一、SQL 作业
在 SQL 作业代码中配置批作业执行模式：
作业开发的高级参数中，添加如下参数，作业会按照批模式运行。
execution.runtime-mode: BATCH
注意：说明：
注意：批作业是为 有界流（Bounded Stream） 设计的，所以，Bounded Source 才能支持批作业运行。如果作业中引入了 Unbounded Source，启动作业时会报错。
作业示例 SQL 代码：
CREATE TABLE `datagen_source_table` ( id INT, name STRING ) WITH ( 'connector' = 'datagen', 'rows-per-second' = '2', — 下面的参数能够将 datagen 作为 Bounded Source 运行作业 'number-of-rows' = '100');CREATE TABLE `logger_sink_table` ( id INT, name STRING ) WITH ( 'connector' = 'logger','print-identifier' = 'DebugData');INSERT INTO `logger_sink_table` SELECT * FROM `datagen_source_table`;
批作业能够支持分阶段运行。这个作业比较简单，Job Graph 算子会 chain 在一起运行，不能直接看到分阶段运行的这一特性。如果要在 Flink UI 中观察到这一特性，可在高级参数中添加参数 pipeline.operator-chaining: false ，重启作业后，chain 会断开，能够观察到作业在分阶段运行。
二、JAR 作业
在 JAR 作业代码中配置批作业执行模式：
StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();env.setRuntimeMode(RuntimeExecutionMode.BATCH);
1. 只需将流作业中的 RuntimeExecutionMode.STREAMING 修改为 RuntimeExecutionMode.BATCH 即可实现批作业开发。
2. 把修改后的批作业重新打成 JAR 包上传至平台的依赖管理中。
3. 在平台的 JAR 作业开发中使用对应 JAR 包，完成 JAR 批作业开发。
三、Python 作业
在 Python 作业代码中配置批作业执行模式：
env_settings = EnvironmentSettings.new_instance().in_batch_mode().use_blink_planner().build()table_env = TableEnvironment.create(env_settings)
1. 只需将流作业中的 EnvironmentSettings.new_instance().in_streaming_mode() 修改为 EnvironmentSettings.new_instance().in_batch_mode() 即可实现批作业开发。详情可查看 Python Table API 简介。
2. 把修改后的批作业重新打成 py 文件上传至平台的依赖管理中。
3. 在平台的 Python 作业开发中使用对应 py 文件，完成 Python 批作业开发。