Hadoop分布式计算与资源调度：打开专业江湖的魔幻之门

版权声明

• 本博客的内容基于我个人学习黑马程序员课程的学习笔记整理而成。我特此声明，所有版权属于黑马程序员或相关权利人所有。本博客的目的仅为个人学习和交流之用，并非商业用途。
• 我在整理学习笔记的过程中尽力确保准确性，但无法保证内容的完整性和时效性。本博客的内容可能会随着时间的推移而过时或需要更新。
• 若您是黑马程序员或相关权利人，如有任何侵犯版权的地方，请您及时联系我，我将立即予以删除或进行必要的修改。
• 对于其他读者，请在阅读本博客内容时保持遵守相关法律法规和道德准则，谨慎参考，并自行承担因此产生的风险和责任。本博客中的部分观点和意见仅代表我个人，不代表黑马程序员的立场。

一 分布式计算概述

1.1 分布式计算

• 分布式计算：以分布式的形式完成数据的统计，得到需要的结果。
  

1.2 分布式（数据）计算模式

• 分散->汇总模式
  1. 将数据分片，多台服务器各自负责一部分数据处理
  2. 然后将各自的结果，进行汇总处理
  3. 最终得到想要的计算结果
• 生活中的“人口普查”就是典型的分散汇总的分布式统计模式
  

---

• 中心调度->步骤执行模式
  1. 由一个节点作为中心调度管理者
  2. 将任务划分为几个具体步骤
  3. 管理者安排每个机器执行任务
  4. 最终得到结果数据
• 生活中的各类项目的：项目经理 和 项目成员就是这种模式，一个管理分配任务，其余人员领取任务工作
  

1.3 小结

1. 什么是计算、分布式计算？
   • 计算：对数据进行处理，使用统计分析等手段得到需要的结果
   • 分布式计算：多台服务器协同工作，共同完成一个计算任务
2. 分布式计算常见的2种工作模式
   • 分散->汇总 （MapReduce就是这种模式）

• 中心调度->步骤执行 （大数据体系的Spark、Flink等是这种模式）

二 MapReduce概述

2.1 分布式计算框架 - MapReduce

• MapReduce是“分散->汇总”模式的分布式计算框架，可供开发人员开发相关程序进行分布式数据计算。
• MapReduce提供了2个编程接口：Map、Reduce，其中
  • Map功能接口提供了“分散”的功能， 由服务器分布式对数据进行处理
  • Reduce功能接口提供了“汇总（聚合）”的功能，将分布式的处理结果汇总统计
• 用户如需使用MapReduce框架完成自定义需求的程序开发，只需要使用Java、Python等编程语言，实现Map Reduce功能接口即可。

2.2 MapReduce执行原理

• 假设有如下文件，内部记录了许多的单词。且已经开发好了一个MapReduce程序，功能是统计每个单词出现的次数。
  
• 假定有4台服务器用以执行MapReduce任务，可以3台服务器执行Map，1台服务器执行Reduce

2.3 小结

1. 什么是MapReduce
   • MapReduce是Hadoop中的分布式计算组件
   • MapReduce可以以分散->汇总（聚合）模式执行分布式计算任务
2. MapReduce的主要编程接口
   • map接口，主要提供“分散”功能，由服务器分布式处理数据
   • reduce接口，主要提供“汇总”功能，进行数据汇总统计得到结果

• MapReduce可供Java、Python等语言开发计算程序

• 注：MapReduce尽管可以通过Java、Python等语言进行程序开发，但当下年代基本没人会写它的代码了，因为太过时了。 尽管MapReduce很老了，但现在仍旧活跃在一线，主要是Apache Hive框架非常火，而Hive底层就是使用的MapReduce。 所以对于MapReduce的代码开发，简单扩展一下，但不会深入讲解，对MapReduce的底层原理会放在Hive之后，基于Hive做深入分析。

3. MapReduce的运行机制
   • 将要执行的需求，分解为多个Map Task和Reduce Task
   • 将Map Task 和 Reduce Task分配到对应的服务器去执行

三 YARN概述

3.1 YARN & MapReduce

• MapReduce是基于YARN运行的，即没有YARN”无法”运行MapReduce程序，所以，MapReduce和YARN要同时学习
  

3.2 资源调度

• 对于资源的利用，有规划、有管理的调度资源使用，是效率最高的方式，在程序中亦是如此

3.3 程序的资源调度

• 服务器会运行多个程序， 每个程序对资源（CPU内存等）的使用都不同。程序没有节省的概念，有多少就会用多少。所以，为了提高资源利用率，进行调度就非常有必要了。
• 将服务器上的资源进行划分，对程序实行申请制度，需要多少申请多少，提高资源使用率
  

3.4 YARN的资源调度

• 对于服务器集群亦可使用这种思路，调度整个集群的资源
  

• 这就是 Hadoop YARN框架的作用：调度整个服务器集群的资源统一管理

• YARN 管控整个集群的资源进行调度， 那么应用程序在运行时，就是在YARN的监管（管理）下去运行的。

• 一个具体的MapReduce程序。 MapReduce程序会将任务分解为若干个Map任务和Reduce任务。

• 假设，有一个MapReduce程序， 分解了3个Map任务，和1个Reduce任务，那么如何在YARN的监管（管理）下运行呢？
  

3.5 小结

1. YARN是做什么的？
   • YARN是Hadoop的一个组件，用以做集群的资源（内存、CPU等）调度
2. 为什么需要资源调度
   • 将资源统一管控进行分配可以提高资源利用率
3. 程序如何在YARN内运行
   • 程序向YARN申请所需资源
   • YARN为程序分配所需资源供程序使用
4. MapReduce和YARN的关系
   • YARN用来调度资源给MapReduce分配和管理运行资源，所以，MapReduce需要YARN才能执行（普遍情况）

四 YARN架构

4.1 核心结构

• ResourceManager：整个集群的资源调度者， 负责协调调度各个程序所需的资源。
• NodeManager：单个服务器的资源调度者，负责调度单个服务器上的资源提供给应用程序使用。
  
• 如何实现服务器上精准分配如下的硬件资源呢？
• NodeManager在服务器上构建一个容器（提前占用资源），然后将容器的资源提供给程序使用，程序运行在容器（集装箱）内，无法突破容器的资源限制。
  

4.2 小结

1. YARN的架构有哪2个角色？
   • 主（Master）：ResourceManager
   • 从（Slave）：NodeManager
2. 两个角色各自的功能是什么？
   • ResourceManager： 管理、统筹并分配整个集群的资源
   • NodeManager：管理、分配单个服务器的资源，即创建管理容器，由容器提供资源供程序使用
3. 什么是YARN的容器？
   • 容器（Container）是YARN的NodeManager在所属服务器上分配资源的手段
   • 创建一个资源容器，即由NodeManager占用这部分资源
   • 然后应用程序运行在NodeManager创建的这个容器内

• 应用程序无法突破容器的资源限制

4.3 辅助结构

• YARN的架构中除了核心角色，即：
  • ResourceManager：集群资源总管家
  • NodeManager：单机资源管家
• 还可以搭配2个辅助角色使得YARN集群运行更加稳定
  • 代理服务器(ProxyServer)：Web Application Proxy Web应用程序代理
  • 历史服务器(JobHistoryServer)： 应用程序历史信息记录服务

4.4 Web应用代理(Web Application Proxy)

• 代理服务器，即Web应用代理是 YARN 的一部分。默认情况下，它将作为资源管理器(RM)的一部分运行，但是可以配置为在独立模式下运行。使用代理的原因是为了减少通过 YARN 进行基于网络的攻击的可能性。
• 因为， YARN在运行时会提供一个WEB UI站点（同HDFS的WEB UI站点一样）可供用户在浏览器内查看YARN的运行信息
  
• 对外提供WEB 站点会有安全性问题， 而代理服务器的功能就是最大限度保障对WEB UI的访问是安全的。 比如：警告用户正在访问一个不受信任的站点、剥离用户访问的Cookie等
• 开启代理服务器，可以提高YARN在开放网络中的安全性 （但不是绝对安全只能是辅助提高一些）

---

• 代理服务器默认集成在了ResourceManager中也可以将其分离出来单独启动，如果要分离代理服务器

1. 在yarn-site.xml中配置yarn.web-proxy.address 参数即可

<property>
	<name>yarn.web-proxy.addressname>
	<value>node1:8089value>
	<description>代理服务器主机和端口description>s/property>
property>

2. 并通过命令启动它即可 $HADOOP_YARN_HOME/sbin/yarn-daemon.sh start proxyserver

4.5 JobHistoryServer历史服务器

• 历史服务器的功能：记录历史运行的程序的信息以及产生的日志并提供WEB UI站点供用户使用浏览器查看
  
  JobHistoryServer历史服务器功能：
  • 提供WEB UI站点，供用户在浏览器上查看程序日志
  • 可以保留历史数据，随时查看历史运行程序信息
    JobHistoryServer需要配置：
• 开启日志聚合，即从容器中抓取日志到HDFS集中存储
  
  
• 配置历史服务器端口和主机
  

4.6 YARN架构角色小结

• 核心角色：ResourceManager和NodeManager
• 辅助角色：ProxyServer，保障WEB UI访问的安全性
• 辅助角色：JobHistoryServer，记录历史程序运行信息和日志

五 MapReduce & YARN 的部署

5.1 部署说明

Hadoop HDFS分布式文件系统，会启动：

• NameNode进程作为管理节点
• DataNode进程作为工作节点
• SecondaryNamenode作为辅助
  Hadoop YARN分布式资源调度，会启动：
• ResourceManager进程作为管理节点
• NodeManager进程作为工作节点
• ProxyServer、JobHistoryServer两个辅助节点

MapReduce运行在YARN容器内，无需启动独立进程

---

关于MapReduce和YARN的部署，其实就是2件事情：

• 关于MapReduce： 修改相关配置文件，但是没有进程可以启动
• 关于YARN： 修改相关配置文件， 并启动ResourceManager、NodeManager进程以及辅助进程（代理服务器、历史服务器）

---

• 表格汇总
  

5.2 集群规划

5.3 MapReduce配置文件

在$HADOOP_HOME/etc/hadoop文件夹内，修改：

• mapred-env.sh文件，添加如下环境变量

  # 设置JDK路径
  export JAVA_HOME=/export/server/jdk8
  # 设置JobHistoryServer进程内存为1G
  export HADOOP_JOB_HISTORYSERVER_HEAPSIZE=1000
  # 设置日志级别为INFO
  export HADOOP_MAPRED_ROOT_LOGGER=INFO,RFA
  

• mapred-site.xml文件，添加如下配置信息:

    <property>
      <name>mapreduce.framework.namename>
      <value>yarnvalue>
      <description>MapReduce的运行框架设置为YARNdescription>
    property>
  
    <property>
      <name>mapreduce.jobhistory.addressname>
      <value>node1:10020value>
      <description>历史服务器通讯端口为node1:10020description>
    property>
  
    <property>
      <name>mapreduce.jobhistory.webapp.addressname>
      <value>node1:19888value>
      <description>历史服务器web端口为nodel的19888description>
    property>
  
    <property>
      <name>mapreduce.jobhistory.intermediate-done-dirname>
      <value>/data/mr-history/tmpvalue>
      <description>历史信息在HDFS的记录临时路径description>
    property>
  
    <property>
      <name>mapreduce.jobhistory.done-dirname>
      <value>/data/mr-history/donevalue>
      <description>历史信息在HDFS的记录路径description>
    property>
  <property>
    <name>yarn.app.mapreduce.am.envname>
    <value>HADOOP_MAPRED_HOME=$HADOOP_HOMEvalue>
    <description>MapReduce HOME设置为HADOOP_HOMEdescription>
  property>
  <property>
    <name>mapreduce.map.envname>
    <value>HADOOP_MAPRED_HOME=$HADOOP_HOMEvalue>
    <description>MapReduce HOME设置为HADOOP_HOMEdescription>
  property>
  <property>
    <name>mapreduce.reduce.envname>
    <value>HADOOP_MAPRED_HOME=$HADOOP_HOMEvalue>
    <description>MapReduce HOME设置为HADOOP_HOMEdescription>
  property>
  

• yarn-env.sh文件，添加如下4行环境变量内容：

  #设置JDK路径的环境变量
  export JAVA_HOME=/export/server/jdk8
  #设置HADOOPHOME的环境变量
  export HADOOP_HOME=/export/server/hadoop
  #设置配置文件路径的环境变量
  export HADOOP_CONF_DIR=$HADOOP_HOME/etc/hadoop
  #设置日志文件路径的环境变量
  export HADOOP_LOG_DIR=$HADOOP_HOME/logs
  

• yarn-site.xml文件，修改内容

  <configuration>
  
  
    <property>
      <name>yarn.resourcemanager.hostnamename>
      <value>node1value>
      <description>>ResourceManager设置在nodel节点description>
    property>
  
  
    <property>
      <name>yarn.nodemanager.local-dirsname>
      <value>/data/nm-localvalue>
      <description>NodeManager中间数据本地存储路径description>
    property>
  
  
    <property>
      <name>yarn.nodemanager.log-dirsname>
      <value>/data/nm-logvalue>
      <description>NodeManager中间数据本地存储路径description>
    property>
  
    <property>
      <name>yarn.nodemanager.aux-servicesname>
      <value>mapreduce_shufflevalue>
      <description>为MapReduce程序开启Shuf fle服务description>
    property>
  
    <property>
      <name>yarn.nodemanager.log.retain-secondsname>
      <value>10800value>
      <description>Default time (in seconds) to retain log files on the NodeManager Only applicable if log-aggregation is disabled.description>
    property>
  
  
  <property>
      <name>yarn.log.server.urlname>
      <value>http://node1:19888/jobhistory/logsvalue>
      <description>历史服务器URLdescription>
  property>
  
    <property>
      <name>yarn.web-proxy.addressname>
      <value>node1:8089value>
      <description>代理服务器主机和端口description>
    property>
  
  
    <property>
      <name>yarn.log-aggregation-enablename>
      <value>truevalue>
      <description>开启日志聚合description>
    property>
  
    <property>
      <name>yarn.nodemanager.remote-app-log-dirname>
      <value>/tmp/logsvalue>
      <description>程序日志HDFS的存储路径description>
    property>
  
    <property>
      <name>yarn.resourcemanager.scheduler.classname>
      <value>org.apache.hadoop.yarn.server.resourcemanager.scheduler.fair.FairSchedulervalue>
      <description>选择公平调度器description>
    property>
  configuration>
  

5.4 分发配置文件

• MapReduce和YARN的配置文件修改好后，需要分发到其它的服务器节点中。

  scp mapred-env.sh mapred-site.xml yarn-env.sh yarn-site.xml node2:`pwd`/
  scp mapred-env.sh mapred-site.xml yarn-env.sh yarn-site.xml node3:`pwd`/
  

• 分发完成配置文件，就可以启动YARN的相关进程

5.5 集群启动命令

常用的进程启动命令如下：

• 一键启动YARN集群： $HADOOP_HOME/sbin/start-yarn.sh
  • 会基于yarn-site.xml中配置的yarn.resourcemanager.hostname来决定在哪台机器上启动resourcemanager
  • 会基于workers文件配置的主机启动NodeManager
• 一键停止YARN集群： $HADOOP_HOME/sbin/stop-yarn.sh
• 在当前机器，单独启动或停止进程
  • $HADOOP_HOME/bin/yarn --daemon start|stop resourcemanager|nodemanager|proxyserver
  • start和stop决定启动和停止
  • 可控制resourcemanager、nodemanager、proxyserver三种进程
• 历史服务器启动和停止
  • $HADOOP_HOME/bin/mapred --daemon start|stop historyserver

5.6 开始启动YARN集群

在node1服务器，以hadoop用户执行

1. 首先执行：$HADOOP_HOME/sbin/start-yarn.sh，一键启动所需的：ResourceManager、NodeManager、ProxyServer（代理服务器）
2. 其次执行：$HADOOP_HOME/bin/mapred --daemon start historyserver 启动：HistoryServer（历史服务器）
   
3. 查看YARN的WEB UI页面
   • 打开 http://node1:8088 即可看到YARN集群的监控页面（ResourceManager的WEB UI）
     
     

• 最后，可以给虚拟机打上快照，保存安装状态

六 MapReduce & YARN 初体验

6.1 集群启停命令

6.1.1 一键启动脚本

• 启动：

  $HADOOP_HOME/sbin/start-yarn.sh
  

  • 从yarn-site.xml中读取配置，确定ResourceManager所在机器，并启动它
  • 读取workers文件，确定机器，启动全部的NodeManager
  • 在当前机器启动ProxyServer（代理服务器）
• 关闭：$HADOOP_HOME/sbin/stop-yarn.sh

6.1.2 单进程启停

• 控制单独控制进程的启停。
• $HADOOP_HOME/bin/yarn单独控制所在机器的进程的启停
  • 用法：

  yarn --daemon (start|stop) (resourcemanager|nodemanager|proxyserver)
  

• $HADOOP_HOME/bin/mapred，单独控制所在机器的历史服务器的启停
  • 用法：

  mapred --daemon (start|stop) historyserver
  

6.2 提交MapReduce任务到YARN执行

• 在部署并成功启动YARN集群后，就可以在YARN上运行各类应用程序了。

• YARN作为资源调度管控框架，其本身提供资源供许多程序运行，常见的有：MapReduce程序、Spark程序、Flink程序

• Hadoop官方内置了一些预置的MapReduce程序代码，无需编程，只需要通过命令即可使用。
  常用的有2个MapReduce内置程序：

• wordcount：单词计数程序。 【统计指定文件内各个单词出现的次数】

• pi：求圆周率【通过蒙特卡罗算法（统计模拟法）求圆周率】

---

• 这些内置的示例MapReduce程序代码，都在：$HADOOP_HOME/share/hadoop/mapreduce/hadoop-mapreduce-examples-3.3.6.jar 这个文件内。
  
• 可以通过 hadoop jar 命令来运行它，提交MapReduce程序到YARN中。
  语法： hadoop jar 程序文件 java类名 [程序参数] ... [程序参数]

6.2.1 提交wordcount示例程序

• 单词计数示例程序的功能很简单：
  • 给定数据输入的路径（HDFS）、给定结果输出的路径（HDFS）
  • 将输入路径内的数据中的单词进行计数，将结果写到输出路径

1. 准备一份数据文件，并上传到HDFS中。
   • 将以下内容保存到Linux中为words.txt文件，并上传到HDFS

   itheima itcast itheima itcast
   hadoop hdfs hadoop hdfs
   hadoop mapreduce hadoop yarn
   itheima hadoop itcast hadoop
   itheima itcast hadoop yarn mapreduce
   

hadoop fs -mkdir -p /input/wordcount
hadoop fs -mkdir /output
hadoop fs -put words.txt /input/wordcount/

• 执行如下命令，提交示例MapReduce程序WordCount到YARN中执行

hadoop jar /export/server/hadoop/share/hadoop/mapreduce/hadoop-mapreduce-examples-3.3.6.jar wordcount hdfs://node1:8020/input hdfs://node1:8020/output/wc1

注意：

• 参数wordcount，表示运行jar包中的单词计数程序（Java Class）
• 参数1是数据输入路径（hdfs://node1:8020/input/wordcount/)
• 参数2是结果输出路径(hdfs://node1:8020/output/wc1)， 需要确保输出的文件夹不存在

---

• 提交程序后，可以在YARN的WEB UI页面看到运行中的程序（http://node1:8088/cluster/apps)
  
• 执行完成后，可以查看HDFS上的输出结果
  
  • _SUCCESS文件是标记文件，表示运行成功，本身是空文件
  • part-r-00000，是结果文件，结果存储在以part开头的文件中
• 执行完成后，可以借助历史服务器查看到程序的历史运行信息
  

6.2.2 查看运行日志

点击logs链接，可以查看到详细的运行日志信息。


此功能基于：

1. 配置文件中配置了日志聚合功能，并设置了历史服务器
   
   
2. 启动了代理服务器和历史服务器
3. 历史服务器进程会将日志收集整理，形成可以查看的网页内容供我们查看。

6.2.3 提交求圆周率示例程序

• 可以执行如下命令，使用蒙特卡罗算法模拟计算求PI（圆周率）

  hadoop jar /export/server/hadoop/share/hadoop/mapreduce/hadoop-mapreduce-examples-3.3.6.jar pi 3 100000
  

  • 参数pi表示要运行的Java类，这里表示运行jar包中的求pi程序
  • 参数3，表示设置几个map任务
  • 参数1000，表示模拟求PI的样本数（越大求的PI越准确，但是速度越慢）
    

6.3 补充：蒙特卡罗算法求PI的基础原理

• Monte Carlo算法的基本思想是： 以模拟的”实验”形式、以大量随机样本的统计形式，来得到问题的求解。
  
• 如图，我们在正方形内，随机落点统计落在1/4圆内的点和总点数量的比例即可得到1/4的PI，最终乘以4即可得到PI
• 比如，红色点的数量比全部点的数量，结果是0.765，那么乘以四可以得到3.06。3.06就是求得的PI所以，此方法，需要大量的样本（落点），样本越多越精准
• 以Python语言实现的蒙特卡罗求PI