Flink教程(1)-集群安装与部署

本是古典何须时尚 2022-11-21 11:35 554阅读 0赞

**【订阅[专栏合集][Link 1],作者所有付费文章都能看】**

欢迎关注公众号「程猿薇茑」

![20191130143507670.jpg][]

--------------------

推荐【**Flink教程**】[https://blog.csdn.net/hellozpc/category\_10645207.html][https_blog.csdn.net_hellozpc_category_10645207.html]  
推荐【**Kafka教程**】[https://bigbird.blog.csdn.net/article/details/108770504][https_bigbird.blog.csdn.net_article_details_108770504]  
推荐【**JVM面试与调优教程**】[https://blog.csdn.net/hellozpc/category\_10959501.html][https_blog.csdn.net_hellozpc_category_10959501.html]  
推荐【**SpringBoot全套教程**】[https://blog.csdn.net/hellozpc/category\_10159292.html][https_blog.csdn.net_hellozpc_category_10159292.html]  
推荐【**SpringCloud教程**】[https://blog.csdn.net/hellozpc/article/details/83692496][https_blog.csdn.net_hellozpc_article_details_83692496]  
推荐【**Mybatis教程**】[https://blog.csdn.net/hellozpc/article/details/80878563][https_blog.csdn.net_hellozpc_article_details_80878563]  
推荐【**SnowFlake教程**】[https://blog.csdn.net/hellozpc/article/details/108248227][https_blog.csdn.net_hellozpc_article_details_108248227]  
推荐【**并发限流教程**】[https://blog.csdn.net/hellozpc/article/details/107582771][https_blog.csdn.net_hellozpc_article_details_107582771]  
推荐【**Redis教程**】[https://bigbird.blog.csdn.net/article/details/81267030][https_bigbird.blog.csdn.net_article_details_81267030]  
推荐【**Netty教程**】[https://blog.csdn.net/hellozpc/category\_10945233.html][https_blog.csdn.net_hellozpc_category_10945233.html]

--------------------

### 文章目录 ###

*   *  Flink概述
     *  Flink安装部署
     *   *  本地模式
         *   *  下载安装包
             *  上传并解压至linux
             *  启动Flink
             *  关闭防火墙
         *  Flink集群模式
         *   *  Standalone模式
             *   *  Linux机器规划
                 *  设置免密登录
                 *  设置主机时间同步
                 *  Flink安装步骤
             *  Flink on YARN 模式
             *   *  Hadoop集群搭建
                 *  Flink on Yarn的两种方式
                 *   *  第1种方式
                     *  第2种方式

## Flink概述 ##

按照[Apache官方][Apache]的介绍，Flink是一个对有界和无界数据流进行状态计算的分布式处理引擎和框架。通俗地讲，Flink就是一个流计算框架，主要用来处理流式数据。其起源于2010年德国研究基金会资助的科研项目“Stratosphere”，2014年3月成为Apache孵化项目，12月即成为Apache顶级项目。Flinken在德语里是敏捷的意思，意指快速精巧。其代码主要是由 Java 实现，部分代码由 Scala实现。在Flink的世界里，一切数据都是流式的：离线数据(批数据)是有界(bounded)的流；实时数据(流数据)是无界(unbounded)的流。Flink既可以处理有界的批量数据集，也可以处理无界的实时流数据，为批处理和流处理提供了统一编程模型。如果把[Storm][]看做第一代流处理框架、[Spark Streaming][](微批处理)看做第二代，那么Flink称得上是第三代流处理框架，并且是集大成者。

## Flink安装部署 ##

和几乎所有的大数据处理框架一样，使用Flink之前，我们需要在服务器上安装部署Flink框架。Flink可以以多种模式运行，既可以单机运行，也可以集群运行。集群环境下既可以独立运行，也可以依赖YARN来运行。下面详细介绍各种安装部署模式。

### 本地模式 ###

本地模式即在linux服务器直接解压flink二进制包就可以使用，不用修改任何参数，用于一些简单测试场景。

#### 下载安装包 ####

直接在[Flink官网][Flink]下载安装包，如写作此文章时最新版为[flink-1.11.1-bin-scala\_2.11.tgz][flink-1.11.1-bin-scala_2.11.tgz]

#### 上传并解压至linux ####

[root@vm1 myapp]# pwd
    /usr/local/myapp
    
    [root@vm1 myapp]# ll
    总用量 435772
    -rw-r--r--.  1 root root  255546057 2月  8 02:29 flink-1.11.1-bin-scala_2.11.tgz

解压到指定目录

[root@vm1 myapp]# tar -zxvf flink-1.11.1-bin-scala_2.11.tgz -C /usr/local/myapp/flink/

#### 启动Flink ####

注意运行之前确保机器上已经安装了JDK1.8或以上版本，并配置了JAVA\_HOME环境变量。JDK安装可以参考这篇[博文][Link 2]

[root@vm1 ~]# java -version
    java version "1.8.0_261"
    Java(TM) SE Runtime Environment (build 1.8.0_261-b12)
    Java HotSpot(TM) 64-Bit Server VM (build 25.261-b12, mixed mode)

进入flink目录执行启动命令

[root@vm1 ~]# cd /usr/local/myapp/flink/flink-1.11.1/
    [root@vm1 flink-1.11.1]# bin/start-cluster.sh 
    [root@vm1 flink-1.11.1]# jps
    3577 Jps
    3242 StandaloneSessionClusterEntrypoint
    3549 TaskManagerRunner

执行Jps查看java进程，可以看到Flink相关进程已经启动。可以通过浏览器访问Flink的Web界面[http://vm1:8081][http_vm1_8081]

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pwY2FuZHpoag_size_16_color_FFFFFF_t_70_pic_center]

能在本机浏览器访问上述页面的前提是Windows系统的hosts文件配了vm1这台服务器的主机名和IP的映射关系，并且linux服务器的防火墙已关闭。

#### 关闭防火墙 ####

查看linux防火墙状态

`[root@vm1 ~]# systemctl status firewalld`

临时关闭防火墙

`[root@vm1 ~]# systemctl stop firewalld`

永久关闭防火墙

`[root@vm1 ~]# systemctl disable firewalld`

关闭Flink

执行`bin/stop-cluster.sh`

### Flink集群模式 ###

集群环境适合在生产环境下面使用，且需要修改对应的配置参数。Flink提供了多种集群模式，我们这里主要介绍standalone和Flink on Yarn两种模式。

#### Standalone模式 ####

Standalone是Flink的独立集群部署模式，不依赖任何其它第三方软件或库。如果想搭建一套独立的Flink集群，不依赖其它组件可以使用这种模式。搭建一个标准的Flink集群，需要准备3台Linux机器。

##### Linux机器规划 #####

<table> 
 <thead> 
  <tr> 
   <th>节点类型</th> 
   <th>主机名</th> 
   <th>IP</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>Master</td> 
   <td>vm1</td> 
   <td>192.168.174.136</td> 
  </tr> 
  <tr> 
   <td>Slave</td> 
   <td>vm2</td> 
   <td>192.168.174.137</td> 
  </tr> 
  <tr> 
   <td>Slave</td> 
   <td>vm3</td> 
   <td>192.168.174.138</td> 
  </tr> 
 </tbody> 
</table>

在Flink集群中，Master节点上会运行JobManager(StandaloneSessionClusterEntrypoint)进程，Slave节点上会运行TaskManager(TaskManagerRunner)进程。

集群中Linux节点都要配置JAVA\_HOME，并且节点之间需要设置ssh免密码登录，至少保证Master节点可以免密码登录到其他两个Slave节点，linux防火墙也需关闭。

##### 设置免密登录 #####

1）先在每一台机器设置本机免密登录自身

[root@vm1 ~]# ssh-keygen -t rsa
    [root@vm1 ~]# cat ~/.ssh/id_rsa.pub >> ~/.ssh/authorized_keys

在本机执行ssh登录自身，不提示输入密码则表明配置成功

[root@vm1 ~]# ssh vm1
    Last login: Tue Sep 29 22:23:39 2020 from vm1

在其它机器vm2、vm3执行同样的操作:

ssh-keygen -t rsa  
cat ~/.ssh/id\_rsa.pub >> ~/.ssh/authorized\_keys

ssh vm2

ssh vm3

2）设置vm1免密登录其它机器

把vm1的公钥文件拷贝到其它机器vm2、vm3上

[root@vm1 ~]# scp ~/.ssh/id_rsa.pub root@vm2:~/
    [root@vm1 ~]# scp ~/.ssh/id_rsa.pub root@vm3:~/

登录到vm2、vm3，把vm1的公钥文件追加到自己的授权文件中

[root@vm2 ~]# cat ~/id_rsa.pub >> ~/.ssh/authorized_keys 
    [root@vm3 ~]# cat ~/id_rsa.pub >> ~/.ssh/authorized_keys

如果提示没有 ~/.ssh/authorized\_keys目录则可以在这台机器上执行ssh-keygen -t rsa。不建议手动创建.ssh目录！

验证在vm1上ssh登录vm2、vm3是否无需密码，不需要密码则配置成功！

[root@vm1 ~]# ssh vm2
    Last login: Mon Sep 28 22:31:22 2020 from 192.168.174.133
    
    [root@vm1 ~]# ssh vm3
    Last login: Tue Sep 29 22:35:25 2020 from vm1

执行`exit`退回到本机

[root@vm3 ~]# exit
    logout
    Connection to vm3 closed.
    [root@vm1 ~]#

3）同样方式设置其它机器之间的免密登录

在vm2、vm3上执行同样的步骤

把vm2的公钥文件拷贝到vm1、vm3

[root@vm2 ~]# scp ~/.ssh/id_rsa.pub root@vm1:~/
    [root@vm2 ~]# scp ~/.ssh/id_rsa.pub root@vm3:~/
    [root@vm1 ~]# cat ~/id_rsa.pub >> ~/.ssh/authorized_keys 
    [root@vm3 ~]# cat ~/id_rsa.pub >> ~/.ssh/authorized_keys

把vm3的公钥文件拷贝到vm1、vm2

[root@vm3 ~]# scp ~/.ssh/id_rsa.pub root@vm1:~/
    [root@vm3 ~]# scp ~/.ssh/id_rsa.pub root@vm2:~/
    [root@vm1 ~]# cat ~/id_rsa.pub >> ~/.ssh/authorized_keys 
    [root@vm2 ~]# cat ~/id_rsa.pub >> ~/.ssh/authorized_keys

4）验证ssh免密码登录

[root@vm2 ~]# ssh vm1
    [root@vm2 ~]# ssh vm3
    [root@vm3 ~]# ssh vm1
    [root@vm3 ~]# ssh vm2

##### 设置主机时间同步 #####

如果集群内节点时间相差太大的话，会导致集群服务异常，所以需要保证集群内各节点时间一致。

执行命令`yum install -y ntpdate`安装ntpdate

执行命令`ntpdate -u ntp.sjtu.edu.cn` 同步时间

##### Flink安装步骤 #####

下列步骤都是先在Master机器上操作，再拷贝到其它机器(确保每台机器都安装了jdk)

1.  解压Flink安装包

`[root@vm1 myapp]# tar -zxvf flink-1.11.1-bin-scala_2.11.tgz -C /usr/local/myapp/flink/`

1.  修改Flink的配置文件flink-1.11.1/conf/flink-conf.yaml

把jobmanager.rpc.address配置的参数值改为vm1

`jobmanager.rpc.address: vm1`

1.  修改Flink的配置文件flink-1.11.1/conf/workers

[root@vm1 conf]# vim workers 
    vm2
    vm3

1.  将vm1这台机器上修改后的flink-1.11.1目录复制到其他两个Slave节点

scp -rq /usr/local/myapp/flink vm2:/usr/local/myapp/
    scp -rq /usr/local/myapp/flink vm3:/usr/local/myapp/

1.  在vm1这台机器上启动Flink集群服务

执行这一步时确保各个服务器防火墙已关闭

进入flink目录/flink-1.11.1/bin执行start-cluster.sh

[root@vm1 ~]# cd /usr/local/myapp/flink/flink-1.11.1/
    [root@vm1 flink-1.11.1]# bin/start-cluster.sh 
    Starting cluster.
    Starting standalonesession daemon on host vm1.
    Starting taskexecutor daemon on host vm2.
    Starting taskexecutor daemon on host vm3.

1.  查看vm1、vm2和vm3这3个节点上的进程信息

[root@vm1 flink-1.11.1]# jps
    4983 StandaloneSessionClusterEntrypoint
    5048 Jps
    
    [root@vm2 ~]# jps
    4122 TaskManagerRunner
    4175 Jps
    
    [root@vm3 ~]# jps
    4101 Jps
    4059 TaskManagerRunner

1.  查看Flink Web UI界面，访问http://vm1:8081  
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pwY2FuZHpoag_size_16_color_FFFFFF_t_70_pic_center 1]

8）提交任务执行

\[root@vm1 flink-1.11.1\]\# bin/flink run ./examples/batch/WordCount.jar

提交任务可以在任意一台flink客户端服务器提交，本例中在vm1、vm2、vm3都可以  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pwY2FuZHpoag_size_16_color_FFFFFF_t_70_pic_center 2]

1.  停止flink集群

`bin/stop-cluster.sh`

10）单独启动、停止进程

手工启动、停止主进程StandaloneSessionClusterEntrypoint

[root@vm1 flink-1.11.1]# bin/jobmanager.sh start
    [root@vm1 flink-1.11.1]# bin/jobmanager.sh stop

手工启动、停止TaskManagerRunner(常用于向集群中添加新的slave节点)

[root@vm1 flink-1.11.1]# bin/taskmanager.sh start
    [root@vm1 flink-1.11.1]# bin/taskmanager.sh stop

#### Flink on YARN 模式 ####

在容器化部署盛行的时代，Flink on Yarn应运而生。Flink on Yarn模式使用YARN 作为任务调度系统，即在YARN上启动运行flink。好处是能够充分利用集群资源，提高服务器的利用率。这种模式的前提是要有一个Hadoop集群，并且只需公用一套hadoop集群就可以执行MapReduce和Spark以及Flink任务，非常方便。因此需要先搭建一个hadoop集群。

##### Hadoop集群搭建 #####

1）下载并解压到指定目录

从[官网][Link 3]下载Hadoop二进制包，上传到linux服务器，并解压到指定目录。

[root@vm1 ~]# tar -zxvf hadoop-2.9.2.tar.gz -C /usr/local/myapp/hadoop/

2）配置环境变量

vim /etc/profile

export HADOOP_HOME=/usr/local/myapp/hadoop/hadoop-2.9.2/
    export PATH=$PATH:$HADOOP_HOME/bin

执行hadoop version查看版本号

[root@vm1 hadoop]# source /etc/profile
    [root@vm1 hadoop]# hadoop version
    Hadoop 2.9.2

3）修改hadoop-env.sh文件

修改配置export JAVA\_HOME=$\{JAVA\_HOME\}指定JAVA\_HOME路径:

export JAVA_HOME=/usr/local/myapp/jdk/jdk1.8.0_261/

同时指定Hadoop日志路径，先创建好目录：

[root@vm1]# mkdir -p /data/hadoop_repo/logs/hadoop

再配置HADOOP\_LOG\_DIR

export HADOOP_LOG_DIR=/data/hadoop_repo/logs/hadoop

4）修改yarn-env.sh文件

指定JAVA\_HOME路径

export JAVA_HOME=/usr/local/myapp/jdk/jdk1.8.0_261/

指定YARN日志目录：

[root@vm1 ~]# mkdir -p /data/hadoop_repo/logs/yarn

export YARN_LOG_DIR=/data/hadoop_repo/logs/yarn

4）修改core-site.xml

配置NameNode的地址fs.defaultFS、Hadoop临时目录hadoop.tmp.dir

NameNode和DataNode的数据文件都会存在临时目录下的对应子目录下

<configuration>
    <property>
       <name>fs.defaultFS</name>
       <value>hdfs://vm1:9000</value>
     </property>
     <property>
       <name>hadoop.tmp.dir</name>
       <value>/data/hadoop_repo</value>
     </property>
    </configuration>

6）修改hdfs-site.xml

dfs.namenode.secondary.http-address指定secondaryNameNode的http地址，本例设置vm2机器为SecondaryNameNode

<configuration>
     <property>
       <name>dfs.replication</name>
       <value>2</value>
     </property>
     <property>
       <name>dfs.namenode.secondary.http-address</name>
       <value>vm2:50090</value>
     </property>
    </configuration>

7）修改yarn-site.xml

yarn.resourcemanager.hostname指定resourcemanager的服务器地址，本例设置vm1机器为hadoop主节点

<configuration>
    <property>
       <name>yarn.nodemanager.aux-services</name>
       <value>mapreduce_shuffle</value>
    </property>
    <property>
       <name>yarn.resourcemanager.hostname</name>
       <value>vm1</value>
    </property>
    </configuration>

8）修改mapred-site.xml

\[root@vm1 hadoop\]\# mv mapred-site.xml.template mapred-site.xml

<configuration>
    <property>
       <name>mapreduce.framework.name</name>
       <value>yarn</value>
    </property>
    </configuration>

mapreduce.framework.name设置使用yarn运行mapreduce程序

9） 配置slaves

设置vm2、vm3为Hadoop副节点

\[root@vm1 hadoop\]\# vim slaves

vm2
    vm3

10）设置免密码登录

免密配置参考前文 设置服务器间相互免密登录

11）拷贝hadoop到其它机器

将在vm1上配置好的Hadoop目录拷贝到其它服务器

[root@vm1 hadoop]# scp -r /usr/local/myapp/hadoop/ vm2:/usr/local/myapp/
    [root@vm1 hadoop]# scp -r /usr/local/myapp/hadoop/ vm3:/usr/local/myapp/

12）格式化HDFS

在Hadoop集群主节点vm1上执行格式化命令

[root@vm1 bin]# pwd
    /usr/local/myapp/hadoop/hadoop-2.9.2/bin
    [root@vm1 bin]# hdfs namenode -format

如果要重新格式化NameNode，则需要先将原来NameNode和DataNode下的文件全部删除，否则报错。NameNode和DataNode所在目录在`core-site.xml`中`hadoop.tmp.dir`、`dfs.namenode.name.dir`、`dfs.datanode.data.dir`属性配置

13）启动集群

直接启动全部进程

`[root@vm1 hadoop-2.9.2]# sbin/start-all.sh`

也可以单独启动HDFS

`sbin/start-dfs.sh`

也可以单独启动YARN

`sbin/start-yarn.sh`

14）查看web页面

要在本地机器http访问虚拟机先关闭linux防火墙，关闭linux防火墙请参照前文

查看HDFS Web页面：

http://vm1:50070/

查看YARN Web 页面：

http://vm1:8088/cluster

15）查看各个节点进程

[root@vm1 ~]# jps
    5026 ResourceManager
    5918 Jps
    5503 NameNode
    
    [root@vm2 ~]# jps
    52512 NodeManager
    52824 Jps
    52377 DataNode
    52441 SecondaryNameNode
    
    [root@vm3 ~]# jps
    52307 DataNode
    52380 NodeManager
    52655 Jps

16）停止Hadoop集群

`[root@vm1 hadoop-2.9.2]# sbin/stop-all.sh`

Hadoop集群搭建完成后就可以在Yarn上运行Flink了！

##### Flink on Yarn的两种方式 #####

第1种：在YARN中预先初始化一个Flink集群，占用YARN中固定的资源。该Flink集群常驻YARN 中，所有的Flink任务都提交到这里。这种方式的缺点在于不管有没有Flink任务执行，Flink集群都会独占系统资源，除非手动停止。如果YARN中给Flink集群分配的资源耗尽，只能等待YARN中的一个作业执行完成释放资源才能正常提交下一个Flink作业。这种方式适合小规模、短时间计算任务。

第2种：每次提交Flink任务时单独向YARN申请资源，即每次都在YARN上创建一个新的Flink集群，任务执行完成后Flink集群终止，不再占用机器资源。这样不同的Flink任务之间相互独立互不影响。这种方式能够使得资源利用最大化，适合长时间、大规模计算任务。

下面分别介绍2种方式的具体步骤。

###### 第1种方式 ######

不管是哪种方式，都要先运行Hadoop集群

1）启动Hadoop集群

`[root@vm1 hadoop-2.9.2]# sbin/start-all.sh`

2）将flink依赖的hadoop相关jar包拷贝到flink目录

[root@vm1]# cp /usr/local/myapp/hadoop/hadoop-2.9.2/share/hadoop/yarn/hadoop-yarn-api-2.9.2.jar /usr/local/myapp/flink/flink-1.11.1/lib
    [root@vm1]# cp /usr/local/myapp/hadoop/hadoop-2.9.2/share/hadoop/yarn/sources/hadoop-yarn-api-2.9.2-sources.jar /usr/local/myapp/flink/flink-1.11.1/lib

还需要 flink-shaded-hadoop-2-uber-2.8.3-10.0.jar ，可以从maven仓库下载并放到flink的lib目录下。

3）创建并启动flink集群

在flink的安装目录下执行

bin/yarn-session.sh -n 2 -jm 512 -tm 512 -d

这种方式创建的是一个一直运行的flink集群，也称为flink yarn-session

由于Yarn模式的Flink集群是由yarn来启动的，因此可以在yarn控制台，即hadoop集群管理页面查看是否有flink任务成功运行：http://vm1:8088/cluster  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pwY2FuZHpoag_size_16_color_FFFFFF_t_70_pic_center 3]

创建成功后，flink控制台会输出web页面的访问地址，可以在web页面查看flink任务执行情况：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pwY2FuZHpoag_size_16_color_FFFFFF_t_70_pic_center 4]

控制台输出http://vm2:43243 可以认为flink的Jobmanager进程就运行在vm2上，且端口是43243。指定host、port提交flink任务时可以使用这个地址+端口

4）附着到flink集群

创建flink集群后会有对应的applicationId，因此执行flink任务时也可以附着到已存在的、正在运行的flink集群

#附着到指定flink集群
    [root@vm1 flink-1.11.1]# bin/yarn-session.sh -id application_1602852161124_0001

applicationId参数是上一步创建flink集群时对应的applicationId

5） 提交flink任务

可以运行flink自带的wordcount样例：

`[root@vm1 flink-1.11.1]# bin/flink run ./examples/batch/WordCount.jar`

在flink web页面 http://vm2:43243/ 可以看到运行记录：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pwY2FuZHpoag_size_16_color_FFFFFF_t_70_pic_center 5]

可以通过-input和-output来手动指定输入数据目录和输出数据目录:

\-input hdfs://vm1:9000/words  
\-output hdfs://vm1:9000/wordcount-result.txt

###### 第2种方式 ######

这种方式很简单，就是在提交flink任务时同时创建flink集群

`[root@vm1 flink-1.11.1]# bin/flink run -m yarn-cluster -yjm 1024 ./examples/batch/WordCount.jar`

需要在执行上述命令的机器(即flink客户端)上配置环境变量YARN\_CONF\_DIR、HADOOP\_CONF\_DIR或者HADOOP\_HOME环境变量，Flink会通过这个环境变量来读取YARN和HDFS的配置信息。

如果报下列错，则需要禁用hadoop虚拟内存检查：

Diagnostics from YARN: Application application_1602852161124_0004 failed 1 times (global limit =2; local limit is =1) due to AM Container for appattempt_1602852161124_0004_000001 exited with  exitCode: -103
    Failing this attempt.Diagnostics: [2020-10-16 23:35:56.735]Container [pid=6890,containerID=container_1602852161124_0004_01_000001] is running beyond virtual memory limits. Current usage: 105.8 MB of 1 GB physical memory used; 2.2 GB of 2.1 GB virtual memory used. Killing container.

修改所有hadoop机器(所有 nodemanager)的文件$HADOOP\_HOME/etc/hadoop/yarn-site.xml

<property>  
        <name>yarn.nodemanager.vmem-check-enabled</name>  
        <value>false</value>  
    </property>

重启hadoop集群再次运行

[root@vm1 hadoop-2.9.2]# sbin/stop-all.sh
    [root@vm1 hadoop-2.9.2]# sbin/start-all.sh
    [root@vm1 flink-1.11.1]# bin/flink run -m yarn-cluster -yjm 1024 ./examples/batch/WordCount.jar

任务成功执行，控制台输出如下。可以使用控制台输出的web页面地址vm3:44429查看任务。不过这种模式下任务执行完成后Flink集群即终止，所以输入地址vm3:44429时可能看不到结果，因为此时任务可能执行完了，flink集群终止，页面也访问不了了。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pwY2FuZHpoag_size_16_color_FFFFFF_t_70_pic_center 6]

上述Flink On Yarn的2种方式案例中分别使用了两个命令：yarn-session.sh 和 flink run

yarn-session.sh 可以用来在Yarn上创建并启动一个flink集群，可以通过如下命令查看常用参数：

`[root@vm1 flink-1.11.1]# bin/yarn-session.sh -h`

\-n :表示分配的容器数量，即TaskManager的数量

\-s : 每个TaskManager的slot数量，一般根据cpu核数设定

\-jm:设置jobManagerMemory，即JobManager的内存，单位MB

\-tm:设置taskManagerMemory ，即TaskManager的内存，单位MB

\-d: 设置运行模式为detached，即后台独立运行

\-nm：设置在YARN上运行的应用的name（名字）

\-id: 指定任务在YARN集群上的applicationId ,附着到后台独立运行的yarn session中

flink run命令既可以提交任务到Flink集群中执行，也可以在提交任务时创建一个新的flink集群，可以通过如下命令查看常用参数：

`[root@vm1 flink-1.11.1]# bin/flink run -h`

\-m: 指定主节点(JobManger)的地址，在此命令中指定的JobManger地址优先于配置文件中的

\-c: 指定jar包的入口类，此参数在jar 包名称之前

\-p:指定任务并行度，同样覆盖配置文件中的值

flink run使用举例：

1）提交并执行flink任务，默认查找当前YARN集群中已有的yarn-session的JobManager

[root@vm1 flink-1.11.1]# bin/flink run ./examples/batch/WordCount.jar -input hdfs://vm1:9000/hello.txt -output hdfs://vm1:9000/result_hello

2）提交flink任务时显式指定JobManager的的host的port，该域名和端口是创建flink集群时控制台输出的

[root@vm1 flink-1.11.1]# bin/flink run -m vm3:39921 ./examples/batch/WordCount.jar -input hdfs://vm1:9000/hello.txt -output hdfs://vm1:9000/result_hello

3）在YARN中启动一个新的Flink集群，并提交任务

[root@vm1 flink-1.11.1]# bin/flink run -m yarn-cluster -yjm 1024 ./examples/batch/WordCount.jar -input hdfs://vm1:9000/hello.txt -output hdfs://vm1:9000/result_hello

\-m yarn-cluster是固定写法，这种方式告诉flink不用去找standalone集群和yarn session集群，而是根据当前提交的job单独启动一个cluster。

[Link 1]: https://blog.csdn.net/hellozpc/category_11127579.html
[20191130143507670.jpg]: /images/20221120/0908eba983794e75bfae30fe6a673671.png
[https_blog.csdn.net_hellozpc_category_10645207.html]: https://blog.csdn.net/hellozpc/article/details/109413465
[https_bigbird.blog.csdn.net_article_details_108770504]: https://bigbird.blog.csdn.net/article/details/108770504
[https_blog.csdn.net_hellozpc_category_10959501.html]: https://bigbird.blog.csdn.net/article/details/113888604
[https_blog.csdn.net_hellozpc_category_10159292.html]: https://blog.csdn.net/hellozpc/article/details/107095951
[https_blog.csdn.net_hellozpc_article_details_83692496]: https://blog.csdn.net/hellozpc/article/details/83692496
[https_blog.csdn.net_hellozpc_article_details_80878563]: https://blog.csdn.net/hellozpc/article/details/80878563
[https_blog.csdn.net_hellozpc_article_details_108248227]: https://blog.csdn.net/hellozpc/article/details/108248227
[https_blog.csdn.net_hellozpc_article_details_107582771]: https://blog.csdn.net/hellozpc/article/details/107582771
[https_bigbird.blog.csdn.net_article_details_81267030]: https://bigbird.blog.csdn.net/article/details/81267030
[https_blog.csdn.net_hellozpc_category_10945233.html]: https://blog.csdn.net/hellozpc/category_10945233.html
[Apache]: https://ci.apache.org/projects/flink/flink-docs-release-1.11/
[Storm]: http://storm.apache.org/
[Spark Streaming]: https://spark.apache.org/streaming/
[Flink]: https://flink.apache.org/downloads.html
[flink-1.11.1-bin-scala_2.11.tgz]: https://www.apache.org/dyn/closer.lua/flink/flink-1.11.2/flink-1.11.2-bin-scala_2.11.tgz
[Link 2]: https://blog.csdn.net/hellozpc/article/details/105680217
[http_vm1_8081]: http://vm1:8081/
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pwY2FuZHpoag_size_16_color_FFFFFF_t_70_pic_center]: /images/20221120/7cfd399a2d2b4be0bc374841c6cc5322.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pwY2FuZHpoag_size_16_color_FFFFFF_t_70_pic_center 1]: /images/20221120/e32fe703e197480b83472c1829df31b4.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pwY2FuZHpoag_size_16_color_FFFFFF_t_70_pic_center 2]: /images/20221120/c229fcf04b13485ab03d83080ac871aa.png
[Link 3]: https://hadoop.apache.org/releases.html
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pwY2FuZHpoag_size_16_color_FFFFFF_t_70_pic_center 3]: /images/20221120/f2ea1ce5381a4322aeb37a65e0f2085a.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pwY2FuZHpoag_size_16_color_FFFFFF_t_70_pic_center 4]: /images/20221120/9a082aef73a847698bab92a1b5ef3e58.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pwY2FuZHpoag_size_16_color_FFFFFF_t_70_pic_center 5]: /images/20221120/3a144f5db1e4426b8a3e2e01d4fea105.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pwY2FuZHpoag_size_16_color_FFFFFF_t_70_pic_center 6]: /images/20221120/714736c7a4bf4e27be8069d439201f7d.png