1. 什么是Yarn模式部署Flink

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。本文主要介绍在强大的 YARN 平台上 Flink 是如何集成部署的。

利用Yarn可以实现Flink的三种集群模式，即：会话模式、单作业模式、应用模式，比较常用的就是利用Yarn部署Flink的会话模式，由于会话模式也已经实现了动态分配，所以没有了普通会话模式的局限了，因此会话模式是最常见的。

---

整体来说，YARN 上部署的过程是：

1. 客户端把 Flink 应用提交给 Yarn 的 ResourceManager,
2. Yarn 的 ResourceManager 会向 Yarn 的 NodeManager 申请容器。
3. 在这些容器上，Flink 会部署 JobManager 和 TaskManager 的实例，从而启动集群。
4. 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。

2. 环境准备

• 在 Flink 1.11.0 版本之后，增加了很多重要新特性，其中就包括增加了对Hadoop3.0.0以及更高版本Hadoop的支持，不再提供“flink-shaded-hadoop-*”jar 包，而是通过配置环境变量完成与 YARN 集群的对接。

Flink 1.8.0的注意事项

• 在 Flink1.8.0 之前的版本，想要以 YARN 模式部署 Flink 任务时，需要 Flink 是有 Hadoop 支持的。
• 从 Flink 1.8 版本开始，不再提供基于 Hadoop 编译的安装包，若需要 Hadoop 的环境支持，需要自行在官网下载 Hadoop 相关版本的组件 flink-shaded-hadoop-2-uber-2.7.5-10.0.jar，并将该组件上传至 Flink 的 lib 目录下。

在将 Flink 任务部署至 YARN 集群之前，需要确认集群是否安装有 Hadoop，保证 Hadoop 版本至少在 2.2 以上，并且集群中安装有 HDFS 服务。
具体配置步骤如下：
（1）配置环境变量，增加环境变量配置如下：

vim /etc/profile.d/my_env.sh# 添加以下内容
HADOOP_HOME=/opt/module/hadoop-2.7.5
export PATH=$PATH:$HADOOP_HOME/bin:$HADOOP_HOME/sbin
export HADOOP_CONF_DIR=${HADOOP_HOME}/etc/hadoop
export HADOOP_CLASSPATH=`hadoop classpath`# 刷新环境变量使其生效
source /etc/profile.d/my_env.sh

这里必须保证设置了环境变量 HADOOP_CLASSPATH。
（2）启动 Hadoop 集群，包括 HDFS 和 YARN。

start-dfs.sh
start-yarn.sh

（3）修改 flink的配置文件，若在提交命令中不特定指明，这些配置将作为默认配置。

vim /app/apps/flink-1.13.0/conf/flink-conf.yaml#修改以下配置
jobmanager.memory.process.size: 1600m
taskmanager.memory.process.size: 1728m
taskmanager.numberOfTaskSlots: 8
parallelism.default: 1

3. Yarn部署Flink会话模式

YARN 的会话模式与独立集群略有不同，需要首先申请一个 YARN 会话（YARN session）来启动 Flink 集群。具体步骤如下：

3.1 启动集群

（1）启动 hadoop 集群(HDFS, YARN)。
（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。

/app/apps/flink-1.13.0/bin/yarn-session.sh -d -nm test

可用参数解读：
-d：分离模式，后台运行YARN session。
-jm：(–jobManagerMemory)：配置 JobManager 所需内存，默认单位 MB。
-nm：(–name)：配置在 YARN UI 界面上显示的任务名。
-qu：(–queue)：指定 YARN 队列名。
-tm：(–taskManager)：配置每个 TaskManager 所使用内存。
注意：Flink1.11.0 版本不再使用-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。

3.2 提交作业

（1）通过 Web UI 提交作业,这种方式比较简单，与上文所述 Standalone 部署模式基本相同。
（2）通过命令行提交作业:

1. 将 Standalone 模式讲解中打包好的任务运行 JAR 包上传至集群
2. 执行以下命令将该任务提交到已经开启的 Yarn-Session 中运行。

$ bin/flink run -c com.atguigu.wc.StreamWordCount FlinkTutorial-1.0-SNAPSHOT.jar

客户端可以自行确定 JobManager 的地址，也可以通过-m 或者-jobmanager 参数指定JobManager 的地址，JobManager 的地址在 YARN Session 的启动页面中可以找到。

3. 任务提交成功后，可在 YARN 的 Web UI 界面查看运行情况。