Hadoop学习教程（YARN）（五）

1、YARN资源调度器

Yarn是一个资源调度平台，负责位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等运算程序相当于运行在操作系统上的应用程序。

1.1、Yarn基础架构

YARN主要由ResourceManager、NodeManager、ApplicationMaster、Container等组件构成。
1）ResourceManager（RM）主要作用
（1）处理客户端请求
（2）监控NodeManager
（3）启动或监控ApplicationMaseter
（4）资源分配与调度
2）NodeManager（NM）主要作用如下
（1）管理单个节点上的资源
（2）处理来自ResourceManager的命令
（3）处理来自ApplicarionMaster的命令
3）ApplicationManager（AM）主要作用
（1）为应用程序申请资源并分配给内部的任务
（2）任务的监控与容错
4）Container
Container是YARN中的资源抽象，他封装了某个节点上的多维度资源，如内存，CPU，磁盘网络等。

1.2、Yarn工作机制

（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任务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发送启动程序脚本，另两个NodeManager分别领取任务并创建容器。
（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。

1.3、作业提交全过程

（1）作业提交
1、CLient调用job,waitForCompletion方法，向整个集群提交MapReduce作业。
2、Client向RM申请一个作业id。
3、RM给Client返回该job资源的提交路径和作业id。
4、Client提交jar包、切片信息和配置文件到指定的资源提交路径。
5、Client提交完资源后，向RM申请运行MrAppMaster。
（2）作业初始化
6、当RM收到Client的请求后，将该job添加到容量调度器中。
7、某一个空闲的NM领取到该job。
8、该NM创建Container，并产生MRAppmaster。
9、下载Client提交的资源到本地。
（3）任务分配
10、MrAppMaster向RM申请运行多个MapTask任务资源。
11、RM将运行MapTask任务分配给另外两个NodeManager，另外两个NodeManager分别领取任务并创建容器。
（4）任务运行
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。
（5）进度和任务状态更新
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5s都会调用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，以备用户检查。

1.4、Yarn调度器和算法

目前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容量调度器（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>

1.4.1、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。

缺点：不支持多队列，生产环境很少使用。

1.4.2、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：
1、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。
2、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。
3、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，而一旦该队列有了新的应用程序提交，则其他队列借调的资源会归还给该队列。
4、多用户：支持多用户共共享集群和多应用程序同事运行。
为了防止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做限定。

容量调度器调度器资源分配算法
1）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，如果优先级相同则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再同一机架

1.4.3、公平调度器（Fair Scheduler）

Fair Scheduler是Facebook开发的多用户调度器。

1）与容量调度器相同点
（1）多队列：支持多队列多作业。
（2）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。
（3）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。
（4）多租户：支持多用户共享集群和多应用程序同时运行：为了防止通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进行限定。
2）与容量调度器不同点：
（1）核心调度策略不同
容量调度器：优先选择资源利用率较低的队列
公平调度器：优先选择对资源缺额比例大的
（2）每个队列可以单独设置资源分配方式
容量调度器：FIFO、DFR
公平调度器：FIFO、FAIR、DFR
3）公平调度器-缺额

公平调度器设计目标是在时间尺度上所有作业活得公平的资源，某一时刻一个作业应获取资源和实际获取资源的差距叫缺额。
调度器会优先为缺额大的作业分配资源。

1.4.3.1、公平调度器队列资源分配方式

1）FIFO策略
公平调度器每个队列资源分配策略如果选择FIFO的话，此时公平调度器相当于容量调度器。
2）Fair策略
Fair策略（默认）是一种基于最大最小公平算法实现的资源多路复用方式，默认情况下，每个队列内部采用该方式分配资源。这意味着如果一个队列有两个应用同时运行，则每个应用程序可得到1/2的资源，三个应用程序则每个程序可得到1/3的资源。
具体资源分配流程与资源调度器一致
1）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，如果优先级相同则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再同一机架
以上三步，每一步都是按照公平策略分配资源
实际最小资源份额：mindshare = Min（资源需求量，配置的最小资源）；
是否饥饿：inNeedy = 资源使用量 资源分配比：minShareRatio = 资源使用量/Max（mindshare，1）；
资源权重比：useToWeightRatio = 资源使用量/权重；

1.4.3.2、公平调度器资源分配算法

（1）队列资源分配
集群总资源100，有三个队列，对资源的需求分别是A-20,B-50,C-30
第一次计算：100/3=33.33
A分33.33，多分了13.33
B分33.33，少分了16.67
C分33.33，多分了3.33
第二次计算（13.33+3.33）/1=16.66
A分20
B分33.33+16.66≈50
C分30

（2）作业资源分配
（a）不加权（关注点是job的个数）
有一条队列总资源是12个，有4个job，对资源的需求分别是：
A-1，B-2，C-6，D-5
第一次计算：12/4=3
A分3多2个
B分3多1个
C分3少3个
D分3少2个
第二次计算：3/2=1.5
A分1
B分2
C分3+1.5=4.5
D分3+1.5=4.5
重复计算，一直算到没有空闲资源

（b）加权（关注点是job的权重）
有一条队列总资源是16，有4个job
对资源的需求分别是
A-4，B-2，C-10，D-4
每个job的权重为
A-5，B-8，C-1，D-2
第一次计算：16/（5+8+1+2）=1
A分5多1个
B分8多6个
C分1少9个
D分2少2个
第二次计算：（1+6）/（1+2）=7/3
A分4
B分2
C分1–>分7/3（2.33）–>少6.67
D分2–>分14/3(4.66)–>多2.66
第三次计算：2.66/1=2.66
A分4
B分2
C分1–>分2.66/1–>分2.66
D分4

1.5、Yarn常用命令

Yarn的命令除了可以在hadoop101：8088页面查看，还可以通过命令操作。
常见的命令如下
（1）列出所有Application：

yarn application -list

（2）根据Application状态过滤yarn application -list -appStates（所有状态ALL、NEW、NEW_SAVING、ACCEPTED、RUNNING、FINISHED、FAILED、KILLED）

yarn application -list -appStates FINISHED

（3）kill掉Application

yarn application -kill application_xxxxxxxxxxxx_0001

1.5.2、yarn logs查看日志

（1）查询Application日志：

yarn logs -applicationId <ApplicationId>

（2）查询Container日志

yarn logs -applicationId applicationId  -containerId containerId

1.5.3、yarn applicationattempt查看尝试运行的任务

（1）列出所有Application尝试的列表

yarn applicationattempt -list <ApplicationId>

（2）打印ApplicationAttemp的状态

yarn applicationattempt -status <ApplicationAttemptId>

1.5.4、yarn container查看容器

（1）列出所有Container

yarn container -list <ApplicationAttemptId>

（2）打印Container状态

	yarn container -status <ContainerId>
	注：只有在任务跑的途中才能看到container的状态

1.5.4、yarn node 查看节点状态

列出所有节点：

yarn node -list -all

1.5.6、yarn rmadmin更新配置

加载队列配置

yarn rmadmin -refreshQueues

1.5.7、yarn queue查看队列

打印队列信息

yarn queue -status default

1.6、Yarn生产环境核心参数

2、Yarn案例

操作前拍摄Linux快照，方便回退

2.1、Yarn生产环境核心参数配置

1）需求：从1G数据中，统计每个单词出现次数。服务器3台，每台配置4G内存，1核CPU，2线程。
2）需求分析：
1G / 128m = 8个MapTask；1个ReduceTask；1个mrAppMaster
平均每个节点运行10个 / 3台 ≈ 3个任务（4 3 3）
3）修改yarn-site.xml配置参数如下：

<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>


<property>
	<description>Number of threads to handle scheduler interface.description>
	<name>yarn.resourcemanager.scheduler.client.thread-countname>
	<value>4value>
property>


<property>
	<description>Enable auto-detection of node capabilities such as
	memory and CPU.
	description>
	<name>yarn.nodemanager.resource.detect-hardware-capabilitiesname>
	<value>falsevalue>
property>


<property>
	<description>Flag to determine if logical processors(such as
	hyperthreads) should be counted as cores. Only applicable on Linux
	when yarn.nodemanager.resource.cpu-vcores is set to -1 and
	yarn.nodemanager.resource.detect-hardware-capabilities is true.
	description>
	<name>yarn.nodemanager.resource.count-logical-processors-as-coresname>
	<value>falsevalue>
property>


<property>
	<description>Multiplier to determine how to convert phyiscal cores to
	vcores. This value is used if yarn.nodemanager.resource.cpu-vcores
	is set to -1(which implies auto-calculate vcores) and
	yarn.nodemanager.resource.detect-hardware-capabilities is set to true. The	number of vcores will be calculated as	number of CPUs * multiplier.
	description>
	<name>yarn.nodemanager.resource.pcores-vcores-multipliername>
	<value>1.0value>
property>


<property>
	<description>Amount of physical memory, in MB, that can be allocated 
	for containers. If set to -1 and
	yarn.nodemanager.resource.detect-hardware-capabilities is true, it is
	automatically calculated(in case of Windows and Linux).
	In other cases, the default is 8192MB.
	description>
	<name>yarn.nodemanager.resource.memory-mbname>
	<value>4096value>
property>


<property>
	<description>Number of vcores that can be allocated
	for containers. This is used by the RM scheduler when allocating
	resources for containers. This is not used to limit the number of
	CPUs used by YARN containers. If it is set to -1 and
	yarn.nodemanager.resource.detect-hardware-capabilities is true, it is
	automatically determined from the hardware in case of Windows and Linux.
	In other cases, number of vcores is 8 by default.description>
	<name>yarn.nodemanager.resource.cpu-vcoresname>
	<value>2value>
property>


<property>
	<description>The minimum allocation for every container request at the RM	in MBs. Memory requests lower than this will be set to the value of this	property. Additionally, a node manager that is configured to have less memory	than this value will be shut down by the resource manager.
	description>
	<name>yarn.scheduler.minimum-allocation-mbname>
	<value>1024value>
property>


<property>
	<description>The maximum allocation for every container request at the RM	in MBs. Memory requests higher than this will throw an	InvalidResourceRequestException.
	description>
	<name>yarn.scheduler.maximum-allocation-mbname>
	<value>2048value>
property>


<property>
	<description>The minimum allocation for every container request at the RM	in terms of virtual CPU cores. Requests lower than this will be set to the	value of this property. Additionally, a node manager that is configured to	have fewer virtual cores than this value will be shut down by the resource	manager.
	description>
	<name>yarn.scheduler.minimum-allocation-vcoresname>
	<value>1value>
property>


<property>
	<description>The maximum allocation for every container request at the RM	in terms of virtual CPU cores. Requests higher than this will throw an
	InvalidResourceRequestException.description>
	<name>yarn.scheduler.maximum-allocation-vcoresname>
	<value>2value>
property>


<property>
	<description>Whether virtual memory limits will be enforced for
	containers.description>
	<name>yarn.nodemanager.vmem-check-enabledname>
	<value>falsevalue>
property>


<property>
	<description>Ratio between virtual memory to physical memory when	setting memory limits for containers. Container allocations are	expressed in terms of physical memory, and virtual memory usage	is allowed to exceed this allocation by this ratio.
	description>
	<name>yarn.nodemanager.vmem-pmem-rationame>
	<value>2.1value>
property>

4）分发配置。
注意：如果集群的硬件资源不一致，要每个NodeManager单独配置
5）重启集群

sbin/stop-yarn.sh
sbin/start-yarn.sh

6）执行WordCount程序

hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-3.1.3.jar wordcount /input /output

7）观察Yarn任务执行页面
http://hadoop102:8088/cluster/apps

2.2、容量调度器多队列提交案例

1）在生产环境怎么创建队列？
（1）调度器默认就一个default队列，不能满足生产要求。
（2）按照框架hive/spark/flink每个框架的任务放入指定的队列
（3）按照业务模块，登录注册，购物车，下单，业务部门
2）创建多队列的好处
（1）担心员工不小心，把资源耗尽
（2）实现任务的降级使用，特殊时期保证重要的任务队列资源充足

2.2.1、配置多队列的容量调度器

1）在capacity-scheduler.xml中配置如下：
（1）修改如下配置

<property>
    <name>yarn.scheduler.capacity.root.queuesname>
    <value>default,hivevalue>
    <description>
      The queues at the this level (root is the root queue).
    description>
property>


<property>
    <name>yarn.scheduler.capacity.root.default.capacityname>
    <value>40value>
property>


<property>
    <name>yarn.scheduler.capacity.root.default.maximum-capacityname>
    <value>60value>
property>

（2）为新加队列添加必要属性：

<property>
    <name>yarn.scheduler.capacity.root.hive.capacityname>
    <value>60value>
property>


<property>
    <name>yarn.scheduler.capacity.root.hive.user-limit-factorname>
    <value>1value>
property>


<property>
    <name>yarn.scheduler.capacity.root.hive.maximum-capacityname>
    <value>80value>
property>


<property>
    <name>yarn.scheduler.capacity.root.hive.statename>
    <value>RUNNINGvalue>
property>


<property>
    <name>yarn.scheduler.capacity.root.hive.acl_submit_applicationsname>
    <value>*value>
property>


<property>
    <name>yarn.scheduler.capacity.root.hive.acl_administer_queuename>
    <value>*value>
property>


<property>
    <name>yarn.scheduler.capacity.root.hive.acl_application_max_priorityname>
    <value>*value>
property>




<property>
    <name>yarn.scheduler.capacity.root.hive.maximum-application-lifetimename>
    <value>-1value>
property>


<property>
    <name>yarn.scheduler.capacity.root.hive.default-application-lifetimename>
    <value>-1value>
property>

2）分发配置文件
3）重启Yarn或者执行yarn rmadmin -refreshQueues刷新队列，就可以看到两条队列：

2.2.3、向hive队列提交任务

1）hadoop jar的方式

hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-3.1.3.jar wordcount -D mapreduce.job.queuename=hive /input /output
-D表示运行时改变参数值

2）打jar包的方式
默认的任务提交都是提交到default队列的。如果希望向其他队列提交任务，需要在Driver中声明：

public class WcDrvier {

    public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {

        Configuration conf = new Configuration();

        conf.set("mapreduce.job.queuename","hive");

............
..........
.......
    }
}

2.2.4、任务优先级

容量调度器，支持任务优先级的配置，在资源紧张时，优先将优先级高的任务获取资源。默认情况下Yarn将所有的任务的优先级限制为0，如想使用，请先开放限制
1）修改yarn-site.xml文件，增加以下参数

<property>
    <name>yarn.cluster.max-application-priorityname>
    <value>5value>
property>

2）分发配置，并重启Yarn

xsync yarn-site.xml
sbin/stop-yarn.sh
sbin/start-yarn.sh

3）模拟资源紧张环境，可连续提交以下任务，直到新提交的任务申请不到资源为止。

hadoop jar /opt/module/hadoop-3.1.3/share/hadoop/mapreduce/hadoop-mapreduce-examples-3.1.3.jar pi 5 2000000

4）再次重新提交优先级高的任务

hadoop jar /opt/module/hadoop-3.1.3/share/hadoop/mapreduce/hadoop-mapreduce-examples-3.1.3.jar pi  -D mapreduce.job.priority=5 5 2000000

5）也可以通过以下命令修改正在执行的任务的优先级。

yarn application -appID <ApplicationID> -updatePriority 优先级

2.3、公平调度器案例

2.3.1、需求

创建两个队列，分别是test和XXX（以用户所属组命名）。期望实现以下效果：若用户提交任务时指定队列，则任务提交到指定队列运行；若未指定队列，test用户提交的任务到root.group.test队列运行，XXX提交的任务到root.group.XXX队列运行（注：group为用户所属组）。
公平调度器的配置涉及到两个文件，一个是yarn-site.xml，另一个是公平调度器队列分配文件fair-scheduler.xml（文件名可自定义）。
（1）配置文件参考资料：
https://hadoop.apache.org/docs/r3.1.3/hadoop-yarn/hadoop-yarn-site/FairScheduler.html
（2）任务队列放置规则参考资料：
https://blog.cloudera.com/untangling-apache-hadoop-yarn-part-4-fair-scheduler-queue-basics/

2.3.2、配置多队列的公平调度器

1）修改yarn-site.xml文件，加入以下参数

<property>
    <name>yarn.resourcemanager.scheduler.classname>
    <value>org.apache.hadoop.yarn.server.resourcemanager.scheduler.fair.FairSchedulervalue>
    <description>配置使用公平调度器description>
property>

<property>
    <name>yarn.scheduler.fair.allocation.filename>
    <value>/opt/module/hadoop-3.1.3/etc/hadoop/fair-scheduler.xmlvalue>
    <description>指明公平调度器队列分配配置文件description>
property>

<property>
    <name>yarn.scheduler.fair.preemptionname>
    <value>falsevalue>
    <description>禁止队列间资源抢占description>
property>

2）配置fair-scheduler.xml

<allocations>
  
  <queueMaxAMShareDefault>0.5queueMaxAMShareDefault>
  
  <queueMaxResourcesDefault>4096mb,4vcoresqueueMaxResourcesDefault>

  
  <queue name="test">
    
    <minResources>2048mb,2vcoresminResources>
    
    <maxResources>4096mb,4vcoresmaxResources>
    
    <maxRunningApps>4maxRunningApps>
    
    <maxAMShare>0.5maxAMShare>
    
    <weight>1.0weight>
    
    <schedulingPolicy>fairschedulingPolicy>
  queue>
  
  <queue name="atguigu" type="parent">
    
    <minResources>2048mb,2vcoresminResources>
    
    <maxResources>4096mb,4vcoresmaxResources>
    
    <maxRunningApps>4maxRunningApps>
    
    <maxAMShare>0.5maxAMShare>
    
    <weight>1.0weight>
    
    <schedulingPolicy>fairschedulingPolicy>
  queue>

  
  <queuePlacementPolicy>
    
    <rule name="specified" create="false"/>
    
    <rule name="nestedUserQueue" create="true">
        <rule name="primaryGroup" create="false"/>
    rule>
    
    <rule name="reject" />
  queuePlacementPolicy>
allocations>

3）分发配置并重启Yarn

2.3.3、测试提交任务

1）提交任务时指定队列，按照配置规则，任务会到指定的root.test队列

hadoop jar /opt/module/hadoop-3.1.3/share/hadoop/mapreduce/hadoop-mapreduce-examples-3.1.3.jar pi -Dmapreduce.job.queuename=root.test 1 1

2）提交任务时不指定队列，按照配置规则，任务会到root.atguigu.XXX队列

hadoop jar /opt/module/hadoop-3.1.3/share/hadoop/mapreduce/hadoop-mapreduce-examples-3.1.3.jar pi 1 1

以上操作全部做完过后，快照回去或者手动将配置文件修改成之前的状态，因为本身资源就不够，分成了这么多，不方便以后测试。