Hadoop ( Yarn ) 之旅

Yarn 资源调度器

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

Yarn 基础架构

YARN 主要组件构成 :

• ResourceManager
• NodeManager
• ApplicationMaster
• Container

ResourceManager（ RM） 主要作用 :

• 处理客户端请求
• 监控NodeManager
• 启动或监控ApplicationMaster
• 资源的分配与调度

NodeManager（ NM） 主要作用 :

• 管理单个节点上的资源
• 处理来自 ResourceManager 的命令
• 处理来自 ApplicationMaster 的命令

ApplicationMaster（ AM） 主要作用 :

• 为应用程序申请资源并分配给内部的任务
• 任务的监控与容错

Container 主要作用 :

• Container是 YARN中的资源抽象， 它封装了某个节点上的多维度资源， 如内存、 CPU、 磁盘、网络等

Yarn 工作机制

0. MR 程序提交到客户端所在的节点
1. YarnRunner 向 ResourceManager 申请一个 Application
2. RM 将该应用程序的资源路径返回给 YarnRunner
3. 该程序将运行所需资源提交到 HDFS 上
4. 程序资源提交完毕后，申请运行 mrAppMaster
5. RM 将用户的请求初始化成一个 Task
6. 其中一个 NodeManager 领取到 Task 任务
7. 该 NodeManager 创建容器 Container， 并产生 MRAppmaster
8. Container 从 HDFS 上拷贝资源到本地
9. MRAppmaster 向 RM 申请运行 MapTask 资源
10. 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
11. 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
12. MrAppMaster 等待所有 MapTask 运行完毕后，向 RM 申请容器， 运行 ReduceTask
13. ReduceTask 向 MapTask 获取相应分区的数据
14. 程序运行完毕后， MR 会向 RM 申请注销自己

作业提交全过程

HDFS、 YARN、 MapReduce三者关系

作业提交过程之YARN

作业提交过程之HDFS & MapReduce

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

Yarn 调度器和调度算法

Hadoop 作业调度器主要有三种： FIFO、 容量（Capacity Scheduler） 和公平（Fair Scheduler）

Apache Hadoop3.1.3 默认的资源调度器是 Capacity Scheduler

CDH 框架默认调度器是 Fair Scheduler。

具体设置详见： yarn-default.xml 文件

<property>
	<description>The class to use as the resource scheduler.description>
	<name>yarn.resourcemanager.scheduler.classname>
	<value>org.apache.hadoop.yarn.server.resourcemanager.scheduler.capacity.CapacitySchedulervalue>
property>

先进先出调度器（FIFO）

FIFO 调度器（First In First Out） ：单队列，根据提交作业的先后顺序，先来先服务

优点：简单易懂

缺点：不支持多队列，生产环境很少使用

容量调度器（Capacity Scheduler）

Capacity Scheduler 是 Yahoo 开发的多用户调度器

容量调度器特点

• 多队列： 每个队列可配置一定的资源量，每个队列采用FIFO调度策略。

• 容量保证：管理员可为每个队列设置资源最低保证和资源使用上限

• 灵活性：如果一个队列中的资源有剩余，可以暂时共享给那些需要资源的队列，而一旦该队列有新的应用程序提交，则其他队列借调的资源会归还给该队列。

• 多租户：
  支持多用户共享集群和多应用程序同时运行。
  为了防止同一个用户的作业独占队列中的资源，该调度器会对同一用户提交的作业所占资源量进行限定

容量调度器资源分配算法

队列资源分配
从root开始，使用深度优先算法， 优先
选择资源占用率最低的队列分配资源。
2）作业资源分配
默认按照提交作业的优先级和提交时间
顺序分配资源。
3）容器资源分配
按照容器的优先级分配资源；
如果优先级相同，按照数据本地性原则：
（ 1）任务和数据在同一节点
（ 2）任务和数据在同一机架
（ 3）任务和数据不在同一节点也不在同一机架

公平调度器（Fair Scheduler）

DRF策略
DRF（Dominant Resource Fairness） ， 我们之前说的资源， 都是单一标准， 例如只考虑内存（也是Yarn默认的情况） 。 但是很多时候我们资源有很多种， 例如内存， CPU， 网络带宽等， 这样我们很难衡量两个应用应该分配的资源比例。

那么在YARN中， 我们用DRF来决定如何调度：
假设集群一共有100 CPU和10T 内存， 而应用A需要（2 CPU, 300GB） ， 应用B需要（6 CPU， 100GB） 。
则两个应用分别需要A（2%CPU, 3%内存） 和B（6%CPU, 1%内存） 的资源， 这就意味着A是内存主导的, B是CPU主导的， 针对这种情况， 我们可以选择DRF策略对不同应用进行不同资源（CPU和内存） 的一个不同比例的限制

Yarn 常用命令

查看任务

查看日志

查看尝试运行的任务

查看容器

查看节点状态

更新配置

查看队列

Yarn 生产环境核心参数

Yarn 案例

Yarn 生产环境核心参数配置案例

容量调度器多队列提交案例

需求

配置多队列的容量调度器

向 Hive 队列提交任务

任务优先级

公平调度器案例

需求

配置多队列的公平调度器

测试提交任务

Yarn 的 Tool 接口案例