-Job Mode）⚫ 应用模式（Application Mode）
3.2.1 会话模式（Session Mode）
这样的好处很明显，我们只需要一个集群，就像一个大箱子，所有的作业提交之后都塞进 去；集群的生命周期是超越于作业之上的，铁打的营盘流水的兵，作业结束了就释放资源，集 群依然正常运行。当然缺点也是显而易见的：因为资源是共享的，所以资源不够了，提交新的 作业就会失败。另外，同一个 TaskManager 上可能运行了很多作业，如果其中一个发生故障导致 TaskManager 宕机，那么所有作业都会受到影响。
说明：会话模式比较适合于单个规模小、执行时间短的大量作业。
3.2.2 单作业模式（ Per-Job Mode）
单作业模式也很好理解，就是严格的一对一，集群只为这个作业而生。同样由客户端运行 应用程序，然后启动集群，作业被提交给 JobManager，进而分发给 TaskManager 执行。作业 作业完成后，集群就会关闭，所有资源也会释放。这样一来，每个作业都有它自己的 JobManager
管理，占用独享的资源，即使发生故障，它的 TaskManager 宕机也不会影响其他作业。
这些特性使得单作业模式在生产环境运行更加稳定，所以是实际应用的首选模式。
需要注意的是， Flink 本身无法直接这样运行，所以单作业模式一般需要借助一些资源管 理框架来启动集群，比如 YARN、 Kubernetes。
3.2.3 应用模式（Application Mode）
前面提到的两种模式（会话模式和单作业模式）下，应用代码都是在客户端上执行，然后由客户端提交给 JobManager的。但是这种方式客户端需要占用大量网络带宽，去下载依赖和把二进制数据发送给JobManager；加上很多情况下我们提交作业用的是同一个客户端，就会加重客户端所在节点的 资源消耗。
所以解决办法就是，我们不要客户端了，直接把应用提交到 JobManger 上运行。而这也就 代表着，我们需要为每一个提交的应用单独启动一个 JobManager，也就是创建一个集群。这 个 JobManager 只为执行这一个应用而存在，执行结束之后 JobManager 也就关闭了，这就是所谓的应用模式
应用模式与单作业模式，都是提交作业之后才创建集群；单作业模式是通过客户端来提交 的，客户端解析出的每一个作业对应一个集群；而应用模式下，是直接由 JobManager 执行应 用程序的，并且即使应用包含了多个作业，也只创建一个集群。
总结一下，在会话模式下，集群的生命周期独立于集群上运行的任何作业的生命周期，并 且提交的所有作业共享资源。而单作业模式为每个提交的作业创建一个集群，带来了更好的资 源隔离，这时集群的生命周期与作业的生命周期绑定。最后，应用模式为每个应用程序创建一 个会话集群，在 JobManager 上直接调用应用程序的 main()方法。
我们所讲到的部署模式，相对是比较抽象的概念。实际应用时，一般需要和资源管理平台 结合起来，选择特定的模式来分配资源、部署应用。接下来，我们就针对不同的资源提供者 （Resource Provider）的场景，具体介绍 Flink 的部署方式。
3.3 独立模式（Standalone）
独立模式（ Standalone）是部署 Flink 最基本也是最简单的方式：所需要的所有 Flink 组件， 都只是操作系统上运行的一个 JVM 进程。
独立模式是独立运行的，不依赖任何外部的资源管理平台；当然独立也是有代价的：如果 资源不足，或者出现故障，没有自动扩展或重分配资源的保证，必须手动处理。所以独立模式 一般只用在开发测试或作业非常少的场景下。
另外，我们也可以将独立模式的集群放在容器中运行。 Flink 提供了独立模式的容器化部 署方式，可以在 Docker 或者 Kubernetes 上进行部署。
3.3.1 会话模式部署
可以发现，独立模式的特点是不依赖外部资源管理平台，而会话模式的特点是先启动集群、 后提交作业。所以，我们在第 3.1 节用的就是独立模式（Standalone）的会话模式部署。
3.3.2 单作业模式部署
在 3.2.2 节中我们提到， Flink 本身无法直接以单作业方式启动集群，一般需要借助一些资 源管理平台。所以 Flink 的独立（Standalone）集群并不支持单作业模式部署。
3.3.3 应用模式部署
应用模式下不会提前创建集群，所以不能调用 start-cluster.sh 脚本。我们可以使用同样在
bin 目录下的 standalone-job.sh 来创建一个 JobManager。
$ cp . /FlinkTutorial- 1 . 0 -SNAPSHOT . j ar lib/
（2）执行以下命令，启动 JobManager。
$ . /bin/ standalone-j ob . sh start --j ob-clas sname com . atguigu . wc . StreamWordCount
这里我们直接指定作业入口类，脚本会到 lib 目录扫描所有的 jar 包。
（3）同样是使用 bin 目录下的脚本，启动 TaskManager。
$ . /bin/taskmanager . sh start （4）如果希望停掉集群，同样可以使用脚本，命令如下。
$ . /bin/ standalone-j ob . sh stop
$ . /bin/taskmanager . sh stop
3.4 YARN 模式
独立（Standalone）模式由 Flink 自身提供资源，无需其他框架，这种方式降低了和其他 第三方资源框架的耦合性，独立性非常强。但我们知道， Flink 是大数据计算框架，不是资源 调度框架，这并不是它的强项；所以还是应该让专业的框架做专业的事，和其他资源调度框架 集成更靠谱。而在目前大数据生态中，国内应用最为广泛的资源管理平台就是 YARN 了。所 以接下来我们就将学习，在强大的 YARN 平台上 Flink 是如何集成部署的。
整体来说， YARN 上部署的过程是：客户端把 Flink 应用提交给 Yarn 的 ResourceManager, Yarn 的 ResourceManager 会向 Yarn 的 NodeManager 申请容器。在这些容器上， Flink 会部署
JobManager 和 TaskManager 的实例，从而启动集群。 Flink 会根据运行在 JobManger 上的作业 所需要的 Slot 数量动态分配 TaskManager 资源。
3.4.1 相关准备和配置
在 Flink1.8.0 之前的版本，想要以 YARN 模式部署 Flink 任务时，需要 Flink 是有 Hadoop
支持的。从 Flink 1.8 版本开始，不再提供基于 Hadoop 编译的安装包，若需要 Hadoop 的环境 支持，需要自行在官网下载 Hadoop 相关版本的组件 flink-shaded-hadoop-2-uber-2.7.5-10.0.jar， 并将该组件上传至 Flink 的 lib 目录下。在 Flink 1.11.0 版本之后，增加了很多重要新特性，其 中就包括增加了对Hadoop3.0.0以及更高版本Hadoop的支持，不再提供“flink-shaded-hadoop-*”
jar 包，而是通过配置环境变量完成与 YARN 集群的对接。
在将 Flink 任务部署至 YARN 集群之前，需要确认集群是否安装有 Hadoop，保证 Hadoop
版本至少在 2.2 以上，并且集群中安装有 HDFS 服务。
（ 1）下载并解压安装包，并将解压后的安装包重命名为 flink-1.13.0-yarn， 本节的相关操作都将默认在此安装路径下执行。
（2）配置环境变量，增加环境变量配置如下：
$ sudo vim /etc/profile . d/my_env . sh
HADOOP_HOME=/opt/module/hadoop-2 . 7 . 5
export PATH=$PATH : $HADOOP_HOME/bin : $HADOOP_HOME/ sbin
export HADOOP_CONF_DIR=$ { HADOOP_HOME } /etc/hadoop
export HADOOP_CLASSPATH= ` hadoop clas spath `start-dfs . sh
start-yarn . sh
分别在 3 台节点服务器查看进程启动情况。
（4）进入 conf 目录，修改 flink-conf.yaml 文件，修改以下配置，这些配置项的含义在进 行 Standalone 模式配置的时候进行过讲解，若在提交命令中不特定指明，这些配置将作为默认 配置。
3.4.2 会话模式部署
YARN 的会话模式与独立集群略有不同，需要首先申请一个 YARN 会话（YARN session） 来启动 Flink 集群。
1 . 启动集群
（ 1）启动 hadoop 集群(HDFS, YARN)。
（2）执行脚本命令向 YARN 集群申请资源，开启一个 YARN 会话，启动 Flink 集群。
$ bin/yarn-ses sion . sh -nm test
可用参数解读：
⚫ -d：分离模式，如果你不想让 Flink YARN 客户端一直前台运行，可以使用这个参数，
44
即使关掉当前对话窗口， YARN session 也可以后台运行。
⚫ -jm(--jobManagerMemory)：配置 JobManager 所需内存，默认单位 MB。
⚫ -nm(--name)：配置在 YARN UI 界面上显示的任务名。
⚫ -qu(--queue)：指定 YARN 队列名。
⚫ -tm(--taskManager)：配置每个 TaskManager 所使用内存。注意： Flink1.1 1.0 版本不再使用-n 参数和-s 参数分别指定 TaskManager 数量和 slot 数量，
YARN 会按照需求动态分配 TaskManager 和 slot。所以从这个意义上讲， YARN 的会话模式也 不会把集群资源固定，同样是动态分配的。 YARN Session 启动之后会给出一个 web UI 地址以及一个 YARN application ID，如下所示， 用户可以通过 web UI 或者命令行两种方式提交作业。
2. 提交作业
（ 1）通过 Web UI 提交作业
这种方式比较简单，与上文所述 Standalone 部署模式基本相同。
（2）通过命令行提交作业
① 将 Standalone 模式讲解中打包好的任务运行 JAR 包上传至集群
② 执行以下命令将该任务提交到已经开启的 Yarn-Session 中运行。
$ bin/ flink run
-c com . atguigu . wc . StreamWordCount FlinkTutorial- 1 . 0 -SNAPSHOT . j ar
客户端可以自行确定 JobManager 的地址，也可以通过-m 或者-jobmanager 参数指定
JobManager 的地址， JobManager 的地址在 YARN Session 的启动页面中可以找到。
③ 任务提交成功后，可在 YARN 的 Web UI 界面查看运行情况。
3.4.3 单作业模式部署
在 YARN 环境中，由于有了外部平台做资源调度，所以我们也可以直接向 YARN 提交一 个单独的作业，从而启动一个 Flink 集群。
（ 1）执行命令提交作业。
$ bin/ flink run -d -t yarn-per-j ob -c com . atguigu . wc . StreamWordCount FlinkTutorial- 1 . 0 -SNAPSHOT . j ar早期版本也有另一种写法：
$ bin/ flink run -m yarn-cluster -c com . atguigu . wc . StreamWordCount FlinkTutorial- 1 . 0 -SNAPSHOT . j ar注意这里是通过参数-m yarn-cluster 指定向 YARN 集群提交任务。
（2）在 YARN 的 ResourceManager 界面查看执行情况
（3）可以使用命令行查看或取消作业
3.4.4 应用模式部署
（ 1）执行命令提交作业。
（2）在命令行中查看或取消作业。
（3）也可以通过 yarn.provided.lib.dirs 配置选项指定位置，将 jar 上传到远程。