hadoop之MR on yarn 架构详解与shuffle剖析

目录

1.MapReduce简介

2.Container简介

3.vcore简介

4.MR on yarn 架构

4.1架构图

4.2相关角色介绍

4.3流程详解

5.MR 与 yarn常用命令

6.Shuffle剖析

---

1.MapReduce简介

大数据最早的分布式计算框架，如今企业开发已不会直接使用java代码写MR代码运行作业，因为只有map、reduce两种函数，代码很复杂很累赘，且是基于磁盘进行计算的，非常慢，主流是spark，但是很有学习借鉴意义。

2.Container简介

1）运行在nm节点上的单独进程，执行任务时才会被分配。
2）由一定的内存和数量的vcore组成，是逻辑概念
3）一个Container上运行的是某个作业的部分task任务
4）一个nm可以运行多个container

3.vcore简介

虚拟的cpu，即逻辑cpu，一般pcore与vcore比列设置为1:2，这涉及到了每个pcore的超线程技术，理论上能够支持双线程。最新的hadoop已经将比列设置为1:1，让计算能够有充分的资源可使用。

4.MR on yarn 架构

4.1架构图

4.2相关角色介绍

   ResourceManager 资源作业管理者  
         Applications Manager 作业管理，是所有作业的老大，web界面信息从这里查询
         Resource Scheduler 资源调度
   NodeManager   节点者
   ApplicationsMaster：某个job的老大，他来申请资源以及管理和监控整个作业生命周期，运行在Container上
   Container：运行某个作业的全部或部分task

4.3流程详解

1）用户向yarn rm apps manager提交作业(job)，其中包括applicationMaster程序、、启动applicationMaster命令等。

2）RM为该job分配第一个容器，并与对应的NM通信，要求它运行这个容器并在这个容器中去启动该job的MR applicationMaster程序。

3）applicationMaster首先向Applications Manager注册，用户就可以直接在web界面查看job的整个运行状态和日志。

4）applicationMaster向Resource Scheduler 采用轮询的方式通过RPC协议去申请和领取资源列表

5）一旦applicationMaster申请到资源的后，便与对应的NM节点通信，要求启动任务。

6）NM为任务task设置好运行环境(环境变量、jar包等)，将任务的启动命令写在一个脚本文件中，并通过这个脚本【启动任务】；

7）各个task通过rpc向applicationMaster汇报自己的状态和进度。以让applicationMaster随时掌握各个任务的运行状态，从而可以在任务运行时重新启动任务。则web界面可以实时查看job的当前的运行状态。

8）job运行完成后，applicationMaster向RM注销并关闭自己。

总结步骤：

     第一步：启动applicationMaster 

     第二步：由applicationMaster创建job，为它申请资源，并监控它的整个运行过程，直到运行完成。

5.MR 与 yarn常用命令

通常我们是在web界面上管理job作业，但是有时如web挂了，也是有必要使用mr以及yarn命令管理任务。

mapred  #查看命令帮助
mapred job  #查看mapred job帮助
mapred job -list   # 显示正在运行的所有job
mapred job -kill job_1550603730963_0009 #杀死job
mapred job -status job_1550603730963_0009 #查看某个job状态
mapred job -logs job_1550603730963_0009 #查看该作业日志
yarn #查看命令帮助
yarn application #查看job相关命令帮助
yarn application --list #查询平台正在运行的作业
yarn logs -applicationId job_1550603730963_0009 #查看该作业日志
更多命令需要仔细阅读命令帮助。

6.Shuffle剖析

shuffle是数据计算时的某个阶段，中文是洗牌的意思。理解方式:1 介于map和reduce动作之间的动作 2.shuffle就是数据进行网络IO传输阶段  。Shuffle是一个非常耗时的动作，尽量去减少不必要的shuffle操作。

          如上图，shuffle处于map和reduce之间，shuffle时几乎所有的数据都进行了IO传输。