Flink基础之Flink on Yarn原理详解：三种模式与提交流程

摘要

讲透 Flink 跑在 YARN 上的完整原理：YARN 核心概念与 Flink 角色映射、Session/Per-Job/Application 三种运行模式的差异与选型、Application 模式下从上传 JAR 到 TaskManager 启动的完整提交流程、Container 与 Slot 的两层资源模型，并给出容错机制、常用命令与四个真实踩坑点。

关键词

Flink、YARN、Application Master、Session、Application、Per-Job、Container、资源调度、run-application、Slot

前两篇分别讲了 JobManager 和 TaskManager，组合起来就是一个完整的 Flink 集群。但生产环境里，Flink 集群很少自己裸奔——绝大多数跑在 Hadoop 的 YARN 上。原因很实际：公司里已经有一套 YARN 集群在跑 Hive、Spark 等任务，Flink 再搭一套独立集群，运维成本翻倍、资源还浪费。把 Flink 装进 YARN，就能和其他计算框架共享一套资源池。

这一篇把「Flink on YARN」拆开讲透：YARN 是什么、Flink 在它上面有几种跑法、提交一个作业背后发生了什么、以及为什么有人会在「两个 ResourceManager」上栽跟头。

一、YARN 核心概念：先搞清楚它的四个角色

YARN 是 Hadoop 生态的「资源操作系统」，它把集群资源（CPU + 内存）抽象成容器，统一分配给各种计算框架。四个核心概念必须分清：

• ResourceManager（RM）：全局资源调度中枢，接收应用的资源申请，按调度器（Capacity/Fair）分配 Container。整个集群只有一个。
• NodeManager（NM）：每台机器一个，负责启动、监控、回收本机上的 Container，向 RM 上报资源。
• ApplicationMaster（AM）：每个应用一个，是应用与 YARN 之间的「项目经理」——向 RM 申请资源、协调 Container、监控应用运行。
• Container：资源分配的最小单元，一个进程 + CPU/内存配额。

关键提醒（面试高频坑）：Flink 内部也有一个叫 ResourceManager 的角色，它是 Flink 集群的组件，负责向YARN 的 RM申请容器——两个 ResourceManager 不是一回事。一个是应用内的资源协调者，一个是全局的资源调度者。

二、Flink 角色与 YARN 的映射

Flink on YARN 的本质，是把 Flink 的进程装进 YARN 的容器里：

• AM 容器里运行 JobManager（Dispatcher + JobMaster + Flink 的 ResourceManager）；Application 模式下用户的 main() 也在这里执行。
• 每个 TaskManager 一个 Container，Container 内存 =taskmanager.memory.process.size；容器内部再划分 Slot（Flink 自己的资源单元）。
• 资源模型是两层的：YARN 管「进程级容器」，Flink 管「进程内 Slot」。YARN 分配 Container，Flink 在 Container 里用 Slot 调度任务。

理解了这个映射，后面所有配置和排障都有了解释框架。

三、Flink on YARN 的三种运行模式

Flink 在 YARN 上有三种跑法，差异就两个问题：集群生命周期多长、main() 在哪里执行。

3.1 Session 模式：集群常驻，多作业共享

启动一个 YARN 应用（AM 内 JobManager 常驻 + 一批 TaskManager），之后多个作业提交到这个已存在的集群上，共享 TM 资源池。

# 先启动常驻 session 集群bin/yarn-session.sh-d# 再把作业提交到已有集群bin/flink run-tyarn-session-ccom.example.MainClass ./app.jar

优点：提交快（不用每次起集群）、资源复用率高。缺点：隔离差——作业之间争抢资源，一个作业拖垮整个集群是常态；JobManager 单点，挂了所有作业一起遭殃。适合作业多且小、对隔离不敏感的团队。

3.2 Per-Job 模式：每作业一个集群（已弃用）

每次提交都向 YARN 申请一个临时集群，作业结束集群销毁。但 main() 在本地 Client执行，意味着提交机器的 classpath 必须完整，且要先「起集群再跑代码」，启动慢。Flink 1.15 起官方不再推荐，被 Application 模式取代——新项目不要再用。

3.3 Application 模式：每作业一个集群，main() 在集群内（推荐）

与 Per-Job 的区别只有一个：main() 在集群内的 AM 里执行，本地只上传 JAR，没有任何 Client 进程负担，也不依赖本地的 classpath。

bin/flink run-application-tyarn-application\-ccom.example.MainClass ./app.jar

隔离性好（每作业独立集群）、资源按需申请、故障影响面小，是目前生产环境的主流选择。

选型一句话：作业多且小、要秒级提交 → Session；生产环境追求隔离和可靠 → Application；Per-Job 直接跳过。

四、Application 模式提交流程：一个作业的完整旅程

以推荐的 Application 模式为例，一个作业从敲下命令到跑起来，背后经历七步：

1. Client 上传 JAR 到 HDFS，并向 YARN RM 提交应用请求。
2. RM 选择一个 NM，在该节点启动 AM 容器。
3. AM 内执行用户 main()，并启动 Flink 的 Dispatcher 和 JobMaster（即 JobManager 组件）。
4. JobMaster 构建 ExecutionGraph 后，Flink 的 ResourceManager 汇总 Slot 需求，向 YARN RM 申请 Container。
5. YARN RM 按调度器分配 Container（资源不足则排队）。
6. NM 在分配的节点上启动 TaskManager 容器，容器内存 =taskmanager.memory.process.size。
7. TaskManager 注册到 JobManager，任务部署到 Slot 开始运行，Checkpoint、故障恢复等机制照常工作。

注意第 4-5 步是两层资源协商：Flink 内部先决定要多少 Slot，再换算成需要多少 Container 去找 YARN 要。TaskManager 的扩缩容（容器级别）就发生在这条链路上。

五、容错与资源管理

• AM 重启：AM（含 JobManager）挂掉后，YARN 按yarn.application-attempts（默认 2）重启 AM，新 JobManager 从持久化存储恢复 JobGraph、从 Checkpoint 恢复作业状态。
• TaskManager 故障：容器被杀或 NM 宕机 → 该 TM 上任务失败 → JobManager 重新调度（如果还有剩余 Slot），或触发 Flink 的 ResourceManager 重新申请 Container。
• 资源弹性：YARN 上 TaskManager 可以按需增减（作业扩并行度时申请更多容器），这是 Standalone 模式做不到的。

六、配置与常用命令

# flink-conf.yaml 关键配置# AM（JobManager）总内存jobmanager.memory.process.size:2048m# 每个 TaskManager 总内存（= 一个 Container 的内存）taskmanager.memory.process.size:4096m# 每个 TM 的 Slot 数taskmanager.numberOfTaskSlots:4# AM 重启次数（YARN 层面）yarn.application-attempts:2# 应用名（YARN 页面上显示）yarn.application.name:flink-demo

常用命令：

# Application 模式提交bin/flink run-application-tyarn-application-cMainClass ./app.jar# 启动 Session 集群（后台）bin/yarn-session.sh-d-nmmy-session# 查看/终止 YARN 应用yarnapplication-listyarnapplication-kill<applicationId># 查看应用日志（排障首选）yarnlogs-applicationId<applicationId>

七、四个真实踩坑

1. 把 Flink 的 ResourceManager 当成 YARN 的 RM。面试和排障都容易在这里卡壳：Flink 的 ResourceManager 是 JobManager 进程里的组件，负责向 YARN RM 申请容器。看到「ResourceManager 申请资源」的日志，先分清是哪个。
2. 内存配置超了队列上限，作业一直 ACCEPTED。Container 内存 = TM 的process.size，如果队列剩余内存不够分配一个 TM 容器，作业就卡在 ACCEPTED/RUNNING 但不推进。调小 TM 内存，或检查队列容量。
3. Session 模式作业相互拖累。一个 Session 集群跑多个作业，某个作业状态膨胀或背压会把整个集群拖垮，其他作业一起变慢甚至失败。对隔离有要求的作业，别图省事塞进共享 Session。
4. 还在用 Per-Job 的老写法。flink run -t yarn-per-job在新版本会警告已废弃，且 main() 在本地执行容易踩 classpath 缺失的坑。统一改run-application，把 main() 交给 AM，问题自然消失。

Flink on YARN 的本质，是把 Flink 的进程装进 YARN 的容器，让资源管理交给 YARN、计算执行留在 Flink：YARN 管进程级容器，Flink 管进程内 Slot，两层资源模型通过 AM 衔接。理解了「两个 ResourceManager 的区分」「三种模式的本质差异是集群生命周期和 main() 位置」「提交流程里两次资源协商」这三点，Flink on YARN 的架构和排障就都通了。