下载 1.15.1

https://flink.apache.org/downloads.html#apache-flink-1151

部署模式分类

会话模式
应用模式
单作业模式

1、会话模式

先启动一个集群，保持一个会话，然后通过客户端提交作业，所有作业都在一个会话执行；

会话模式适合规模小、执行时间短的大量作业；

2、应用模式

前两种模式应用代码都是在客户端运行，然后由客户端提交给jobmanager的，这种方式的弊端是：需要占用大量网络带宽，去下载依赖和把二进制数据发送给jobmanager，将会加重客户端资源消耗。
所以Application Mode的解决办法是：不需要客户端，直接把应用提交到jobmanager上运行，这意味着要为每个提交的应用单独启动一个jobmanager，也就是创建一个集群，

jobmanager执行完自己的应用将会关闭

应用模式与单作业模式，都是提交作业之后才创建集群；单作业模式是通过客户端来提交的，客户端解析出的每一个作业对应一个集群；而应用模式下，是直接由 JobManager 执行应用程序的，即使应用包含了多个作业，也只创建一个集群。此模式用的比较少，

3、单作业模式

为每个作业启动一个集群，只要客户端提交了一个作业，就为这个作业启动一个单独的集群，这个集群只为这个作业提供服务；其

一、独立会话模式（Standalone）-部署

flink只支持linux部署

1、解压

tar -zvxf flink-1.15.1-bin-scala_2.12.tgz

2、修改配置文件

vim conf/flink-conf.yaml 
# 修改以下内容
jobmanager.rpc.address: 192.168.31.250 # 选择当前主机的ip地址，如果是云服务器，使用外网ip
# JobManager将绑定到的主机接口，默认值为 localhost 禁止外部访问，设为0.0.0.0表示允许外部访问，设置错误的话 Available Task Slots 会显示0
jobmanager.bind-host: 0.0.0.0
# 任务插槽数量，相当于使用多少个线程来执行流
taskmanager.numberOfTaskSlots: 2 
parallelism.default: 1
web.submit.enable: true
# 指定TaskManager主机的地址，单机部署的话，用localhost即可
taskmanager.host: 192.168.31.250
# web前端展示的端口，自己设置
rest.port: 8081   
# 客户端应该用来连接到服务器的地址。注意：仅当高可用性配置为 NONE 时才考虑此选项
rest.address: 192.168.31.250
# 允许外部ip访问的地址，默认情况下是localhost，只能内部访问，改为0.0.0.0允许所有外部ip访问
rest.bind-address: 0.0.0.0

3、修改master文件，

vim conf/masters 
# 填写主节点的ip地址，如果是云服务器，使用外网ip
192.168.31.250:8081

4、修改 workers 文件

vim  conf/workers
# 添加 taskManager 节点的ip地址列表，如果是单节点，只填写主节点ip地址即可
192.168.31.250
192.168.31.251
192.168.31.252

5、、启动

bin/start-cluster.sh

启动成功后，命令行会显示如下信息

[root@dev-server bin]# ./start-cluster.sh 
Starting cluster.  # 启动集群
Starting standalonesession daemon on host dev-server.  # 启动会话模式的 作业调度器 jobmanager
Starting taskexecutor daemon on host dev-server. # 启动任务管理器

通过jps命令可以看到已经启动的flink

[root@dev-server bin]# jps
3010991 TaskManagerRunner   # 任务调度器 taskManager
3010438 StandaloneSessionClusterEntrypoint   # 会话模式的节点
3023395 Jps

说明：

JobManager 的启动代码：standalonesession，实现类是：StandaloneSessionClusterEntrypoint
TaskManager 的启动代码：taskexecutor，实现类是：TaskManagerRunner

6、、访问ui界面

http://192.168.31.250:8081

7、、停止flink

bin/stop-cluster.sh

二、提交作业

1、编写作业代码
新建maven项目，pom.xml 加入flink的依赖

<properties>
        <java.version>1.8</java.version>
        <scala-binary-version>2.12</scala-binary-version>
        <flink-version>1.13.0</flink-version>
        <slf4j-version>1.7.30</slf4j-version>
    </properties>
    <dependencies>
<!--        flink 依赖-->
        <dependency>
            <groupId>org.apache.flink</groupId>
            <artifactId>flink-java</artifactId>
            <version>${flink-version}</version>
        </dependency>
        <dependency>
            <groupId>org.apache.flink</groupId>
            <artifactId>flink-streaming-java_${scala-binary-version}</artifactId>
            <version>${flink-version}</version>
        </dependency>
<!--        flink 客户端，主要做一些管理相关的工作，如果不需要，就不需要导入此依赖-->
        <dependency>
            <groupId>org.apache.flink</groupId>
            <artifactId>flink-clients_${scala-binary-version}</artifactId>
            <version>${flink-version}</version>
        </dependency>
<!--        日志相关依赖-->
        <dependency>
            <groupId>org.slf4j</groupId>
            <artifactId>slf4j-api</artifactId>
            <version>${slf4j-version}</version>
        </dependency>
        <dependency>
            <groupId>org.slf4j</groupId>
            <artifactId>slf4j-log4j12</artifactId>
            <version>${slf4j-version}</version>
        </dependency>
        <dependency>
            <groupId>org.apache.logging.log4j</groupId>
            <artifactId>log4j-to-slf4j</artifactId>
            <version>2.14.0</version>
        </dependency>
    </dependencies>

2、编写java代码

package com.demo;/**
 * @author yexd
 */
import org.apache.flink.api.common.typeinfo.Types;
import org.apache.flink.api.java.tuple.Tuple2;
import org.apache.flink.streaming.api.datastream.DataStreamSource;
import org.apache.flink.streaming.api.datastream.KeyedStream;
import org.apache.flink.streaming.api.datastream.SingleOutputStreamOperator;
import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;
import org.apache.flink.util.Collector;
/**
 * @title: 无界流处理
 * @Author yexd
 * @Date: 2022/8/7 20:10
 * @Version 1.0
 */
public class UnboundedStreamWord {
    static String ip = "192.168.31.250";
    static int port = 9879;
    /**
     * 先将文件中的每一行进行分词，然后统计每个单词出现的次数
     * @param args
     * @throws Exception
     */
    public static void main(String[] args) throws Exception {
        // 创建执行环境
        StreamExecutionEnvironment executionEnvironment = StreamExecutionEnvironment.getExecutionEnvironment();
        // 读取网络流，在linux系统输入命令 ： nc -lk  8888  后，就可以进行通讯了，-lk表示保持当前的连接并持续监听8888端口
        DataStreamSource<String> stringDataStreamSource = executionEnvironment.socketTextStream(ip,port);
        // 将每行数据根据空格切割后进行分词，转换成二元组， FlatMapOperator<输入的数据类型, 输出的数据类型>
        SingleOutputStreamOperator<Tuple2<String, Long>> operator = stringDataStreamSource.flatMap((String line, Collector<Tuple2<String, Long>> out) -> {
            // 将每行进行切割
            String[] words = line.split(" ");
            for (String word : words) {
                // 将每个单词转换成二元组进行输出，其中第一个 word 表示单词本身， 1L表示每个单词出现的次数，后面会用这个次数来进行统计单词出现的总数
                out.collect(Tuple2.of(word, 1L));
            }
        });
        // 返回分词后的结果，FlatMapOperator<输入的数据类型, 输出的数据类型>
        SingleOutputStreamOperator<Tuple2<String, Long>> returns = operator.returns(Types.TUPLE(Types.STRING, Types.LONG));
        // 按照分词进行分组，keyBy 参数中的 f0 表示根据第几个字段进行分组(从0开始)， 很明显，Tuple2的第一个字段是String类型，也就是刚刚分好词后的单词
        KeyedStream<Tuple2<String, Long>, Object> tuple2UnsortedGrouping = returns.keyBy(data -> data.f0);
        // 分组内进行聚合统计,sum 中的参数1 表示根据第几个属性进行统计，Tuple2<String, Long> 很明显第二个属性是Long，在上面我们将这个属性都置为1了，所以会进行统计
        SingleOutputStreamOperator<Tuple2<String, Long>> sum = tuple2UnsortedGrouping.sum(1);
        // 打印
        sum.print();
        // 启动执行
        executionEnvironment.execute();
        /**
         打印结果：
         4> (123,1)
         5> (hello,1)
         15> (456,1)
         5> (hello,2)
         4> (123,2)
         5> (hello,3)
         说明： 大于号前面的数字表示 线程的编号，表示使用不同的线程进行处理，也就是并行流
         */
    }
}

3、打包，通过以下命令将项目打成 jar 包

maven clean package

3、添加作业
在页面中选择 Submit New Job -> Add New ，

选择刚刚打好的jar包

上传后点击jar的名称，有些信息需要填写一下

说明：

Entry Class ： jar包中 main 方法所在类的全类名
Parallelism : 并行度，就是用多线程去执行作业，调成多少就用多少个线程执行作业
Program Arguments : 传入main 方法的参数，多个参数用空格隔开
Savepoint Path :保存点路径，比如你作业执行到一半，但是flink服务器需要重启，就会先暂停作业，然后将执行到一半的作业保存起来，待重启后继续执行，这里配置就是保存的路径；如果不需要保存，为空就行

4、提交之前的改动
因为在java代码里面用的无界流处理，也就是说，数据是通过 socket 网络传输的，如果不先启动监听的话，现在盲目提交就会导致报错，而我的代码里监听了 192.168.31.250 的 9879端口，所以需要在 192.168.31.250 的服务器上输入以下命令来监听 9879 的端口

# -lk表示保持当前的连接并持续监听9879端口
nc -lk  9879

5、提交

以下是我的配置，然后点击 Submit 就可以提交了

提交后一次点击左边的菜单栏 Jobs -> Running Jobs ，就可以可以看到刚刚提交的任务了，点进去看看

说明：

绿色的RUNNING 表示正在运行中，如果是红色的字体，就表示有错误
RUNNING旁边绿色的 2 表示并行度，表示有2个线程执行这个作业
底部表格展示的是运行的时长、数据流大小、任务数量等信息
Cancel Job ：可通过此按钮来停止作业

6、往flink发送消息
刚刚启动了 linux 监听了 9879 端口，发送了2条信息

然后依次点击 TaskManager -> 任务id

最后点击 Stout 就可以看到输入的内容了

linux 部署 flink 1.15.1 并提交作业