第3章
Flink部署

在第2章中，我们在集成开发环境里编写了Flink代码，然后运行测试。细心的读者应该会发现：对于读取文本流的流处理程序，运行之后其实并不会去直接执行代码中定义好的操作，因为这时还没有数据；只有在输入数据之后，才会触发分词转换、分组统计的一系列处理操作。可明明我们的代码是顺序执行的，会调用flatMap、keyBy和sum等一系列处理方法，这是怎么回事呢？

这涉及Flink作业提交运行的原理。我们编写的代码，对应着在Flink集群上执行的一个作业；所以我们在本地执行代码，其实是先模拟启动一个Flink集群，然后将作业提交到集群上，创建好要执行的任务等待数据输入。

这里需要提到Flink中的几个关键组件：客户端（Client）、作业管理器（JobManager）和任务管理器（TaskManager）。我们的代码实际上是由客户端获取并做转换，之后提交给JobManger的。所以JobManager就是Flink集群里的“领导者”，对作业进行中央调度管理；而它获取到要执行的作业后，会进一步处理转换，然后分发任务给众多的TaskManager。这里的TaskManager，就是真正“干活的人”，数据的处理操作都是它们来做的，如图3-1所示。

关于Flink中各组件的作用和作业提交及运行时的架构，我们会在下一章详细展开讲解。

在实际项目应用中，我们当然不能使用开发环境的模拟集群，而是需要将Flink部署在生产集群环境中，然后再将作业提交到集群上运行。本章我们就来介绍Flink的部署及作业提交的流程。

Flink是一个非常灵活的处理框架，它支持多种不同的部署场景，还可以和不同的资源管理平台方便地集成。接下来，我们会先做一个简单的介绍，让大家对Flink部署有一个初步的认识，之后再展开讲述不同情形下的Flink部署。 OqGeWDPhtWxyvdY7uK+p0OtB4Iev3x2EUy98LLAgrHboc0GgcoArxaybnGK3GiUI