Flink1.17版本安装部署

前言

提示：这里可以添加本文要记录的大概内容：

随着实时计算需求场景的增加，对计算引擎的实时计算要求也越来越高，而在实时计算方面表现优秀的当属flink，计算引擎从第一代mapreduce到第二代的Tez，再到第三代计算引擎spark、第四代计算引擎则是后来者flink，虽然spark也支持实时计算，但底层的原理实际上还是微批处理，会有一个攒批的过程，因此在延迟性方面会稍逊于flink，Flink的设计思想在于流式处理，把数据看做是一种流，批数据则是一种特殊的流，所以flink是支持流批一体处理的，延迟性方面能做到比spark还低，最低可达到毫秒级，本篇内容将围绕具体的环境安装部署展开。

提示：下面案例仅供参考

一、flink简介

flink同spark一样也是一种计算引擎，只不过在流式处理、实时计算方面比spark更为优秀，从flink发布至今已经更新到1.18版本，功能也在逐步的迭代完善中，最先开始接触的是flink cdc，由于项目中有实时展示数据的需求，当时在调研了几种cdc方案后，最后决定尝试flink cdc，就使用体验来说，flink对sql的集成优化真的很完善，对于不熟悉API接口开发的人员，也能快速上手，关于flink的介绍这里就不再赘述了，后续会用案例来体验它的功能强大之处。

二、安装部署

1.下载安装包

登录flink官网地址https://flink.apache.org/downloads/，选择flink版本下载安装包，由于目前集成的依赖包中，支持最新版本的flink是1.17，所以我这边选择安装的版本为1.17版本，以避免一些不必要的问题，执行以下命令解压安装包

tar -zxvf flink-1.17.2-bin-scala_2.12.tgz

提示：由于名称太长，建议名称方便后续路径配置

mv flink-1.17.2-bin-scala_2.12 flink-1.17

2.配置环境变量

vim /etc/profile.d/my_env.sh打开并编辑环境变量配置文件，输入以下内容：

export HADOOP_CLASSPATH=`hadoop classpath`
export FLINK_HOME=/application/soft/flink-1.17
export PATH=$PATH:$$FLINK_HOME/bin

文件保存后，执行source /etc/profile使环境变量生效

3.会话模式部署

在确保hadoop集群启动的情况下，进入flink安装路径下，执行以下命令以启动会话模式

提示：-d是分离模式运行，不会占用控制台，-nm是指定名称的意思

bin/yarn-session.sh -d-nmtest

4.单作业模式部署

单作业模式跟会话模式的不同之处在于，在运行程序时向yarn申请资源，程序执行结束后，资源回收，而会话模式会一次性向yarn申请资源，并生成一个常驻线程，两者各有优点，可根据项目不同需求进行选择，执行以下命令启动单作业模式

提示：-c后面是运行的主类，*.jar是编写的程序jar包，可根据不同项目自行修改

bin/flink run -d-t yarn-per-job -c org.example.wordcount Flink-WordCount.jar

5.应用模式部署

与单作业模式类型，也是在执行程序是向yarn申请资源，只不过命令有些区别，从flink1.1版本后推出，也是目前比较推荐的方式，执行以下命令启动应用模式部署

提示：-c后面是运行的主类，*.jar是编写的程序jar包，可根据不同项目自行修改

bin/flink run-application -t yarn-application -c org.example.wordcount Flink-WordCount.jar

此处也可以任务上传hdfs提交，先在hdfs上分别创建一个hdfs目录用于存放flink依赖包和flink运行程序

hadoop fs -mkdir /flink-lib
hadoop fs -put$FLINK_HOME/lib /flink_lib
hadoop fs -put$FLINK_HOME/plugins /flink_lib
hadoop fs -mkdir /flink-jar

然后执行以下命令运行flink任务

提示：-c后面是运行的主类，*.jar是编写的程序jar包，可根据不同项目自行修改

bin/flink run-application -t yarn-application -Dyarn.provided.lib.dirs="hdfs://cdp1:8020/flink-lib"-c org.example.wordcount hdfs://cdp1:8020/flink-jar/Flink-WordCount.jar

总结

至此，flink集群就已经安装部署完成，由于时间关系，关于flink的一些具体功能就不再具体展开，本篇内容旨在搭建一个flink环境为后续编写flink程序并验证一些功能，随着flink生态的不断完善，越来越多的开发者了解到flink的强大，flink1.17对批处理也做了加强，在流批一体大一统的方向上又迈出了一大步，另外随着paimon的推出，flink也在数据存储方面也补齐了自己的缺点，避免了一些组件如hudi、iceberg对flink功能适配的缺失。好了，今天就聊到这里，文章写的比较仓促，难免有疏漏的地方，后续会持续更新修正！