本地单节点启动 

集群模式启动 

WebUI提交作业

命令行提交作业

部署模式

Flink YARN 模式

本地单节点启动 

        解压

         启动进程

[root@master flink-1.13.0]# bin/start-cluster.sh//启动hadoop
[root@master flink-1.13.0]# start-all.sh

        访问8081端口Web界面

        停止进程 

[root@master flink-1.13.0]# bin/stop-cluster.sh

集群模式启动 

         进入 conf 目录下，修改 flink-conf.yaml 文件，修改 jobmanager.rpc.address 参数

vim flink-conf.yaml

        指定节点 

[root@master conf]# vim masters

        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

[root@master conf]# vim workers

         集群分发Flink

                分发到slave1 

scp -r /opt/flink-1.13.0 root@slave1:/opt

                分发到slave2 

scp -r /opt/flink-1.13.0 root@slave2:/opt

        启动集群 

bin/start-cluster.sh

        查看master节点进程 

        查看slave1节点进程 

        查看slave2节点进程 

         进入查看web端口

        停止集群进程 

[root@master flink-1.13.0]# bin/stop-cluster.sh

WebUI提交作业

        在IDEA中准备无界流处理实现WordCount程序

def main(args: Array[String]): Unit = {//创建执行环境val env: StreamExecutionEnvironment = StreamExecutionEnvironment.getExecutionEnvironment//读取socket文本流数据//socketTextStream("主机名","端口号")val parTool: ParameterTool = ParameterTool.fromArgs(args)val hostname: String = parTool.get("host")val port: Int = parTool.getInt("port")val line: DataStream[String] = env.socketTextStream(hostname,port)//对数据集进行转换处理val fl: DataStream[(String, Int)] = line.flatMap(_.split("")).map(w => (w,1))//分组val gp: KeyedStream[(String, Int), String] = fl.keyBy(_._1)//聚合统计val rs: DataStream[(String, Int)] = gp.sum(1)//输出rs.print()//执行当前任务env.execute()}

         服务器中启动nc服务监听进程

 nc -lk 7777

                如果无法使用nc命令则执行命令安装：yum install -y nc 

        程序打包

        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，pom.xml 文件中添加打包插件的配置。

org.apache.maven.pluginsmaven-assembly-plugin3.0.0jar-with-dependenciesmake-assemblypackagesingle

         查看引入的打包插件

        执行打包程序 

        进入WebUI提交jar包作业

        查看当前执行计划 

         查看提交成功

        监听程序输入内容

        查看作业执行的输出结果 

         停止作业进程

命令行提交作业

        启动集群、启动nc监听程序

        新打开一个连接窗口

        上传jar包到虚拟机中 

        命令提交 

[root@master flink-1.13.0]# bin/flink run -m master:8081 -c Flink_one.f1 /data/Flink-1.0-SNAPSHOT.jar --host master --port 4444

        到WebUI查看提交的作业进程 

        命令行查看当前执行作业运行状态

[root@master flink-1.13.0]# bin/flink list JobID

         取消作业

[root@master flink-1.13.0]# bin/flink cancel JobID

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：

1. 会话模式（Session Mode）
2. 单作业模式（Per-Job Mode）
3. 应用模式（Application Mode）

        会话模式 

        会话模式其实最符合常规思维。我们需要先启动一个集群，保持一个会话，在这个会话中 通过客户端提交作业。集群启动时所有资源就都已经确定，所以所有提交的 作业会竞争集群中的资源。会话模式比较适合于单个规模小、执行时间短的大量作业。

        单作业模式 

会话模式因为资源共享会导致很多问题，所以为了更好地隔离资源，我们可以考虑为每个 提交的作业启动一个集群，这就是所谓的单作业（Per-Job）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 理平台来启动集群，比如 YARN、Kubernetes。

        应用模式

        前面提到的两种模式下，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。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。

Flink YARN 模式

        添加环境变量

export HADOOP_HOME=/opt/hadoop-3.3.4
export PATH=$HADOOP_HOME/bin:$HADOOP_HOME/sbin:$PATH
export HDFS_NAMENODE_USER=root
export HDFS_DATANODE_USER=root
export HDFS_SECONDARYNAMENODE_USER=root
export YARN_RESOURCEMANAGER_USER=root
export YARN_NODEMANAGER_USER=root
export HADOOP_CONF_DIR=${HADOOP_HOME}/etc/hadoop
export HADOOP_CLASSPATH=`hadoop classpath`

         启动Hadoop

[root@master flink-1.13.0]# start-dfs.sh
[root@master flink-1.13.0]# start-yarn.sh

        修改 flink-conf.yaml 文件

        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。

[root@master flink-1.13.0]# cd /opt/flink-1.13.0/conf
[root@master conf]#  vim flink-conf.yamljobmanager.memory.process.size: 1600m
taskmanager.memory.process.size: 1728m
taskmanager.numberOfTaskSlots: 8
parallelism.default: 1

        YARN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。具体步骤如下：

（1）启动 Hadoop 集群，包括 HDFS 和 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-session.sh -nm test

•  -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， 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。 

         YARN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。

        执行命令提交作业：

bin/flink run -d -t yarn-per-job -c com.atguigu.wc.StreamWordCount 
FlinkTutorial-1.0-SNAPSHOT.jar

        可以使用命令行查看或取消作业，命令如下 ：

$ ./bin/flink list -t yarn-per-job -Dyarn.application.id=application_XXXX_YY
$ ./bin/flink cancel -t yarn-per-job -Dyarn.application.id=application_XXXX_YY 

         YARN应用模式部署

        应用模式同样非常简单，与单作业模式类似，直接执行 flink run-application 命令即可

        执行命令提交作业：

 bin/flink run-application -t yarn-application -c com.atguigu.wc.StreamWordCount 
FlinkTutorial-1.0-SNAPSHOT.jar

        在命令行中查看或取消作业：

$ ./bin/flink list -t yarn-application -Dyarn.application.id=application_XXXX_YY
$ ./bin/flink cancel -t yarn-application 
-Dyarn.application.id=application_XXXX_YY 

        也可以通过 yarn.provided.lib.dirs 配置选项指定位置，将 jar 上传到远程：

./bin/flink run-application -t yarn-application
-Dyarn.provided.lib.dirs="hdfs://myhdfs/my-remote-flink-dist-dir"
hdfs://myhdfs/jars/my-application.jar