一、Flink架构

Flink 是一个分布式系统，需要有效分配和管理计算资源才能执行流应用程序。它集成了所有常见的集群资源管理器，例如Hadoop yarn，但也可以设置作为独立集群甚至库运行。

Flink 集群剖析

Flink 运行时由两种类型的进程组成：一个 JobManager （作业管理器）和一个或者多个 TaskManager（任务管理器）。

可以通过多种方式启动 JobManager 和 TaskManager：直接在机器上作为standalone 集群启动、在容器中启动、或者通过YARN等资源框架管理并启动。

流程简要说明：

我们编写的flink代码在本地会被构建为一个数据流程图Dataflow graph（类似于spark中的DAG有向无环图,其实就是我们的代码逻辑），之后会将这个Dataflow graph提交给JobManager并被拆分为一个一个的个task,这些task会被发送到TaskManager中的TaskSlot执行，TaskManager也会返回task的状态信息给JobManager。

**节点功能： **

JobManager：决定何时调度下一个 task（或一组 task）、对完成的 task 或执行失败做出反应、协调 checkpoint、并且协调从失败中恢复等

TaskManagers（也称为 worker）：执行作业流的 task，并且缓存和交换数据流。

必须始终至少有一个 TaskManager，在 TaskManager 中资源调度的最小单位是 task slot（槽）。 task slot 的数量表示并发处理 task 的数量，意一个 task slot 中可以执行多个算子。

（可以将Task Slot类比为线程池，而将task类比为线程，便于理解）

下面是官方文档原文参考：

二、Flink独立集群搭建与使用（Standalone）

1、上传解压

在华为云镜像站下载flink-1.15.2安装包并上传到linux中解压

tar -xvf flink-1.15.2-bin-scala_2.12.tgz

2、配置环境变量

2.1 vim /etc/profile

export FLINK_HOME=/usr/local/soft/flink-1.15.2
export PATH=$PATH:$FLINK_HOME/bin

2.2 source /etc/profile （使得环境变量生效 ）

3、修改配置文件

3.1 修改flink-conf.yaml文件

jobmanager.rpc.address: master
jobmanager.bind-host: 0.0.0.0
taskmanager.bind-host: 0.0.0.0
taskmanager.host: localhost #在分发后子节点需要分别修改为noe1和node2
taskmanager.numberOfTaskSlots: 4
rest.address: master
rest.bind-address: 0.0.0.0

3.2 修改 masters文件

master:8081

3.3 修改 workers 文件

node1
node2

4、同步到子节点

scp -r flink-1.15.2 node1:pwd
scp -r flink-1.15.2 node2:pwd

修改node1和node2中地taskmanager.host

taskmanager.host: node1
taskmanager.host: node2

5、启动Flink独立集群

在主节点启动：

start-cluster.sh # stop-cluster.sh（关闭命令）

flink web ui 界面：
http://master:8081

6、提交任务

以Flink系列一写的入门案例代码为例子：

6.1 方式一：将代码打包上传到服务器提交

flink run -c com.shujia.flink.core.Demo1StreamWordCount flink-1.0.jar

注意：任务运行成功的话会一直存在，如果想要取消，可以点击右上角的cancle job停止任务。

6.2 在flink web ui中直接提交

三、Flink on Yarn模式

flink on yarn模式:将flink地任务提交到yarn上运行

首先要启动hadoop集群

1、整合

在环境变量中配置HADOOP_CLASSSPATH

vim /etc/profile

export HADOOP_CLASSPATH=hadoop classpath

注意： 要放在最后面，不要放在配置的HADOOP_HOME环境变量之前。

source /etc/profile

2、Flink on yarn的三种部署模式

2.1 Application Mode（应用模式）

特点：

（1）将任务提交到yarn上运行，yarn会为每一个flink地任务启动一个jobmanager和一个或者多个taskmanasger

（2）代码main函数不再本地运行，dataFlow不再本地构建，如果代码报错在本地看不到详细地错误日志，类似于spark中的spark yarn cluster。

提交命令：

flink run-application -t yarn-application -c com.shujia.flink.core.Demo1StreamWordCount flink-1.0.jar

本地看不到日志，但是可以查看yarn的日志：

yarn logs -applicationId application_1717039073374_0001

2.2 Per-Job Cluster Mode（单作业模式）

特点：

（1）将任务提交到yarn上运行，yarn会为每一个flink地任务启动一个jobmanager和一个或者多个taskmanasger

（2）代码地main函数在本地启动，在本地构建dataflow，再将dataflow提交给jobmanager,如果代码报错再本地可以看到部分错误日志，类似于spark中的spark yarn client模式，

提交命令：

flink run -t yarn-per-job -c com.shujia.flink.core.Demo1StreamWordCount flink-1.0.jar

2.3 Session Mode（会话模式）

特点：

(1)先再yarn中启动一个jobmanager, 不启动taskmanager

(2)提交任务地时候再动态申请taskmanager

(3)所有使用session模式提交的任务共享同一个jobmanager

(4)类似独立集群，只是集群在yarn中启动了，可以动态申请资源

(5)一般用于测试

提交命令：

# 1、先启动会话集群
yarn-session.sh -d

可选参数解释：

-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。

# 2、再提交任务
flink run -t yarn-session -Dyarn.application.id=application_1717075266296_0004 -c com.shujia.flink.core.Demo1StreamWordCount flink-1.0-SNAPSHOT.jar

#或者 在网页中直接提交

杀死yarn集群任务命令：

yarn application -kill application_1717075266296_0004