Hadoop 之 Yarn

1 概述

Yarn 是一个资源调度平台，负责为运算程序提供服务器运算资源，相当于一个分布式的操作系统平台，而 MapReduce 等运算程序则相当于运行于操作系统之上的应用程序。

2 Yarn 基本架构

3 Yarn 工作机制

工作机制详解：

1）MR 程序提交到客户端所在的节点。

2）YarnRunner 向 ResourceManager 申请一个 Application。

3）RM 将该应用程序的资源路径返回给 YarnRunner。

4）该程序将运行所需资源提交到 HDFS 上。

5）程序资源提交完毕后，申请运行 mrAppMaster。

6）RM 将用户的请求初始化成一个 Task。

7）其中一个 NodeManager 领取到 Task 任务。

8）该 NodeManager 创建容器 Container，并产生 MRAppmaster。

9）Container 从 HDFS 上拷贝资源到本地。

10）MRAppmaster 向 RM 申请运行 MapTask 资源。

11）RM 将运行 MapTask 任务分配给另外两个 NodeManager，另两个 NodeManager 分别领取任务并创建容器。

12）MR 向两个接收到任务的 NodeManager 发送程序启动脚本，这两个 NodeManager 分别启动 MapTask，MapTask 对数据分区排序。

13）MrAppMaster 等待所有 MapTask 运行完毕后，向 RM 申请容器，运行 ReduceTask。

14）ReduceTask 向 MapTask 获取相应分区的数据。

15）程序运行完毕后，MR 会向 RM 申请注销自己。

4 作业提交全过程

4.1 作业提交过程之 YARN

作业提交全过程详解：

1）作业提交

• Client调用 job.waitForCompletion() 方法，向整个集群提交 MapReduce 作业。
• Client 向 RM 申请一个作业 id。
• RM 给 Client 返回该 job 资源的提交路径和作业 id。
• Client 提交 jar 包、切片信息和配置文件到指定的资源提交路径。
• Client 提交完资源后，向 RM 申请运行 MrAppMaster。

2）作业初始化

• 当 RM 收到 Client 的请求后，将该 job 添加到容量调度器中。
• 某一个空闲的 NM 领取到该 Job。
• 该 NM 创建 Container，并产生 MRAppmaster。
• 下载 Client 提交的资源到本地。

3）任务分配

• MrAppMaster 向 RM 申请运行多个 MapTask 任务资源。
• RM 将运行 MapTask 任务分配给另外两个 NodeManager，另两个 NodeManager 分别领取任务并创建容器。

4）任务运行

• MR 向两个接收到任务的 NodeManager 发送程序启动脚本，这两个 NodeManager 分别启动 MapTask，MapTask 对数据分区排序。
• MrAppMaster 等待所有 MapTask 运行完毕后，向 RM 申请容器，运行 ReduceTask。
• ReduceTask 向 MapTask获取相应分区的数据。
• 程序运行完毕后，MR 会向 RM 申请注销自己。

5）进度和状态更新

• YARN 中的任务将其进度和状态(包括 counter )返回给应用管理器, 客户端每秒(通过mapreduce.client.progressmonitor.pollinterval 设置)向应用管理器请求进度更新, 展示给用户。

6）作业完成

• 除了向应用管理器请求作业进度外, 客户端每 5 秒都会通过调用 waitForCompletion() 来检查作业是否完成，时间间隔可以通过 mapreduce.client.completion.pollinterval 来设置。作业完成之后, 应用管理器和 Container 会清理工作状态，作业的信息会被作业历史服务器存储以备之后用户核查。

4.2 作业提交过程之 MapReduce

5 资源调度器

目前，Hadoop作业调度器主要有三种：FIFO、Capacity Scheduler和Fair Scheduler。Hadoop2.7.2默认的资源调度器是Capacity Scheduler。

[yarn-default.xml]

    The class to use as the resource scheduler.
    yarn.resourcemanager.scheduler.class
    org.apache.hadoop.yarn.server.resourcemanager.scheduler.capacity.CapacityScheduler

先进先出调度器

容量调度器

公平调度器

6 任务的推测执行

作业完成时间取决于最慢的任务完成时间，一个作业由若干个 Map 任务和 Reduce 任务构成，因硬件老化、软件Bug等，某些任务可能运行非常慢，系统中有 99% 的 Map 任务都完成了，只有少数几个 Map 老是进度很慢，完不成，怎么办？

推测执行机制

为拖后腿的任务启动一个备份任务，同时运行，谁先运行完用谁的结果

执行推测任务的前提条件

• 每个 Task 只能有一个备份任务
• 当前 Job 已完成的 Task 必须不小于 0.05（5%）
• 开启推测执行参数设置，mapred-site.xml 文件中默认是打开的。

不能启用推测执行机制情况

• 任务间存在严重的负载倾斜
• 特殊任务，比如任务向数据库中写数据。

原理图：