大数据框架Hadoop：第三章 资源调度系统YARN（一）

系列文章目录

第一章 HDFS分布式文件系统(一)
大数据框架Hadoop：第一章 HDFS分布式文件系统(二)
大数据框架Hadoop：第二章 计算框架MapReduce（一）
大数据框架Hadoop：第二章 计算框架MapReduce（二）
大数据框架Hadoop：第三章 资源调度系统YARN（一）

---

---

前言

本文的主要内容是理解yarn架构中各角色的作用，能描述出来mr or yarn的流程，理解三种调度器的区别并且能自定义容量调度器、公平调度器等

---

提示：以下是本篇文章正文内容，下面案例可供参考

一、YARN是什么？

• Apache Hadoop YARN(Yet Another Resource Negotiator)是Hadoop的子项目，为分离Hadoop2.0资源管理和计算组件而引入
• YRAN具有足够的通用性，可以支持其它的分布式计算模式。

二、YARN架构

类似HDFS，YARN也是经典的主从（master/slave）架构

• YARN服务由一个ResourceManager（RM）和多个NodeManager（NM）构成
• ResourceManager为主节点（master）
• NodeManager为从节点（slave）

1.ResourceManager

• ResourceManager是YARN中主的角色
• RM是一个全局的资源管理器，集群只有一个active的对外提供服务
  • 负责整个系统的资源管理和分配
  • 包括处理客户端请求
  • 启动/监控 ApplicationMaster
  • 监控 NodeManager、资源的分配与调度
• 它主要由两个组件构成：
  • 调度器（Scheduler）
  • 应用程序管理器（Applications Manager，ASM）
• 调度器Scheduler
  • 调度器根据容量、队列等限制条件（如每个队列分配一定的资源，最多执行一定数量的作业等），将系统中的资源分配给各个正在运行的应用程序。
  • 需要注意的是，该调度器是一个“纯调度器”
    • 它不从事任何与具体应用程序相关的工作，比如不负责监控或者跟踪应用的执行状态等，也不负责重新启动因应用执行失败或者硬件故障而产生的失败任务，这些均交由应用程序相关的ApplicationMaster完成。
    • 调度器仅根据各个应用程序的资源需求进行资源分配，而资源分配单位用一个抽象概念“资源容器”（Resource Container，简称Container）表示，Container是一个动态资源分配单位，它将内存、CPU、磁盘、网络等资源封装在一起，从而限定每个任务使用的资源量。
• 应用程序管理器Applications Manager，ASM
  • 应用程序管理器主要负责管理整个系统中所有应用程序
  • 接收job的提交请求
  • 为应用分配第一个 Container 来运行 ApplicationMaster
    • 包括应用程序提交
    • 与调度器协商资源以启动 ApplicationMaster
    • 监控 ApplicationMaster 运行状态并在失败时重新启动它等

2.NodeManager

• NodeManager 是YARN中的 slave角色
• NodeManager ：
  • 当一个节点启动时，它会向 ResourceManager 进行注册并告知 ResourceManager 自己有多少资源可用。
  • 每个计算节点，运行一个NodeManager进程，通过心跳（每秒 yarn.resourcemanager.nodemanagers.heartbeat-interval-ms ）上报节点的资源状态(磁盘，内存，cpu等使用信息)
• 功能：
  • 接收及处理来自 ResourceManager 的命令请求，分配 Container 给应用的某个任务；
  • NodeManager 监控本节点上的资源使用情况和各个 Container 的运行状态（cpu和内存等资源）
  • 负责监控并报告 Container 使用信息给 ResourceManager。
  • 定时地向RM汇报以确保整个集群平稳运行，RM 通过收集每个 NodeManager 的报告信息来追踪整个集群健康状态的，而 NodeManager 负责监控自身的健康状态；
  • 处理来自 ApplicationMaster 的请求；
  • 管理着所在节点每个 Container 的生命周期；
• 管理每个节点上的日志；
  • 在运行期，通过 NodeManager 和 ResourceManager 协同工作，这些信息会不断被更新并保障整个集群发挥出最佳状态。
  • NodeManager 只负责管理自身的 Container，它并不知道运行在它上面应用的信息。负责管理应用信息的组件是 ApplicationMaster。

3.Container

• Container 是 YARN 中的资源抽象
  • YARN以Container为单位分配资源
  • 它封装了某个节点上的多维度资源，如内存、CPU、磁盘、网络等
  • 当 AM 向 RM 申请资源时，RM 为 AM 返回的资源便是用 Container 表示的
• YARN 会为每个任务分配一个 Container，且该任务只能使用该 Container 中指定数量的资源。
• Container 和集群NodeManager节点的关系是：
  • 一个NodeManager节点可运行多个 Container
  • 但一个 Container 不会跨节点。
  • 任何一个 job 或 application 必须运行在一个或多个 Container 中
  • 在 Yarn 框架中，ResourceManager 只负责告诉 ApplicationMaster 哪些 Containers 可以用
  • ApplicationMaster 还需要去找 NodeManager 请求分配具体的 Container。
• 需要注意的是
  • Container 是一个动态资源划分单位，是根据应用程序的需求动态生成的
  • 目前为止，YARN 仅支持 CPU 和内存两种资源，且使用了轻量级资源隔离机制 Cgroups 进行资源隔离。
• 功能：
  • 对task环境的抽象；
  • 描述一系列信息；
  • 任务运行资源的集合（cpu、内存、io等）；
  • 任务运行环境

4.ApplicationMaster

• 功能：
  • 获得数据分片；
  • 为应用程序申请资源并进一步分配给内部任务（TASK）；
  • 任务监控与容错；
  • 负责协调来自ResourceManager的资源，并通过NodeManager监视容器的执行和资源使用情况。
• ApplicationMaster 与 ResourceManager 之间的通信
  • 是整个 Yarn 应用从提交到运行的最核心部分，是 Yarn 对整个集群进行动态资源管理的根本步骤
  • application master周期性的向resourcemanager发送心跳，让rm确认appmaster的健康
  • Yarn 的动态性，就是来源于多个Application 的 ApplicationMaster 动态地和 ResourceManager 进行沟通，不断地申请、释放、再申请、再释放资源的过程。

5.JobHistoryServer

• 作业历史服务记录在yarn中调度的作业历史运行情况情况，可以通过历史任务日志服务器来查看hadoop的历史任务，出现错误都应该第一时间来查看日志日志

三、YARN应用运行原理（重点）

1.YARN应用提交过程

• Application在Yarn中的执行过程，整个执行过程可以总结为三步：
  • 应用程序提交
  • 启动应用的ApplicationMaster实例
  • ApplicationMaster 实例管理应用程序的执行

具体提交过程为：

• 客户端程序向 ResourceManager 提交应用，并请求一个 ApplicationMaster 实例；

• ResourceManager 找到一个可以运行一个 Container 的 NodeManager，并在这个 Container 中启动 ApplicationMaster 实例；

• ApplicationMaster 向 ResourceManager 进行注册，注册之后客户端就可以查询 ResourceManager 获得自己 ApplicationMaster 的详细信息，以后就可以和自己的 ApplicationMaster 直接交互了（这个时候，客户端主动和 ApplicationMaster 交流，应用先向 ApplicationMaster 发送一个满足自己需求的资源请求）；

• ApplicationMaster 根据 resource-request协议 向 ResourceManager 发送 resource-request请求；

• 当 Container 被成功分配后，ApplicationMaster 通过向 NodeManager 发送 container-launch-specification信息来启动Container，container-launch-specification信息包含了能够让Container 和 ApplicationMaster 交流所需要的资料；

• 应用程序的代码以 task 形式在启动的 Container 中运行，并把运行的进度、状态等信息通过 application-specific协议 发送给ApplicationMaster；

• 在应用程序运行期间，提交应用的客户端主动和 ApplicationMaster 交流获得应用的运行状态、进度更新等信息，交流协议也是 application-specific协议；

• 应用程序执行完成并且所有相关工作也已经完成，ApplicationMaster 向 ResourceManager 取消注册然后关闭，用到所有的 Container 也归还给系统。

• 精简版的：

  • 步骤1：用户将应用程序提交到 ResourceManager 上；
  • 步骤2：ResourceManager为应用程序 ApplicationMaster 申请资源，并与某个 NodeManager 通信 启动第一个 Container，以启动ApplicationMaster；
  • 步骤3：ApplicationMaster 与 ResourceManager 注册进行通信，为内部要执行的任务申请资源，一 旦得到资源后，将于 NodeManager 通信，以启动对应的 Task；
  • 步骤4：所有任务运行完成后，ApplicationMaster 向 ResourceManager 注销，整个应用程序运行结束。

2.MapReduce on YARN

提交作业

• ①程序打成jar包，在客户端运行hadoop jar命令，提交job到集群运行
• job.waitForCompletion(true)中调用Job的submit()，此方法中调用JobSubmitter的submitJobInternal()方法；
  • ②submitClient.getNewJobID()向resourcemanager请求一个MR作业id
  • 检查输出目录：如果没有指定输出目录或者目录已经存在，则报错
  • 计算作业分片；若无法计算分片，也会报错
  • ③运行作业的相关资源，如作业的jar包、配置文件、输入分片，被上传到HDFS上一个以作业ID命名的目录（jar包副本默认为10，运行作业的任务，如map任务、reduce任务时，可从这10个副本读取jar包）
  • ④调用resourcemanager的submitApplication()提交作业
• 客户端每秒查询一下作业的进度（map 50% reduce 0%），进度如有变化，则在控制台打印进度报告；
• 作业如果成功执行完成，则打印相关的计数器
• 但如果失败，在控制台打印导致作业失败的原因（要学会查看日志，定位问题，分析问题，解决问题）

初始化作业

• 当ResourceManager(一下简称RM)收到了submitApplication()方法的调用通知后，请求传递给RM的scheduler（调度器）；调度器分配container（容器）

• ⑤a RM与指定的NodeManager通信，通知NodeManager启动容器；NodeManager收到通知后，创建占据特定资源的container；

• ⑤b 然后在container中运行MRAppMaster进程

• ⑥MRAppMaster需要接受任务（各map任务、reduce任务的）的进度、完成报告，所以appMaster需要创建多个簿记对象，记录这些信息

• ⑦从HDFS获得client计算出的输入分片split

  • 每个分片split创建一个map任务
  • 通过 mapreduce.job.reduces 属性值(编程时，jog.setNumReduceTasks()指定)，知道当前MR要创建多少个reduce任务
  • 每个任务(map、reduce)有task id

• Task 任务分配

  • 如果小作业，appMaster会以uberized的方式运行此MR作业；appMaster会决定在它的JVM中顺序执行此MR的任务；

    • 原因是，若每个任务运行在一个单独的JVM时，都需要单独启动JVM，分配资源（内存、CPU），需要时间；多个JVM中的任务再在各自的JVM中并行运行

    • 若将所有任务在appMaster的JVM中顺序执行的话，更高效，那么appMaster就会这么做 ，任务作为uber任务运行

    • 小作业判断依据：①小于10个map任务；②只有一个reduce任务；③MR输入大小小于一个HDFS块大小

    • 如何开启uber?设置属性 mapreduce.job.ubertask.enable 值为true

      configuration.set("mapreduce.job.ubertask.enable", "true");
      

    • 在运行任何task之前，appMaster调用setupJob()方法，创建OutputCommitter，创建作业的最终输出目录（一般为HDFS上的目录）及任务输出的临时目录（如map任务的中间结果输出目录）

  • ⑧若作业不以uber任务方式运行，那么appMaster会为作业中的每一个任务（map任务、reduce任务）向RM请求container

    • 由于reduce任务在进入排序阶段之前，所有的map任务必须执行完成；所以，为map任务申请容器要优先于为reduce任务申请容器
    • 5%的map任务执行完成后，才开始为reduce任务申请容器
    • 为map任务申请容器时，遵循数据本地化，调度器尽量将容器调度在map任务的输入分片所在的节点上（移动计算，不移动数据）
    • reduce任务能在集群任意计算节点运行
    • 默认情况下，为每个map任务、reduce任务分配1G内存、1个虚拟内核，由属性决定mapreduce.map.memory.mb、mapreduce.reduce.memory.mb、mapreduce.map.cpu.vcores、mapreduce.reduce.reduce.cpu.vcores

• Task 任务执行

  • 当调度器为当前任务分配了一个NodeManager（暂且称之为NM01）的容器，并将此信息传递给appMaster后；appMaster与NM01通信，告知NM01启动一个容器，并此容器占据特定的资源量（内存、CPU）
  • NM01收到消息后，启动容器，此容器占据指定的资源量
  • 容器中运行YarnChild，由YarnChild运行当前任务（map、reduce）
  • ⑩在容器中运行任务之前，先将运行任务需要的资源拉取到本地，如作业的JAR文件、配置文件、分布式缓存中的文件

• 作业运行进度与状态更新

  • 作业job以及它的每个task都有状态（running、successfully completed、failed），当前任务的运行进度、作业计数器
  • 任务在运行期间，每隔3秒向appMaster汇报执行进度、状态（包括计数器）
  • appMaster汇总目前运行的所有任务的上报的结果
  • 客户端每个1秒，轮询访问appMaster获得作业执行的最新状态，若有改变，则在控制台打印出来

• 完成作业

  • appMaster收到最后一个任务完成的报告后，将作业状态设置为成功
  • 客户端轮询appMaster查询进度时，发现作业执行成功，程序从waitForCompletion()退出
  • 作业的所有统计信息打印在控制台
  • appMaster及运行任务的容器，清理中间的输出结果，释放资源
  • 作业信息被历史服务器保存，留待以后用户查询

3.yarn应用生命周期

• RM: Resource Manager
• AM: Application Master
• NM: Node Manager

1. Client向RM提交应用，包括AM程序及启动AM的命令。
2. RM为AM分配第一个容器，并与对应的NM通信，令其在容器上启动应用的AM。
3. AM启动时向RM注册，允许Client向RM获取AM信息然后直接和AM通信。
4. AM通过资源请求协议，为应用协商容器资源。
5. 如容器分配成功，AM要求NM在容器中启动应用，应用启动后可以和AM独立通信。
6. 应用程序在容器中执行，并向AM汇报。
7. 在应用执行期间，Client和AM通信获取应用状态。
8. 应用执行完成，AM向RM注销并关闭，释放资源。

申请资源->启动appMaster->申请运行任务的container->分发Task->运行Task->Task结束->回收container

---

总结

本文的主要内容是理解yarn架构中各角色的作用，描述了mr or yarn的流程，YARN的三种调度器将在下篇文章中重点描述，下篇文章还会提及到Hadoop的企业级调优的相关知识，尽情期待。

获取更多干货，请关注我的个人公众号，关注领取福利