一、Flink ML 简介：为什么要在 Flink 上做机器学习？
简单理解：
- Flink ：负责数据处理引擎------高吞吐、低延迟的流批统一引擎。
- Flink ML ：是在 Flink 之上的机器学习库，提供了算法、Pipeline API 等能力。
使用 Flink ML 有两个典型优势：
-
数据就地训练与预测
你本来就用 Flink 做实时 ETL、流式计算，现在可以在同一套引擎上完成训练和预测，避免频繁导入导出数据。
-
天然适配流式场景
很多业务并不是"离线跑一个模型就完了"，而是需要增量更新模型、实时预测、边流式处理边打标签，这类场景 Flink ML 非常适合。
本文的目标是先把"跑通"这件事搞定，后面再谈如何在真实业务中"用好"。
二、环境准备：Java 是前提
Flink 运行在 JVM 上，所以首先要确保本地已经安装了 Java 8 或更高版本。
在终端里执行：
bash
java -version正常情况下会输出类似：
text
java version "1.8.0_xxx"
Java(TM) SE Runtime Environment (build 1.8.0_xxx)
Java HotSpot(TM) 64-Bit Server VM (build 25.xxx-bxx, mixed mode)如果提示 command not found 或版本过低，就需要先安装/升级 JDK，这里不展开。
三、下载并解压 Flink
本篇示例使用的是 Flink 1.17（你也可以用其他兼容版本，但建议先按官方 Quick Start 来）。
- 从官网或镜像下载 Flink 1.17 安装包（通常是
flink-1.17.x-bin-scala_2.12.tgz这种名字）。 - 在终端中进入下载目录，执行解压命令：
bash
tar -xzf flink-*.tgz解压完成后，你会得到一个类似 flink-1.17.x/ 的目录，这就是本地 Flink 安装目录。
四、配置 FLINK_HOME 环境变量
为了后面操作方便，我们通常会配置一个环境变量 FLINK_HOME 指向 Flink 的安装目录。
进入刚才解压出来的目录：
bash
cd ${path_to_flink} # 比如 cd ~/apps/flink-1.17.0
export FLINK_HOME=`pwd`此时：
$FLINK_HOME就代表 Flink 根目录$FLINK_HOME/bin下面就是start-cluster.sh、flink等脚本
建议 ：
如果你打算长期使用 Flink，可以把
export FLINK_HOME=/your/flink/path和
export PATH=$PATH:$FLINK_HOME/bin写入
~/.bashrc或~/.zshrc，免得每次都手动 export。
五、为 Flink 添加 Flink ML 库
Flink 自身并不自带 Flink ML 的 jar，因此需要我们手动将 Flink ML 的依赖 jar 拷贝到 Flink 的 lib 目录中。
1. 下载 Flink ML Python 源码包
官方 Quick Start 的做法是下载一个类似 apache-flink-ml-*.tar.gz 的压缩包，这里面包含了 Flink ML 的 jar 文件（虽然叫 Python source，但内含 Java jar）。
2. 解压 Flink ML 包
在终端中执行：
bash
tar -xzf apache-flink-ml*.tar.gz解压后会出现一个类似 apache-flink-ml-*/ 的目录。
3. 拷贝 jar 到 Flink 的 lib 目录
继续执行：
bash
cp apache-flink-ml-*/deps/lib/* $FLINK_HOME/lib/这一步的含义是：
把 Flink ML 依赖目录下的所有 jar 文件，复制到 Flink 的 lib 目录里。
为什么要拷到
$FLINK_HOME/lib？因为 Flink 的 Standalone 集群在启动时，会自动加载
lib/下的所有 jar 作为全局依赖 。这样你提交作业时，只需要提供作业自身的 jar，公共库（如 Flink ML）已经在集群侧可见。
六、启动本地 Flink Standalone 集群
一切准备就绪之后，就可以在本地拉起一个小型的 Flink 集群（实际上是一个 JobManager + 若干 TaskManager）。
在终端执行：
bash
$FLINK_HOME/bin/start-cluster.sh如果成功，你会看到类似：
text
Starting cluster.
Starting standalonesession daemon on host ...
Starting taskexecutor daemon on host ...接着，在浏览器中访问：
text
http://localhost:8081如果看到 Flink 的 Web UI 控制台，说明集群已经成功启动，可以接受作业了。
在 Web UI 中你可以看到：
- Overview：集群概况
- Running Jobs：正在运行的作业
- TaskManagers：工作节点信息等
七、提交并运行 Flink ML 示例：KMeans 聚类
Flink ML 官方提供了一些示例作业，我们可以先跑一个最经典的 KMeansExample。
在终端执行：
bash
$FLINK_HOME/bin/flink run \
-c org.apache.flink.ml.examples.clustering.KMeansExample \
$FLINK_HOME/lib/flink-ml-examples*.jar这条命令可以拆解一下理解：
-
$FLINK_HOME/bin/flink run：使用 Flink 提交一个作业 -
-c org.apache.flink.ml.examples.clustering.KMeansExample：- 指定 main class（作业入口类）
-
$FLINK_HOME/lib/flink-ml-examples*.jar：- 指定示例 jar 的路径（通常在 Flink ML 的 examples 模块里）
如果命令执行后没有报错，可以回到 Flink Web UI，在 Jobs 页面就能看到这个示例作业的运行记录。
八、示例输出解析：KMeans 把点分成了两簇
示例作业执行成功后，你会在终端看到类似输出：
text
Features: [9.0, 0.0] Cluster ID: 1
Features: [0.3, 0.0] Cluster ID: 0
Features: [0.0, 0.3] Cluster ID: 0
Features: [9.6, 0.0] Cluster ID: 1
Features: [0.0, 0.0] Cluster ID: 0
Features: [9.0, 0.6] Cluster ID: 1这些内容大致含义是：
- Features ：样本的特征向量，这里是二维点
[x, y] - Cluster ID：KMeans 训练的结果，将这些点分配到不同的聚类中（例如 0、1）
从数据上可以看出：
-
[0.3, 0.0]、[0.0, 0.3]、[0.0, 0.0]都被归为Cluster ID: 0------这一簇大概是"靠近原点的一堆点"
-
[9.0, 0.0]、[9.6, 0.0]、[9.0, 0.6]都被归为Cluster ID: 1------这一簇则是"靠近 x=9 左右的一堆点"
也就是说，示例里构造了一些二维数据点，然后使用 KMeans 算法将它们自动分成了两类。
Flink ML 完成的工作大致包括：
- 定义数据源（这些样本点）
- 构建 KMeans 算法的训练 Pipeline
- 在 Flink 上执行训练
- 使用训练好的模型对样本进行预测
- 将「特征向量 + 聚类结果」打印出来
这就是一个完整的"训练 + 预测"的最小闭环，虽然数据很简单，但流程非常典型。
九、停止 Flink 集群
示例作业跑完之后，如果你暂时不再使用 Flink，可以关闭本地集群：
bash
$FLINK_HOME/bin/stop-cluster.sh执行成功后 JobManager 和 TaskManager 进程会退出，Web UI 也会无法访问。
十、常见问题与排查思路（可选阅读）
第一次上手时，可能会遇到一些小坑，这里简单列出一些常见问题和排查方式：
-
java: command not found或version太低- 检查是否安装 JDK
- 确认
JAVA_HOME和PATH配置正确
-
start-cluster.sh报错- 查看
$FLINK_HOME/log下的日志（standalonesession*.log、taskexecutor*.log） - 检查端口是否被占用（默认 8081）
- 查看
-
执行示例时提示类找不到（ClassNotFound）
- 确认
flink-ml-examples*.jar真的在$FLINK_HOME/lib/ - 确认
-c org.apache.flink.ml.examples.clustering.KMeansExample类名拼写无误
- 确认
-
Web UI 打不开
- 检查进程：
ps aux | grep flink - 检查防火墙设置或端口占用问题
- 检查进程：