大数据-110 Flink 安装部署 下载解压配置 Standalone模式启动 打包依赖

点一下关注吧！！！非常感谢！！持续更新！！！

目前已经更新到了：

• Hadoop（已更完）
• HDFS（已更完）
• MapReduce（已更完）
• Hive（已更完）
• Flume（已更完）
• Sqoop（已更完）
• Zookeeper（已更完）
• HBase（已更完）
• Redis （已更完）
• Kafka（已更完）
• Spark（已更完）
• Flink（正在更新！）

章节内容

上节完成了如下的内容：

• Flink 重要角色
• TaskManager
• ResourceManager
• 各个组件之间的关系
• Sink Task SubTask 等等内容

安装模式

Flink支持多种安装模式：

• local（本地）：单机模式，一般本地开发调试
• Standalone独立模式：Flink自带集群，自己管理资源调度，部分生产环境会这么用
• YARN模式：计算资源统一由Hadoop YRAN管理，生产环境大部分是这种

基础环境

基于我们之前的大数据的环境：

• JAVA_HOME 之前已经配好了
• SSH 免密登录 三台节点之间 之前也配置好了

集群规划

我们对应的机器是：

• h121 2C4G
• h122 2C4G
• h123 2C2G

下载安装

选择的版本是：Flink 1.11.1 版本

https://www.apache.org/dyn/closer.lua/flink/flink-1.11.1/flink-1.11.1-bin-scala_2.12.tgz

你也可以直接使用 wget 下载，目前我们登录到服务器 h121 节点上

cd /opt/software/
wget https://archive.apache.org/dist/flink/flink-1.11.1/flink-1.11.1-bin-scala_2.12.tgz

等待下载完毕：

解压配置：

tar -zxvf flink-1.11.1-bin-scala_2.12.tgz

处理过程如下：

解压完成之后，移动到目录下：

mv flink-1.11.1 ../servers/
cd ../servers/
ls

Standalone模式部署

上述我们已经完成了 h121 服务器节点的配置安装，接下来我们修改配置文件。
Standalone 模式是一种相对简单的 Flink 集群部署方式，适合在拥有固定资源的环境中运行 Flink 应用程序。所有的 Flink 组件（如 JobManager 和 TaskManager）都是手动配置和启动的，没有依赖外部的资源管理系统。

启动与配置

• 手动启动：在 Standalone 模式下，JobManager 和 TaskManager 需要通过脚本手动启动。可以通过 Flink 提供的启动脚本（如 start-cluster.sh）来启动整个集群，或者单独启动每个组件。
• 配置文件：Standalone 模式的配置主要通过 flink-conf.yaml 文件进行，配置内容包括 JobManager 和 TaskManager 的数量、内存和 CPU 资源、网络设置等。

flink-conf.yaml

cd /opt/servers/flink-1.11.1/conf
vim flink-conf.yaml

我们修改的内容有这么两处：

jobmanager.rpc.address: h121.wzk.icu
taskmanager.numberOfTaskSlots: 2

修改内容如下所示：

Works

不同的版本可能叫不同的名字，我这里是 works

cd /opt/servers/flink-1.11.1/conf
vim workers

写入如下的内容，我们有三台云节点：

h121.wzk.icu
h122.wzk.icu
h123.wzk.icu

写入的结果如下图所示：

Master

cd /opt/servers/flink-1.11.1/conf
vim masters

写入如下的内容：

h121.wzk.icu:8081

写入的结果如下图：

服务启动

暂时就可以先启动进行测试了：

cd /opt/servers/flink-1.11.1/bin/
./start-cluster.sh

启动过程如下所示：

启动结果

这里要注意，由于我们之前配置过Spark环境，Spark的Web也是8081端口。
记得把Spark的服务停掉（暂时用不到Spark相关的内容了）。
启动后，我们访问：

http://h121.wzk.icu:8081/#/overview

可以通过 JPS 命令查看主机当前的状态：（不需要的你可以停掉）

• Hadoop
• HDFS
• Flink
• 等等

测试效果

官方提供的Demo，可以运行测试一下是否正常

cd /opt/servers/flink-1.11.1/bin
./flink run ../examples/streaming/WordCount.jar

执行结果如下图：

可视化的页面也可以看到：

特点与优缺点

优点

• 简洁易用：Standalone 模式不需要额外的资源管理系统，配置相对简单，特别适合在资源固定的小型集群中运行。
• 独立性强：这种模式下，Flink 集群不依赖于外部系统，可以在没有 Yarn、Kubernetes 等资源管理平台的环境中独立运行。
• 低延迟：由于不涉及外部资源调度系统，Standalone 模式在资源调度上的延迟相对较低，适合需要低延迟任务调度的场景。

缺点

• 资源弹性差：由于没有集成外部资源管理系统，Standalone 模式的资源调度和管理相对固定，不支持动态扩展或缩减资源。这在面对变化的工作负载时，可能会导致资源浪费或不足。
• 管理复杂：在大规模集群中，手动管理多个 JobManager 和 TaskManager 可能变得复杂，特别是在需要高可用性和故障恢复的情况下。
• 缺乏高级特性：相比于集成 Yarn 或 Kubernetes 的部署模式，Standalone 模式缺乏一些高级的资源管理特性，如自动化资源分配、动态扩展、集群隔离等。

使用场景

• 开发与测试：Standalone 模式非常适合用于 Flink 应用的开发与测试阶段，因为它配置简单，易于快速部署和运行作业。
• 小型集群：在资源固定且规模较小的集群中，Standalone 模式可以提供足够的灵活性和控制力。
• 边缘计算：在某些资源有限的环境（如边缘计算或嵌入式设备）中，Standalone 模式可以提供一种轻量级的分布式计算解决方案。

扩展性与限制

• 扩展性有限：虽然 Standalone 模式允许在固定资源下进行扩展，但由于缺乏动态资源管理，扩展能力有限，难以应对大规模或动态变化的工作负载。
• 适应性：对于需要频繁调整资源的场景，Standalone 模式可能不太适用，但在资源固定且作业负载相对稳定的情况下，它可以提供稳定可靠的服务。

添加依赖

<build>
  <plugins>
    <!-- 打jar插件 -->
    <plugin>
      <groupId>org.apache.maven.plugins</groupId>
      <artifactId>maven-shade-plugin</artifactId>
      <version>2.4.3</version>
      <executions>
        <execution>
          <phase>package</phase>
          <goals>
            <goal>shade</goal>
          </goals>
          <configuration>
            <filters>
              <filter>
                <artifact>*:*</artifact>
                <excludes>
                  <exclude>META-INF/*.SF</exclude>
                  <exclude>META-INF/*.DSA</exclude>
                  <exclude>META-INF/*.RSA</exclude>
                </excludes>
              </filter>
            </filters>
          </configuration>
        </execution>
      </executions>
    </plugin>
  </plugins>
</build>

pom结构如下所示：