Flink最全的集群部署攻略（推荐yarn实现企业级部署）
Posted 程序员小王java
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了Flink最全的集群部署攻略（推荐yarn实现企业级部署）相关的知识，希望对你有一定的参考价值。
🍅 欢迎点赞 👍 收藏 ⭐留言 📝
🍅 如有编辑错误联系作者，如果有比较好的文章欢迎分享给我，我会取其精华去其糟粕
前言
这篇博客主要就是总结了各种flink部署方法及部署中出现的一些问题
- 首先我进行了flink单机部署，个人建议不管是学习还是开发尽量不使用
- 然后开始了flink自带集群部署，部署在三台服务器上，资源管理由flink集群自己管理，然后为了解决集群的单点故障问题，使用zookeeper监听事件，实现独立高可用集群，防止集群的单点故障，推荐这种集群可以部署在开发环境中测试使用
- 最后一种就是flink on yarn: 把资源管理交给yarn实现，计算机资源统一由Haoop YARN管理，推荐部署在生产环境中使用，也算是目前主流的一种部署方式。
- 然后k8s部署，容器化部署是如今业界流行的一项技术，基于 Docker 镜像运行能够让用户更加方便地对应用进行管理和运维。容器管理工具中最为流行的就是 Kubernetes（k8s），而 Flink 也在最近的版本中支持了 k8s 部署模式。我在这篇博客中没有详细介绍k8s部署Flink，如果感兴趣，可以自己查阅资料进行部署
一、Flink的特性
-
Flink 是第三代分布式流处理器，它的功能丰富而强大。
-
flink是一个分布式，高性能，随时可用的以及准确的流处理计算框架，flink可以对无界数据（流处理）和有界数据（批处理）进行有状态计算（flink天生支持状态计算）的分布式，高性能的计算框架。
1、Flink核心特性
Flink 区别与传统数据处理框架的特性如下：
-
高吞吐和低延迟。每秒处理数百万个事件，毫秒级延迟。
-
结果的准确性。Flink 提供了事件时间（event-time）和处理时间（processing-time）语义。对于乱序事件流，事件时间语义仍然能提供一致且准确的结果。
-
精确一次（exactly-once）的状态一致性保证。
-
可以连接到最常用的存储系统，如 Apache Kafka、Apache Cassandra、Elasticsearch、JDBC、Kinesis 和（分布式）文件系统，如 HDFS 和 S3。高可用。本身高可用的设置，加上与 K8s，YARN 和 Mesos 的紧密集成，再加上从故障中快速恢复和动态扩展任务的能力，Flink 能做到以极少的停机时间 7×24 全天候运行。
-
能够更新应用程序代码并将作业（jobs）迁移到不同的 Flink 集群，而不会丢失应用程序的状态
-
支持带有事件时间的窗口（Window）操作
-
Flink在JVM中实现了自己的内存管理
2、分层API
除了上述这些特性之外，Flink 还是一个非常易于开发的框架，因为它拥有易于使用的分层 API，整体 API 分层如图：
大多数应用并不需要上述的底层抽象，而是直接针对核心 API（Core APIs） 进行编程，比如 DataStream API（用于处理有界或无界流数据）以及 DataSet API（用于处理有界
数据集）。这些 API 为数据处理提供了通用的构建模块，比如由用户定义的多种形式的转换（transformations）、连接（joins）、聚合（aggregations）、窗口（windows）操作等。
3、大数据技术框架发展阶段
总共有四代：
-
mr-->DAG框架（tez）--->Spark流批处理框架，内存计算（伪实时）-->flink流批处理，内存计算（真正的实时计算）
4、Flink和Spark的区别
5、Flink的基石
-
flink的四大基石：checkpoint,state,time,window
-
checkpoint:基于chandy-lamport算法实现分布式计算任务的一致性语义；
-
state:flink中的状态机制，flink天生支持state,state可以认为程序的中间计算结果或者是历史计算结果；
-
time:flink中支持基于事件时间和处理时间进行计算，spark streaming只能按照process time进行处理；基于事件时间的计算我们可以解决数据迟到和乱序等问题。
-
window:flink提供了更多丰富的window,基于时间，基于数量，session window,同样支持滚动和滑动窗口的计算。
6、Flink的流处理和批处理
-
流处理：无界，实时性有要求，只需对经过程序的每条数据进行处理
-
批处理：有界，持久，需要对全部数据进行访问处理；
1. spark：spark生态中是把所有的计算都当做批处理，
spark streaming中流处理本质上也是批处理（micro batch）;
2. flink：flink中是把批处理（有界数据集的处理）看成是一个特殊的流处理场景；
flink中所有计算都是流式计算；
-
flink技术栈
二、Flink体系结构
1、Flink的重要角色
-
JobManager:类似spark中master，负责资源申请，任务分发，任务调度执行，checkpoint的协调执行；可以搭建HA，双master。
-
TaskManager:类似spark中的worker，负责任务的执行，基于dataflow(spark中DAG)划分出的task;与jobmanager保持心跳，汇报任务状态。
客户端（Client）、作业管理器（JobManager）和任务管理器（TaskManager）。
我们的代码，实际上是由客户端获取并做转换，之后提交给JobManger 的。所以 JobManager 就是 Flink 集群里的“管事人”，对作业进行中央调度管理；而它获取到要执行的作业后，会进一步处理转换，然后分发任务给众多的 TaskManager。这里的 TaskManager，就是真正“干活的人”，数据的处理操作都是它们来做的
-
Flink程序由JobClient进行提交
-
JobClient将作业提交给JobManager
-
JobManager负责协调资源分配和作业执行。资源分配完成后，任务将提交给相应的TaskManager
-
TaskManager启动一个线程以开始执行。TaskManager会向JobManager报告状态更改,如开始执行，正在进行或已完成。
-
作业执行完成后，结果将发送回客户端(JobClient)
2、有界数据和无界数据
-
无界数据流：数据流是有一个开始但是没有结束；
-
有界数据流：数据流是有一个明确的开始和结束，数据流是有边界的。
-
flink流处理批处理的原理：
link支持的runtime(core 分布式流计算)支持的是无界数据流，
但是对flink来说可以支持批处理，
只是从数据流上来说把有界数据流只是无界数据流的一个特例，
无界数据流只要添加上边界就是有界数据流。
三、Flinl单节点部署和standalone集群搭建
1、Flink的安装模式
-
local:单机模式，尽量不使用
-
standalone: flink自带集群，资源管理由flink集群管理，开发环境测试使用
-
flink on yarn: 把资源管理交给yarn实现，计算机资源统一由Haoop YARN管理，生产环境测试。
2、环境配置
Flink 是一个分布式的流处理框架，所以实际应用一般都需要搭建集群环境。我们在进行
Flink 安装部署的学习时，需要准备 3 台 Linux 机器。具体要求如下：
-
系统环境为 CentOS 7.5 版本。
-
安装 Java 8。
#1. 安装jdk
rpm -ivh jdk-8u171-linux-x64.rpm
#2.搜索默认安装位置
find / -name "java"
#3.配置环境变量
vi /etc/profile
#4.在文末加上配置
export JAVA_HOME=/usr/java/jdk1.8.0_171-amd64/
export PATH=$PATH:$JAVA_HOME/bin
#5.加载配置生效
source /etc/profile
#6.测试环境变量
java -version
-
flink 1.7.2版本
-
配置集群节点服务器间时间同步以及免密登录，关闭防火墙。
3、单节点部署
-
原理
（1）上传安装包然后解压到指定目录,注意修改所属用户和用户组
#1.解压
tar -zxvf flink-1.7.2-bin-hadoop27-scala_2.11.tgz
#2.改名
mv flink-1.7.2 flink
#3.赋予权限
chown -R root:root flink
-
flink目录结构
（2）去flink的bin目录下启动shell交互式窗口
bin/start-scala-shell.sh local
（3）提交一个任务
-
准备文件：words.txt
-
测试
benv.readTextFile("/home/user/apps/test/words.txt").flatMap(_.split(" ")).map((_,1)).groupBy(0).sum(1).print()
-
启动scala-shell的现象flink准备了benv,senv,分别是批处理和流处理程序入口对象
单节点的flink集群
（4）直接启动
-
关闭防火墙
systemctl stop firewalld
-
直接启动
bin/start-cluster.sh
-
验证taskmanager,jobmanager进程是否存在
[root@node1 flink]# jps
（5)客户端访问
（6)提交任务到flink 单节点集群
-
统计/home/user/apps/test/words.txt中的单词数量，（准备数据文件）
#四行代码要写在一排，其中要提前准备words.txt,WordCount.jar 自带的，out不用准备
/home/user/apps/flink/bin/flink run
/home/user/apps/flink/examples/batch/WordCount.jar
--input /home/user/apps/test/words.txt
--output /home/user/apps/test/out
-
查看out中获取的数据
-
注意：如果来回切换模式时可能会遇到提交任务报错的情况：如失败需删除之前的运行信息
rm -rf /tmp/.yarn-properties-root
-
前端页面成功
（7）停止集群
bin/stop-cluster.sh
4、standalone集群
-
搭建原理：standalone模式是最简单的一种集群模式，不需要yarn、mesos等资源调度平台
-
standalone: flink自带集群，资源管理由flink集群管理，开发环境测试使用
-
集群规划
1. 192.168.43.129(master+Slave)
1. 192.168.43.130(Slave)
1. 192.168.43.131(Slave)
（1）修改配置文件 conf/flink-conf.yaml
[root@node1 conf]# vim flink-conf.yaml
-
修改之前
-
修改之后
jobmanager.rpc.address: 192.168.43.129
jobmanager.rpc.port: 6123
jobmanager.heap.size: 1024
taskmanager.heap.size: 1024
taskmanager.numberOfTaskSlots: 2
taskmanager.memory.preallocate: false
parallelism.default: 1
jobmanager.web.port: 8081
taskmanager.tmp.dirs: /home/user/apps/flink/tmp
#页面提交
web.submit.enable: true
（2）修改master文件conf/master
192.168.43.129:8081
（3）修改conf目录下slave文件
#如果自己的ip没有命名，可以这样，如下：
192.168.43.129
192.168.43.130
192.168.43.131
（4）分发flink目录到其它节点
scp -r /home/user/apps/flink 192.168.43.130:/home/user/apps/flink
scp -r /home/user/apps/flink 192.168.43.131:/home/user/apps/flink
scp -r /etc/profile 192.168.43.130:/etc/profile
scp -r /etc/profile 192.168.43.131:/etc/profile
（5）启动集群
bin/start-cluster.sh 停止 bin/stop-cluster.sh
-
单独启动jobmanager或者taskmanager（启动成功后，可以不启动）
bin/jobmanager.sh start/stop
bin/taskmanager.sh start/stop
-
jps测
（6）部署hadoop及往hadoop上传文件
-
注意：使用的数据文件是hdfs上，不能是本地文件路径，因为会找不到文件。
-
hdfs集群部署的方法，参考我的博客：http://t.csdn.cn/ZLLD9
-
访问：http://192.168.43.129:50070/explorer.html
创建目录：word
-
首先我们应该上传文件到hdfs文件中
#1. 查看hdfs文件系统目录文件
hdfs dfs -ls /wordcount
#2.上传：hdfs dfs -put 本地文件目录 HDFS文件目录
hdfs dfs -put /usr/apps/word/words.txt /wordcount
#3.删除文件hdfs dfs -rm -r HDFS文件路径
hdfs dfs -rm -r /wordcount
（7）提交任务到standalone集群
/home/user/apps/flink/bin/flink run
/home/user/apps/flink/examples/batch/WordCount.jar
--input hdfs://node1:8020/wordcount/words.txt
--output hdfs://node1:8020/wordcount/output/result.txt --parallelism 2
-
注意：使用的数据文件是hdfs上，不能是本地文件路径，因为会找不到文件。
-
提交之前，output目录为空
-
提交之后的flink前端：http://192.168.43.129:8081/#/overview
-
hadoop前端页面下的wordcount/output已经有结果了！
四、Flink（standalone HA）集群搭建
2、standalone HA Flink集群搭建
-
standalone HA：独立高可用集群
-
解决standalone集群的单点故障问题，所以搭建HA集群。
(1)原理：
-
引入zookeeper来完成双主节点，主从切换工作。
-
zookeeper集群搭建步骤参考我的博客：Zookper集群搭建_程序员小王java的博客-CSDN博客
（2）配置hadoop_conf_dir到/etc/profile中
#hadoop_conf_dir
export hadoop_conf_dir=/usr/apps/hadoop/etc/hadoop
（3）停止原先standone集群
bin/stop-cluster.sh
（4）修改conf/flink-conf.yaml
#开启HA，使用文件系统作为快照存储
state.backend: filesystem
#启用检查点，可以将快照保存到HDFS
state.backend.fs.checkpointdir: hdfs://node1:8020/flink-checkpoints
#使用zookeeper搭建高可用
high-availability: zookeeper
# 存储JobManager的元数据到HDFS
high-availability.storageDir: hdfs://node1:8020/flink/ha/
# 配置ZK集群地址
high-availability.zookeeper.quorum: node1:2181,node2:2181,node3:2181
# 默认是 open，如果 zookeeper security 启用了更改成 creator
high-availability.zookeeper.client.acl: open
# 设置savepoints 的默认目标目录(可选)
# state.savepoints.dir: hdfs://namenode-host:port/flink-checkpoints
# 用于启用/禁用增量 checkpoints 的标志
# state.backend.incremental: false
（5）配置master
[root@node1 conf]# vim masters
node1:8081
node2:8081
（6)分发masters,flink-conf.yaml
scp -r /home/user/apps/flink/conf/masters node2:/home/user/apps/flink/conf/
scp -r /home/user/apps/flink/conf/masters node3:/home/user/apps/flink/conf/
scp -r /home/user/apps/flink/conf/flink-conf.yaml node2:/home/user/apps/flink/conf/
scp -r /home/user/apps/flink/conf/flink-conf.yaml node3:/home/user/apps/flink/conf/
（7)在node2节点上，修改flink-conf.yaml
jobmanager.rpc.address: node2
（8）启动HA集群
#1.启动hadoop
/usr/apps/hadoop/sbin/start-dfs.sh
#2.启动Zookeeper
/usr/apps/zookeeper/bin/zkServer.sh start
#查看zookeeper是否启动：/usr/apps/zookeeper/bin/zkServer.sh status
#3.启动Flink
bin/start-cluster.sh
#查看flink是否启动 jps
-
Flink前端：http://192.168.43.129:8081
-
三个Flink节点
（9）测试
-
为了实现windows能够访问linux的名称节点，比如node1等，我们需要配置
#1.在windows系统中打开 C:\\Windows\\System32\\drivers\\etc\\hosts
# 文件并添加主机配置。我添加的是自己的虚拟主机ip跟主机名。
192.168.43.129 node1
192.168.43.130 node2
192.168.43.131 node3
-
hosts需要关闭可读
-
我们输入http://node1:8081访问Flink
-
我们输入http://node2:8081访问Flink,也还是自动访问node1:8081
（9)杀死active（node1）的jobmanager,然后看standby(node2)是否会切换为active状态。
-
关闭node1d1的jobmanager
[root@node1 flink]# jps
86913 QuorumPeerMain
91139 Jps
87177 NameNode
88442 StandaloneSessionClusterEntrypoint
87326 DataNode
88958 TaskManagerRunner
[root@node1 flink]# kill -9 88442
-
node1不能访问了
-
node2正常访问
五、Yarn搭建Flink集群（企业生产环境使用）
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。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。
1、yarn简介
yarn（yet another resource negotiator）是一个通用分布式资源管理系统和调度平台，为上层应用提供统一的资源管理和调度。在集群利用率、资源统一管理和数据共享等方面带来巨大好处。
-
资源管理系统：集群的硬件资源，如内存、CPU等。
-
调度平台：多个程序同时申请计算资源如何分配，调度的规则(算法)。
-
通用：不仅仅支持mapreduce程序，理论上支持各种计算程序。yarn不关心你干什么，只关心你要资源，在有的情况下给你，用完之后还我。
-
flink on yarn: 把资源管理交给yarn实现，计算机资源统一由Haoop YARN管理，生产环境测试。
2、Yarn搭建Flink集群准备工作
-
flink on yarn 企业生产环境运行flink任务大多数的选择
-
好处：集群资源由yarn集群统一调度和管理，提高利用率，flink中jobmanager的高可用操作就由yarn集群来管理实现。
（1）在yarn-site.xml中配置关闭内存校验
-
yarn-site.xml是hadoop中/etc/hadoop下的配置文件，否则flink任务可能会因为内存超标而被yarn集群主动杀死
（hadoop集群部署：http://t.csdn.cn/ZLLD9）
<!-- 设置不检查虚拟内存的值，不然内存不够会报错 -->
<property>
<name>yarn.nodemanager.pmem-check-enabled</name>
<value>false</value>
</property>
<property>
<name>yarn.nodemanager.vmem-check-enabled</name>
<value>false</value>
</property>
（2）Yarn搭建Flink集群方式分类
在yarn上启动一个Flink主要有两种方式：
-
启动一个Yarn session(在yarn集群内部初始化一个Flink集群常驻，一直运行)
-
直接在yarn上提交运行Flink作业（每次提交一个job到yarn集群，yarn集群开辟资源初始化一个Flink集合）
3、Yarn搭建Flink集群之回话模式
-
启动一个Yarn session(在yarn集群内部初始化一个Flink集群常驻，一直运行)
（1）启动hadoop集群（HDFS,YARN）
#1.启动hadoop
/usr/apps/hadoop/sbin/start-all.sh
#2.启动Zookeeper(因为flink里面有zookeeper的配置，不打卡会报错：Deployment took more than 60 seconds. Please check if the requested resources are available in the YARN cluster)
/usr/apps/zookeeper/bin/zkServer.sh start
-
启动成功页面
（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。
-
使用yarn-session.sh命令申请资源初始化一个flink集群（yarn-session.sh命令在flink的bin下）
bin/yarn-session.sh -n 2 -tm 800 -s 1 -d
-
命令参数解释
# -n 表示申请2个容器，这里指的就是多少个taskmanager（虽然写的是2但是真实申请的是3个）
# -s 表示每个TaskManager的slots数量
# -tm 表示每个TaskManager的内存大小
# -d 表示以后台程序方式运行，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。
#-qu(--queue)：指定 YARN 队列名。
-
注意：Flink1.11.0 版本（我部署的是flink 1.7.2）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。
从图中可以看到我们创建的 Yarn-Session 实际上是一个 Yarn 的Application，并且有唯一的 Application ID。
-
也可以通过 Flink 的 Web UI 页面查看提交任务的运行情况
（3）使用bin/yarn-session.sh --help 查看可用参数：
Usage:
Required
-n,--container <arg> Number of YARN container to allocate (=Number of Task Managers)
Optional
-D <property=value> use value for given property
-d,--detached If present, runs the job in detached mode
-h,--help Help for the Yarn session CLI.
-id,--applicationId <arg> Attach to running YARN session
-j,--jar <arg> Path to Flink jar file
-jm,--jobManagerMemory <arg> Memory for JobManager Container with optional unit (default: MB)
-m,--jobmanager <arg> Address of the JobManager (master) to which to connect. Use this flag to connect to a different JobManager than the one specified in the configuration.
-n,--container <arg> Number of YARN container to allocate (=Number of Task Managers)
-nl,--nodeLabel <arg> Specify YARN node label for the YARN application
-nm,--name <arg> Set a custom name for the application on YARN
-q,--query Display available YARN resources (memory, cores)
-qu,--queue <arg> Specify YARN queue.
-s,--slots <arg> Number of slots per TaskManager
-sae,--shutdownOnAttachedExit If the job is submitted in attached mode, perform a best-effort cluster shutdown when the CLI is terminated abruptly, e.g., in response to a user interrupt, such
as typing Ctrl + C.
-st,--streaming Start Flink in streaming mode
-t,--ship <arg> Ship files in the specified directory (t for transfer)
-tm,--taskManagerMemory <arg> Memory per TaskManager Container with optional unit (default: MB)
-yd,--yarndetached If present, runs the job in detached mode (deprecated; use non-YARN specific option instead)
-z,--zookeeperNamespace <arg> Namespace to create the Zookeeper sub-paths for high availability mode
（4）使用命令行提交任务
-
yarn集群中运行的任务：
-
flink run
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。
/home/user/apps/flink/bin/flink run /home/user/apps/flink/examples/batch/WordCount.jar
-
在 YARN 的 ResourceManager 界面查看执行情况
-
点击可以打开 Flink Web UI 页面进行监控
-
也可以直接在命令行查看结果哟！
（5）关闭yarn会话模式的集群
-
停止 flink on yarn 会话模式中的flink集群
yarn application -kill appid
-
appid指hadoop前端页面中的id
-
也是项目启动的那个
-
前端页面被杀死
（6）会话模式这种方式的优缺点：
-
缺点：1 会一直有一个程序运行在yarn集群中，不管有没有任务提交执行，浪费资源，
-
优点：flink 集群环境是提前准备好的不需要为每个作业单独创建flink环境
-
适用场景：大量的小作业的时候可以考虑使用这种方式
4、job分离模式
-
job分离模式一般用于长时间工作的任务，实际生产环境中job分离的方式使用较多！
（1）flink run -m yarn-cluster --help;可用参数：
Options for yarn-cluster mode:
-d,--detached If present, runs the job in detached
mode
-m,--jobmanager <arg> Address of the JobManager (master) to
which to connect. Use this flag to
connect to a different JobManager than
the one specified in the
configuration.
-sae,--shutdownOnAttachedExit If the job is submitted in attached
mode, perform a best-effort cluster
shutdown when the CLI is terminated
abruptly, e.g., in response to a user
interrupt, such as typing Ctrl + C.
-yD <property=value> use value for given property
-yd,--yarndetached If present, runs the job in detached
mode (deprecated; use non-YARN
specific option instead)
-yh,--yarnhelp Help for the Yarn session CLI.
-yid,--yarnapplicationId <arg> Attach to running YARN session
-yj,--yarnjar <arg> Path to Flink jar file
-yjm,--yarnjobManagerMemory <arg> Memory for JobManager Container with
optional unit (default: MB)
-yn,--yarncontainer <arg> Number of YARN container to allocate
(=Number of Task Managers)
-ynl,--yarnnodeLabel <arg> Specify YARN node label for the YARN
application
-ynm,--yarnname <arg> Set a custom name for the application
on YARN
-yq,--yarnquery Display available YARN resources
(memory, cores)
-yqu,--yarnqueue <arg> Specify YARN queue.
-ys,--yarnslots <arg> Number of slots per TaskManager
-yst,--yarnstreaming Start Flink in streaming mode
-yt,--yarnship <arg> Ship files in the specified directory
(t for transfer)
-ytm,--yarntaskManagerMemory <arg> Memory per TaskManager Container with
optional unit (default: MB)
-yz,--yarnzookeeperNamespace <arg> Namespace to create the Zookeeper
sub-paths for high availability mode
-z,--zookeeperNamespace <arg> Namespace to create the Zookeeper
sub-paths for high availability mode
（2）直接提交任务到yarn即可：
bin/flink run -m yarn-cluster -yn 2 -yjm 1024 -ytm 1024 /home/user/apps/flink/examples/batch/WordCount.jar
-
命令参数解释：
# -m yarn-cluster 表示使用Job分离模式
# -yjm 指定jobmanager内存
# -ytm 指定taskmanager内存
# -yn 指定taskmanager数量
# -ys 指定每个taskmanager的slot数量
提交任务之后会在yarn集群按照我们的配置初始化一个flink集群，运行我们提交的作业，作业执行完成之后就释放资源关闭掉flink集群，把资源还给yarn集群。
-
如果运行时报错：Could not allocate enough slots within timeout of 300000 ms to run the job. Please make sure that the cluster has enough resources.就在flink里面flink-conf.yaml里面的新增参数增加可支持的slot数量
taskmanager.network.memory.fraction: 0.1
taskmanager.network.memory.min: 268435456
taskmanager.network.memory.max: 4294967296
-
注意：一般自己的项目比较小，linux资源比较少的不要设置，268435456 >= 209715200
（3）job分离模式的优缺点
-
优点：随到随用，只有任务需要运行时才会开启flink集群；运行完就关闭释放资源，资源利用更合理；
-
缺点：对于小作业不太友好，
-
用场景：适合大作业，长时间运行的大作业。
六、K8S 模式搭建Flink集群
容器化部署是如今业界流行的一项技术，基于 Docker 镜像运行能够让用户更加方便地对
应用进行管理和运维。容器管理工具中最为流行的就是 Kubernetes（k8s），而 Flink 也在最近
的版本中支持了 k8s 部署模式。基本原理与 YARN 是类似的，具体配置可以参见官网说明
以上是关于Flink最全的集群部署攻略（推荐yarn实现企业级部署）的主要内容，如果未能解决你的问题，请参考以下文章