点击上方 "大数据肌肉猿"关注, 星标一起成长
后台回复【加群】，进入高质量学习交流群
我们知道 YARN 是 Hadoop 资源管理器，无论是 MapReduce 应用还是 Spark 应用，应该都会用到 Yarn。我们学习 Yarn 不仅为了应对工作，面试中也是一个高频考点，无论是阿里、字节还是美团等一线大厂的一面，都喜欢问这个知识点。
今天我们就来聊聊 Yarn 的组成以及工作流程：
先介绍几个角色
ResourceManager
一个集群只有一个 RM，它是 YARN 的总指挥，负责协调集群上的计算资源，它有以下两个组件：
ApplicationsManager：这个不是 ApplicationMaster，注意区分。它会接受 Job 的提交请求，调度 Container 用于启动 ApplicationMaster，以及负责 ApplicationMaster 的失败重启。
Scheduler：调度器纯粹为应用程序分配资源，它不会监控应用的状态，这里的调度就是基于 Container 这个抽象的资源容器，包含内存、CPU、磁盘、网络等。
NodeManager
一个集群中有多个 NodeManager，它负责启动 Container，监控 Container 的资源使用情况（cpu、内存、磁盘、网络），并将这些信息汇报给 RM。一个 NodeManager 上可以有多个 Container。
Container
Container 是一组硬件资源的抽象，包含 CPU、内存、磁盘、网络等，所有的 Job 都是在 Container 中运行；
ApplicationMaster
与 RM 协商资源，并与 NodeManager 一起监控任务，ApplicationMaster 和 Job 一样，都是运行在 Container 中。
下面我们详细了解下一个任务是怎么提交到 Yarn 中运行的。
第 1 步：Client 向 RM 发起任务请求：「RM，我要执行一个任务」
第 2 步：RM 给 Client 返回 Application ID 等信息：「好的，给你分配一个 Application ID」
第 3 步：Client 根据返回的信息，检查作业的输入输出目录是否正确、计算作业输入分片是否正常，将运行作业需要的资源（作业 Jar 文件、配置文件、输入分片）复制到以 Application ID 命名的 HDFS 目录中。
第 4 步：Client 向 RM 正式提交作业：「我都准备好了，执行任务吧」
第 5 步：RM 将请求信息传递给自己的小弟 Scheduler：「Scheduler 老弟，你来分配个 Container」
第 6 步：Scheduler 分配 Container，用于启动 ApplicationMaster：「好的，这个 Container 就是 0 号选手」
第 7 步：ApplicationsManager 与指定的 NodeManager 通信，要求在 Container 中启动 ApplicationMaster。
第 8 步：ApplicationMaster 初始化任务并向 RM 申请所需要的资源：「RM 大哥，给我资源运行任务」
第 9 步：RM 返回 ApplicationMaster 申请的资源：「给你 1、2 两个 NodeManager」
第 10 步：ApplicationMaster 与对应的 NodeManager 通信，申请 Container 启动任务「NodeManager 大哥，给我启动 Container 运行这个任务」
第 11 步：Container 中的应用程序会先将需要的计算资源从 HDFS 下载到本地，再启动任务：「都给我跑起来」
第 12 步：运行过程中，任务会将状态和进度报告给 ApplicationMaster，Client 会轮询 ApplicationMaster 获取状态。
第 13 步：运行完成后，Container 会注销掉，也就是把资源归还给系统，ApplicationMaster 向 RM 注销自己。
如果你已经坚持看到这里了，可以回到文章开头再看看 Yarn 的几个角色解释，加深理解。
你还想峰哥讲哪方面的知识点，欢迎留言~
原创专辑：
·················END·················
你好，我是峰哥，一个骚气的肌肉男。独自穷游过15个国家，60座城市，也是国家级健身教练。
二本车辆工程转型大数据开发，拿过66个大数据offer，现任某知名外企高级数据工程师。
毕业一年，靠自己在上海买房，点此看我2020年总结。为人亲和，欢迎添加我的微信 Fawn0504 进行交流或围观朋友圈。
331
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
