在前面的两个章节：《[1] Flink大数据流式处理利剑: 简介》和《[2] Flink大数据流式处理利剑: 用Flink进行统计的一个简单例子》 主要对Flink进行了简单介绍并演示了一个简单的例子；这个章节，我们来看看Flink的部署架构。Flink支持各种部署方式，单机版和集群版；本文将会给你大家介绍一下Flink的集群版的部署架构。
Flink集群版的部署架构如下：一主多从；主指的就是JobManager， 从指的就是TaskManager；
从上面可以看出，Flink集群主要有三大部分：
| 组件 | 目的 | 实现方式 |
|---|---|---|
| Flink Client | 编译批处理或者流处理到一个数据流图并上传到JobManager | 命令行，Restful终端，SQL客户端，Python 脚本，Scala脚本 |
| JobManager | 是Flink的中央协调管理者，其支持三种job计较方式： Application 模式， Per-Job 模式， Session模式 | 单机，Docker，Docker Swarm，K8s，Yarn 都可以用来安装部署JobManager |
| TaskManager | 是Job的具体执行者，其最终会执行Job |
上图中黄色正方形代表的是Flink和外部配合工作的组件（我就不一一翻译了）其是可选的；
值得一提的是Flink的应用数据的来源（Source）和处理后的储存（Sinks），Flink目前支持了下面的连接器（Connectors），这些连接器在选型的时候可以根据不同的业务需求进行选型。需要的注意的是，有的连接器，只支持储存处理后的结果，有的只支持作为Flink的数据源，有的不但能作为Flink的数据源也能作为处理后的储存。
值得一提的是，当前很多云厂商的大数据流式处理方案都是基于Flink而进行托管的，比如下面的产品：
由此可见，Flink的应用是多么的广泛和优秀。
参考文献：
https://nightlies.apache.org/flink/flink-docs-release-1.14/docs/deployment/overview/
https://nightlies.apache.org/flink/flink-docs-release-1.14/docs/connectors/datastream/overview/
https://nightlies.apache.org/flink/flink-docs-release-1.14/docs/deployment/repls/python_shell/
https://nightlies.apache.org/flink/flink-docs-release-1.14/docs/deployment/repls/scala_shell/