Hadoop的第三大组成：YARN框架

一、YARN基本概念

YARN是一个分布式资源调度系统，专门用来给分布式计算程序提供计算资源的，而且YARN只负责进行资源的提供，不管计算程序的逻辑，因此YARN这个软件非常的成功，因为YARN不关注程序计算逻辑，因此只要是分布式计算程序，只要满足YARN的运行要求，那么就可以在YARN上进行运行，由YARN进行资源调度。spark、flink等等分布式计算程序都可以在YARN上运行。

二、YARN的基本架构组成

YARN之所以提供分布式计算资源，主要原因就是因为YARN的设计架构。

1、ResourceManager：YARN集群的管理者

• 1、负责进行资源的配置
• 2、负责整个集群的状态
• 3、接受客户端或者applicationmaster的资源申请

2、NodeManager

• 1、负责接受RM给NM分配的task任务（就是资源的打包任务）
• 2、负责启动Container容器（打包的计算程序所需的运行资源）

以上两个组成，YARN启动之后就会有的进程。

3、Container

封装了一组计算资源的容器，包含了计算程序所需的资源，资源的具体的配额都是客户端或者ApplicationMaster去向RM申请。

4、ApplicationMaster

任何一个分布式计算程序如果想在YARN上运行，分布式计算程序必须能启动一个ApplicationMaster进程，比如MR程序在YARN上运行就会启动MRAppcationMaster。这个进程不是由YARN自带的，而是分布式计算程序想在YARN上运行，分布式计算程序必须得有这么一个进程。

YARN的工作核心，YARN之所以不知道分布式计算程序的计算逻辑，还能给分布式计算程序提供资源，全凭借ApplicationMaster的存在，ApplicationMaster是分布式程序运行的核心，监控分布式计算程序有没有运行成功、负责向RM申请分布式程序运行的资源。

当有分布式计算程序在YARN上运行的时候，才会出现这两个进程。

三、YARN的详细工作流程–运行MapReduce

​ （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容器

​ （10）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。

​ （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向RM申请2个容器，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注销自己。

四、YARN的资源调度器问题

YARN在进行资源分配的时候，RM需要先将client或者AM申请的资源初始化成为一个task任务，资源的task任务不是直接下发给NM，而是先把task任务给加入到一个RM的调度器当中，由调度器在合适的时机下发任务给NM。

YARN中一共三种的资源调度器：

• FIFIO资源调度器

  • 是一种队列调度器，每一个任务加入到调度器中，按照时间的先后依次排列，给NM下发任务的时候，是先来的先分配，后来等待集群资源充足继续分配。
    只有一个队列，队列使用的集群中所有的资源。
  • 特点：如果有些任务比较重要，必须排队，只有等到队列中你排到了最前面了才会给你分配。
  • Hadoop1.x版本YARN默认的调度器机制

• 容量调度器

  • 也是一个队列调度器，但是多个队列并行进行分配，每一个队列具备YARN集群中的部分资源。在同一个时刻，可以下发多个任务。
  • Hadoop2.x和hadoop3.x默认调度器

• 公平调度器

  • 也是可以具备多个队列，每个队列具备集群中的部分资源，不一样的地方在于每一个队列中的任务不等待，每一个任务都会启动，均匀的享有集群的资源。

• 修改：yarn-site.xml

  • yarn.resourcemanager.scheduler.class
    org.apache.hadoop.yarn.server.resourcemanager.scheduler.capacity.CapacityScheduler
    

默认使用的容量调度器，容量调度器可以有多个队列，每一个队列占用集群的部分资源，默认情况下容量调度只有一个队列default，队列占有集群的所有资源，如果配置容量调度器的第二个队列：capacity-scheduler.xml。

• <property>
      <name>yarn.scheduler.capacity.root.queuesname>
      <value>default,queueAvalue>
      <description>
        The queues at the this level (root is the root queue).
      description>
    property>
  容量调度器有几个队列
  

• 
  <property>
      <name>yarn.scheduler.capacity.root.default.capacityname>
      <value>40value>
    property>
    
    <property>
      <name>yarn.scheduler.capacity.root.default.maximum-capacityname>
      <value>60value>
    property>
  

• 如果要配置多个队列，保证多个队列的capacity加起来是100，每一个队列的最大占用容量要大于等于配置队列容量。

五、YARN的web网站问题

YARN提供一个web网站，http://ip:8088，通过这个web网站，可以查看YARN集群的资源信息和队列信息，以及可以查看YARN上运行的分布式计算程序的状态以及运行的日志输出。

存在问题

• 1、YARN记录的分布式运行程序，只是本次开启有效，如果YARN关闭重启了，那么以前在YARN上运行的日志全部消失了。
• 2、YARN记录的分布式运行程序，在网站上看不到详细的日志信息，因此后期维护或者查看MR运行信息就很麻烦了。

解决上述问题的方案

• 第一步：配置MapReduce的历史服务器JobHistory，可以帮助YARN记忆以前开启的时候运行的MR程序。
  历史服务器的配置主要在mapred-site.xml文件中配置，主要配置两项

  • <property>
          <name>mapreduce.jobhistory.addressname>
           <value>single:10020value>
    property>
    <property>
        <name>mapreduce.jobhistory.webapp.addressname>
        <value>single:19888value>
    property>
    

  • 如果使用历史服务器，必须启动历史服务器，如果不启动，历史服务器不会记录YARN上运行的分布式计算程序
    mr-jobhistory-daemon.sh start historyserver

• 第二步：配置YARN聚合MapReduce运行日志信息–可以在YARN的web界面查看MR的详细日志
  配置yarn-site.xml文件

  • 
    <property>
        <name>yarn.log-aggregation-enablename>
        <value>truevalue>
    property>
    
    <property>
            <name>yarn.log-aggregation.retain-secondsname>
            <value>604800value>
    property>
    
    <property>
           <name>yarn.log.server.urlname>
           <value>http://single:19888/jobhistory/logsvalue>        
    property>