近期，由于项目需要，对于基于docker进行flink job部署进行了小规模测试，顺便对于flink运行机制进行了深入的了解。

为了达到快速部署和基础环境稳定的目的，考虑使用docker部署（k8s基础环境搭建复杂，调研中未使用），参考官方文档如下：

Docker | Apache Flink

flink部署模式有下列三种：

1. session，全局单一cluster，所有的job运行于单一集群，全局只有一个job manager
2. application，每个job有一个job manager，job manager分配task manager
3. per-job，每个job有一个job manager，job manager分配task manager，但job graph由job manager生成

基于docker部署时，不支持per-job mode，我们选择application mode进行部署。

如果选择基于local file进行checkpoint，需要将container内checkpoint所在的目录进行volume至宿主机，保证docker restart时能够从上次的checkpoint开始消费。

使用的基础镜像为flink:1.12.7-scala_2.11-java8

在per-job mode中，我们向job manager传递parallelism.default参数，指定该job需要的task slot总数，然后由yarn调度。但在docker部署中，由于缺失统一的资源调度工具，只能手动设置task manager的scale和taskmanager.numberOfTaskSlots，保证task manager的数量，缺乏扩容能力。因此，在生产环境部署中，推荐使用native k8s + application mode部署flink任务。

文件夹权限问题

众所周知，flink任务依赖checkpoint机制，为了保证成功生成checkpoint，需要将task manager和job manager的checkpoint命令映射到外部同一目录（checkpoint由job manager生成meta data和删除）。

由于flink任务在启动时使用的用户为flink，因此，在build image时需要将docker内部用于存储checkpoint的目录修改所有者（chown）。

使用minio做checkpoint的问题

使用minio作为checkpoint的外部存储时，要注意s3.endpoint配置。

配置格式通常为http://${host}:${port}，其中的host命名需要满足s3命名规范，不能出现下划线，详细命名规则如下：

存储桶命名规则 - Amazon Simple Storage Service