参考学习别人的Flink客户端操作内容。
概要
Flink 提供了丰富的客户端操作来提交任务和与任务进行交互，包括 Flink 命令行，Scala Shell，SQL Client，Restful API 和 Web。Flink 首先提供的最重要的是命令行，其次是 SQL Client 用于提交 SQL 任务的运行，还有就是 Scala Shell 提交 Table API 的任务。同时，Flink 也提供了Restful 服务，用户可以通过http 方式进行调用。此外，还有 Web 的方式可以提交任务。
在 flink 安装目录的 bin 目录下面可以看到有 flink, start-scala-shell.sh 和 sql-client.sh 等文件，这些都是客户端操作的入口。
Flink 命令行
flink -h
输入 flink – h 能看到完整的说明：
flink run -h
查看具体某一个命令的参数。这里是看run命令的具体参数。
启动 standalone 集群
bin/start-cluster.sh
打开 http://hostname:8081 能看到 Web 界面
runbin/flink run -d examples/streaming/TopSpeedWindowing.jar
默认是1个并发
可以在web界面的task Manager下面的stdout查看输出内容。
也可以通过本地日志查看: *.out日志文件
list查看任务列表
bin/flink list
可以在后面加上flink的端口号
一个 Job 能够被 Stop 要求所有的 Source 都是可以 Stoppable 的，即实现了StoppableFunction 接口。
Cancel
取消任务。如果在 conf/flink-conf.yaml 里面配置了 state.savepoints.dir，会保存Savepoint，否则不会保存 Savepoint
也可以在停止的时候显示指定 savepoint 目录
取消和停止（流作业）的区别如下：
cancel() 调用，立即调用作业算子的 cancel() 方法，以尽快取消它们。如果算子在接到 cancel() 调用后没有停止，Flink 将开始定期中断算子线程的执行，直到所有算子停止为止。
● stop() 调用，是更优雅的停止正在运行流作业的方式。stop() 仅适用于 source 实现了StoppableFunction 接口的作业。当用户请求停止作业时，作业的所有 source 都将接收 stop() 方法调用。直到所有 source 正常关闭时，作业才会正常结束。这种方式，使作业正常处理完所有作业。
savepoint
触发savepoint
●checkpoint 是增量做的，每次的时间较短，数据量较小，只要在程序里面启用后会自 动触发，用户无须感知；savepoint 是全量做的，每次的时间较长，数据量较大，需要 用户主动去触发。
● checkpoint 是作业 failover 的时候自动使用，不需要用户指定。savepoint 一般用于程 序的版本更新（详见文档），bug修复，A/B Test等场景，需要用户指定。CSDN-专业IT技术社区-登录● checkpoint 是作业 failover 的时候自动使用，不需要用户指定。savepoint 一般用于程 序的版本更新（详见文档），bug修复，A/B Test等场景，需要用户指定。
从指定的 savepoint 启动
modify
修改任务并行度。
通过 modify 命令将并发度修改为 4和3，每次 modify 命令都会触发一次 savepoint
info
拷贝输出的 json 内容，粘贴到这个网站。
yarn per-job默认是attach模式，即客户端会一直等待直到程序结束才会退出。
● 通过 -m yarn-cluster 指定 yarn 模式
● 客户端能看到结果输出
● Yarn上显示 Flink session cluster，这个batch任务运行完会 FINISHED。
如果我们以 attach 模式运行 streaming 的任务，客户端会一直等待不退出
单任务detached
● 由于是 detached 模式，客户端提交完任务就退出了
● Yarn 上显示为 Flink per-job cluster
yarn session
启动 session
表示启动一个 yarn session 集群，每个TM的内存是2G，每个TM有3个slot。( -n 参数不生效)
客户端默认是attach模式，不会退出
– 可以 ctrl + c 退出，然后再通过 ./bin/yarn-session.sh -id application_1532332183 347_0708 连上来。
– 或者启动的时候用 -d 则为detached模式
其中：
-n(–container)：TaskManager的数量。
-s(–slots)： 每个TaskManager的slot数量，默认一个slot一个core，默认每个taskmanager的slot的个数为1，有时可以多一些taskmanager，做冗余。
-jm：JobManager的内存（单位MB)。
-tm：每个taskmanager的内存（单位MB)。
-nm：yarn 的appName(现在yarn的ui上的名字)。
-d：后台执行。
提交到指定的 session通过 -yid 参数来提交到指定的session
./bin/flink run -d -p 30 -m yarn-cluster -yid application_1532332183347_0708 ./examp les/streaming/TopSpeedWindowing.jar
可以去yarn控制台查看任务状态
Scala Shell
任务运行说明：
● Batch 任务内置了 benv 变量，通过 print() 将结果输出到控制台
● Streaming 任务内置了 senv 变量，通过 senv.execute(“job name”) 来提交任务，且Datastrea
m的输出只有在 local 模式下打印到控制台。
remote先启动一个 yarn session cluster
启动 scala shell，连到 jm
yarn
可以在scala客户端，执行Dataset和DataFrame操作，类似于spark
SQL Client Beta
Restful API
Web
在 Flink Dashboard 页面左侧可以看到有个『Submit new Job』的地方，用户可以上传 jar 包 和显示执行计划和提交任务。Web 提交功能主要用于新手入门和演示用