YARN详解

一、回顾

1、MR job提交到yarn的工作流程

面试题：        Yarn的工作流程

                       MR 架构设计

2、容器  contariner

一定数量的cpu+memory

二、Yarn的架构设计（主从、资源和作业调度管理）

RM：（Applications Manager+Scheduler）
Applications Manager：应用程序管理器，应用程序管理器负责管理整个系统中所有应用程序，包括应用程序提交、与调度器协商资源以启动AM、监控AM运行状态并在失败时重新启动等，跟踪分给的Container的进度、状态也是其职责。

Scheduler：先进先出调度器，计算调度器，公平调度器。

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。调度器仅根据各个应用程序的资源需求进行资源分配，而资源分配单位是Container，从而限定每个任务使用的资源量。Shceduler不负责监控或者跟踪应用程序的状态，也不负责任务因为各种原因而需要的重启（由ApplicationMaster负责）。总之，调度器根据应用程序的资源要求，以及集群机器的资源情况，为应用程序分配封装在Container中的资源。

调度器是可插拔的，例如CapacityScheduler、FairScheduler。

NM：
NM是每个节点上的资源和任务管理器。它会定时地向RM汇报本节点上的资源使用情况和各个Container的运行状态；同时会接收并处理来自AM的Container启动/停止等请求。

APP MASTER：一个job只有一个，相当于主程序（spark driver）

用户提交的应用程序job均包含一个AM，负责应用的监控，跟踪应用执行状态，重启失败任务等。ApplicationMaster是应用框架，它负责向ResourceManager协调资源，并且NodeManager协同工作完成Task的执行和监控。MapReduce就是原生支持的一种框架，可以在YARN上运行Mapreduce作业。有很多分布式应用都开发了对应的应用程序框架，用于在YARN上运行任务，例如Spark，Storm等。如果需要，我们也可以自己写一个符合规范的YARN application。

Yarn平台一般运行job>=0

Contariner：运行在NM上。

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，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中描述的资源。

三、常用的命令

1、回顾wordcount的步骤

离开安全模式：

hdfs dfsadmin -safemode leave

删除已有的/wordcount目录下的所有文件：

hdfs dfs -rm -r /wordcount

重新创建：

 hdfs dfs -mkdir -p /wordcount/input

将准备好的文件上传到/input：

hdfs dfs -put HBinz.log /wordcount/input

2、在这里我们尝试用yarn的命令来提交jar包到yarn，而不是通过hadoop命令

（1）yarn jar /opt/software/hadoop-2.8.1/share/hadoop/mapreduce/hadoop-mapreduce-examples-2.8.1.jar wordcount /wordcount/input /wordcount/output1

（2）发现running错了，如何通过命令停止

yarn application -list

yarn application -kill application_1534945138947_0003

同时，执行的页面也会返回结果“job被kill掉”

3、常用命令

yarn application -list

yarn application -kill appId

 yarn jar 

4、回顾yarn MR2的工作流程

1:用户向YARN中提交应用程序，其中包括ApplicationMaster程序、启动ApplicationMaster的命令、用户程序等。

2:ResourceManager为该应用程序分配第一个Container，并与对应的Node-Manager通信，要求它在这个Container中启动应用程序的ApplicationMaster。

3:ApplicationMaster首先向ResourceManager注册，这样用户可以直接通过ResourceManage查看应用程序的运行状态，然后它将为各个任务申请资源，并监控它的运行状态，直到运行结束，即重复步骤4~7。

4:ApplicationMaster采用轮询的方式通过RPC协议向ResourceManager申请和领取资源。

5:一旦ApplicationMaster申请到资源后，便与对应的NodeManager通信，要求它启动任务。

6:NodeManager为任务设置好运行环境（包括环境变量、JAR包、二进制程序等）后，将任务启动命令写到一个脚本中，并通过运行该脚本启动任务。

7:各个任务通过某个RPC协议向ApplicationMaster汇报自己的状态和进度，以让ApplicationMaster随时掌握各个任务的运行状态，从而可以在任务失败时重新启动任务。在应用程序运行过程中，用户可随时通过RPC向ApplicationMaster查询应用程序的当前运行状态。

8:应用程序运行完成后，ApplicationMaster向ResourceManager注销并关闭自己。

简而言之：

当用户向 YARN 中提交一个应用程序后， YARN 将分两个阶段运行该应用程序：

a. 第一个阶段是启动ApplicationMaster；

b. 第二个阶段是由ApplicationMaster创建应用程序，为它申请资源，并监控它的整个运行过程，直到运行完成。

5、Yarn调度器（先进先出、计算、公平）以后讲CDH会更加简单

先进先出调度器：FIFO

6、Yarn资源管理与调度、参数配置

在YARN中，资源管理由ResourceManager和NodeManager共同完成，其中   ResourceManager中的调度器负责资源的分配，而NodeManager则负责资源的供给和隔离。

ResourceManager将某个NodeManager上资源分配给任务（这就是所谓的 资 源调 度）后，NodeManager需按照要求为任务提供相应的资源，甚至保证这些资源应具有独占性，为任务运行提供基础的保证，这就是所谓的资源隔离。

7、Memory资源的调度和隔离

基于以上考虑，YARN允许用户配置每个节点上可用的物理内存资源，注意，这里是“可用的”，因为一个节点上的内存会被若干个服务共享，比如一部分给YARN，一部分给HDFS，一部分给HBase等，YARN配置的只是自己可以使用的，配置参数如下：

（1） yarn.nodemanager.resource.memory- - mb

表示该节点上YARN可使用的物理内存总量，默认是8192（MB），注意，如果你的节点内存资源不够8GB，则需要调减小这个值，而YARN不会智能的探测节点的物理内存总量。

（2） yarn.nodemanager.vmem- - pmem- - ratio

任务每使用1MB物理内存，最多可使用虚拟内存量，默认是2：1。

（3） yarn.nodemanager.pmem- - check- - enabled

是否启动一个线程检查每个任务正使用的物理内存量，如果任务超出分配值，则直接将其杀掉，默认是true。

（4） yarn.nodemanager.vmem- - check- - enabled

是否启动一个线程检查每个任务正使用的虚拟内存量，如果任务超出分配值，则直接将其杀掉，默认是true。

（5） yarn.scheduler.minimum- - allocation- - mb

单个任务可申请的最少物理内存量，默认是1024（MB），如果一个任务申请的物理内存量少于该值，则该对应的值改为这个数。

（6） yarn.scheduler.maximum- - allocation- - mb

单个任务可申请的最多物理内存量，默认是8192（MB）。

8、CPU资源的调度和隔离

CPU的主要配置参数：

（1） yarn.nodemanager.resource.cpu- - vcores

表示该节点上YARN可使用的虚拟CPU个数，默认是4，注意，目前推荐将该值设值为与物理CPU核数数目相同。如果你的节点CPU核数不够4个，则需要调减小这个值，而YARN不会智能的探测节点的物理CPU总数。

（2 ）yarn.scheduler.minimum- - allocation- - vcores

单个任务可申请的最小虚拟CPU个数，默认是1，如果一个任务申请的CPU个数少于该数，则该对应的值改为这个数。

（3 ）yarn.scheduler.maximum- - allocation- - vcores

单个任务可申请的最多虚拟CPU个数，默认是32。

默认情况下，YARN是不会对CPU资源进行调度的，你需要配置相应的资源调度器。

9、  生产场景：

（1）计算及时性要求比较高： memory不够 快速出结果 cpu足够的

（2）反正：cpu不够

5分钟出1个job ： job运行1分钟oom memory+2G 在计算只需1分钟，比如在第4分钟完成

CDH 动态资源池

生产场景总结：

memory不够   cpu够 ： oom错误 作业停止（memory不够的话，会停止作业，进而增加memory，由于cpu足够，所以计算快）

memory够       cpu不够: 作业慢（由于memory够，因此会低cpu执行，所以会计算慢）

因为内存或者cpu不够修改过以上配置后，记得要重启yarn！！！

10、资源调度