Flink安装部署

Flink安装部署

一、开发模式

在idea中运行Flink程序的方式就是开发模式.

二、local-cluster模式

Flink中的Local-cluster(本地集群)模式,主要用于测试, 学习.

2.1local-cluster模式配置

local-cluster模式基本属于零配置.

1. 上传Flink的安装包flink-1.12.0-bin-scala_2.11.tgz到hadoop162
2. 解压

tar -zxvf flink-1.12.0-bin-scala_2.11.tgz -C /opt/module

3. 进入目录/opt/module, 复制flink-local

cd /opt/module
cp -r flink-1.12.0 flink-local

2.2在local-cluster模式下运行无界的WordCount

1. 打包idea中的应用
2. 把不带依赖的jar包上传到目录/opt/module/flink-local下
3. 启动本地集群

bin/start-cluster.sh

4. 在hadoop162中启动netcat

nc -lk 9999

注意: 如果没有安装netcat需要先安装:

sudo yum install -y nc

5. 命令行提交Flink应用

bin/flink run -m hadoop162:8081 -c com.flink.java.chapter_2.Flink03_WC_UnBoundedStream ./flink-prepare-1.0-SNAPSHOT.jar

6. 在浏览器中查看应用执行情况
   http://hadoop162:8081
   

7. 也可以在log日志查看执行结果

cat flink-atguigu-taskexecutor-0-hadoop162.out

8. 也可以在WEB UI提交应用
   
   

三、Standalone模式

Standalone模式又叫独立集群模式.

3.1Standalone模式配置

1. 复制flink-standalone

cp -r flink-1.12.0 flink-standalone

2. 修改配置文件:flink-conf.yaml

jobmanager.rpc.address: hadoop162

3. 修改配置文件:workers

hadoop163
hadoop164

4. 分发flink-standalone到其他节点

3.2 Standalone模式运行无界流WorkCount

1. 启动standalone集群

bin/start-cluster.sh

2. 命令行提交Flink应用

bin/flink run -m hadoop162:8081 -c com.atguigu.flink.java.chapter_2.Flink03_WC_UnBoundedStream ./flink-prepare-1.0-SNAPSHOT.jar

3. 查看执行情况与本地集群一致.
4. 也支持Web UI界面提交Flink应用

3.3Standalone高可用(HA)

任何时候都有一个 主 JobManager 和多个备用 JobManagers，以便在主节点失败时有备用 JobManagers 来接管集群。这保证了没有单点故障，一旦备 JobManager 接管集群，作业就可以正常运行。主备 JobManager 实例之间没有明显的区别。每个 JobManager 都可以充当主备节点。

1. 修改配置文件: link-conf.yaml

high-availability: zookeeper
high-availability.storageDir: hdfs://hadoop162:8020/flink/standalone/ha
high-availability.zookeeper.quorum: hadoop162:2181,hadoop163:2181,hadoop164:2181
high-availability.zookeeper.path.root: /flink-standalone
high-availability.cluster-id: /cluster

2. 修改配置文件: masters

hadoop162:8081
hadoop163:8081

3. 分发修改的后配置文件到其他节点
4. 在/etc/profile.d/my.sh中配置环境变量

export HADOOP_CLASSPATH=`hadoop classpath`

注意:

• 需要提前保证HAOOP_HOME环境变量配置成功
• 分发到其他节点

5. 首先启动dfs集群和zookeeper集群
6. 启动standalone HA集群

bin/start-cluster.sh

7. 可以分别访问

http://hadoop162:8081
http://hadoop163:8081

8. 在zkCli.sh中查看谁是leader

get /flink-standalone/cluster/leader/rest_server_lock

杀死hadoop162上的Jobmanager, 再看leader

注意: 不管是不是leader从WEB UI上看不到区别, 并且都可以与之提交应用.

四、Yarn模式

独立部署（Standalone）模式由Flink自身提供计算资源，无需其他框架提供资源，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。但是你也要记住，Flink主要是计算框架，而不是资源调度框架，所以本身提供的资源调度并不是它的强项，所以还是和其他专业的资源调度框架集成更靠谱，所以接下来我们来学习在强大的Yarn环境中Flink是如何使用的。（其实是因为在国内工作中，Yarn使用的非常多）

把Flink应用提交给Yarn的ResourceManager, Yarn的ResourceManager会申请容器从Yarn的NodeManager上面. Flink会创建JobManager和TaskManager在这些容器上.Flink会根据运行在JobManger上的job的需要的slot的数量动态的分配TaskManager资源

4.1Yarn模式配置

1. 复制flink-yarn

Cpstop -r flink-1.11.2 flink-yarn

2. 配置环境变量HADOOP_CLASSPATH, 如果前面已经配置可以忽略.
   在/etc/profile.d/my.sh中配置

export HADOOP_CLASSPATH=`hadoop classpath`

4.2Yarn运行无界流WordCount

1. 启动hadoop集群(hdfs, yarn)
2. 运行无界流

bin/flink run -t yarn-per-job -c com.atguigu.flink.java.chapter_2.Flink03_WC_UnBoundedStream ./flink-prepare-1.0-SNAPSHOT.jar

3. 在yarn的ResourceManager界面查看执行情况
   
   

4.3Flink on Yarn的3种部署模式

Flink提供了yarn上运行的3模式，分别为Application Mode, Session-Cluster和Per-Job-Cluster模式。

Session-Clusterw

Session-Cluster模式需要先启动Flink集群，向Yarn申请资源, 资源申请到以后,永远保持不变。以后提交任务都向这里提交。这个Flink集群会常驻在yarn集群中，除非手工停止。

在向Flink集群提交Job的时候, 如果资源被用完了,则新的Job不能正常提交.

缺点: 如果提交的作业中有长时间执行的大作业, 占用了该Flink集群的所有资源, 则后续无法提交新的job.

所以, Session-Cluster适合那些需要频繁提交的多个小Job, 并且执行时间都不长的Job.

Per-Job-Cluster

一个Job会对应一个Flink集群，每提交一个作业会根据自身的情况，都会单独向yarn申请资源，直到作业执行完成，一个作业的失败与否并不会影响下一个作业的正常提交和运行。独享Dispatcher和ResourceManager，按需接受资源申请；**适合规模大长时间运行的作业**。

每次提交都会创建一个新的flink集群，任务之间互相独立，互不影响，方便管理。任务执行完成之后创建的集群也会消失。

Application Mode

Application Mode会在Yarn上启动集群, 应用jar包的main函数(用户类的main函数)将会在JobManager上执行. 只要应用程序执行结束, Flink集群会马上被关闭. 也可以手动停止集群.

与Per-Job-Cluster的区别: 就是Application Mode下, 用户的main函数是在集群中执行的

官方建议:

出于生产的需求, 我们建议使用Per-job or Application Mode,因为他们给应用提供了更好的隔离!

4.4 Per-Job-Cluster模式执行无界流WordCount

bin/flink run -d -t yarn-per-job -c com.flink.java.chapter_2.Flink03_WC_UnBoundedStream ./flink-prepare-1.0-SNAPSHOT.jar

4.5 Session-Cluster模式执行无界流WordCount

1. 启动一个Flink-Session

bin/yarn-session.sh -d 

2. 在Session上运行Job

bin/flink run -c com.atguigu.flink.java.chapter_2.Flink03_WC_UnBoundedStream ./flink-prepare-1.0-SNAPSHOT.jar

会自动找到你的yarn-session启动的Flink集群.也可以手动指定你的yarn-session集群:

bin/flink run -t yarn-session -Dyarn.application.id=application_XXXX_YY ./flink-prepare-1.0-SNAPSHOT.jar

注意: application_XXXX_YY 指的是在yarn上启动的yarn应用

4.6 Application Mode模式执行无界流WordCount

bin/flink run-application -t yarn-application -c com.atguigu.flink.java.chapter_2.Flink03_WC_UnBoundedStream ./flink-prepare-1.0-SNAPSHOT.jar

4.7 Yarn模式高可用

Yarn模式的高可用和Standalone模式的高可用原理不一样.

Standalone模式中, 同时启动多个Jobmanager, 一个为leader其他为standby, 当leader挂了, 其他的才会有一个成为leader.

yarn的高可用是同时只启动一个Jobmanager, 当这个Jobmanager挂了之后, yarn会再次启动一个, 其实是利用的yarn的重试次数来实现的高可用.

1. 在yarn-site.xml中配置

<property>
  <name>yarn.resourcemanager.am.max-attempts</name>
  <value>4</value>
  <description>
    The maximum number of application master execution attempts.
  </description>
</property>

注意: 配置完不要忘记分发, 和重启yarn

2. 在flink-conf.yaml中配置

yarn.application-attempts: 3
high-availability: zookeeper
high-availability.storageDir: hdfs://hadoop162:8020/flink/yarn/ha
high-availability.zookeeper.quorum: hadoop162:2181,hadoop163:2181,hadoop164:2181
high-availability.zookeeper.path.root: /flink-yarn

3. 启动yarn-session
4. 杀死Jobmanager, 查看他的复活情况

注意: yarn-site.xml中是它活的次数的上限, flink-conf.xml中的次数应该小于这个值.

五、Scala REPL

scala 交互环境.

1. local模式启动 REPL

/opt/module/flink-local » bin/start-scala-shell.sh local

2. yarn-session 模式启动
   先启动一个yarn-session, 然后就可以把shell跑在yarn-session上了

bin/start-scala-shell.sh yarn

六、K8S & Mesos模式

Mesos是Apache下的开源分布式资源管理框架，它被称为是分布式系统的内核,在Twitter得到广泛使用,管理着Twitter超过30,0000台服务器上的应用部署，但是在国内，依然使用着传统的Hadoop大数据框架，所以国内使用mesos框架的并不多，这里我们就不做过多讲解了。

容器化部署时目前业界很流行的一项技术，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。这里我们也不做过多的讲解.