-
1 工作机制
- MapReduce程序提交到客户端所在的节点。
- YARN Runner向ResourceManager申请一个Application。
- RM将该应用程序的资源路径返回给YARN Runner。
- 该程序将运行所需资源提交到HDFS上。
- 程序资源提交完毕后,申请运行mrAppMaster。
- ResourceManager将用户的请求初始化成一个Task。
- 其中一个NodeManager领取到Task任务。
- 该NodeManager创建容器Container,并产生MRAppmaster。
- Container从HDFS上拷贝资源到本地。
- MapReduce Appmaster向ResourceManager申请运行maptask资源。
- ResourceManager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。
- MapReduce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。
- MrAppMaster等待所有maptask运行完毕后,向RM申请容器,运行Reduce task。
- Reduce Task向MapTask获取相应分区的数据。
- 程序运行完毕后,MapReduce会向ResourceManager申请注销自己。
-
2 作业提交全过程
- 作业提交
-
client调用job.waitForCompletion方法,向整个集群提交MapReduce作业。
-
client向ResourceManager申请一个作业id。
-
ResourceManager给client返回该job资源的提交路径和作业id。
-
client提交jar包、切片信息和配置文件到指定的资源提交路径。
-
client提交完资源后,向RM申请运行MapReduce AppMaster。
-
- 作业初始化
-
当ResourceManager收到client的请求后,将该job添加到容量调度器中。
-
某一个空闲的NodeManager领取到该job。
-
该NodeManager创建Container,并产生MapReduce Appmaster。
-
下载client提交的资源到本地。
-
- 任务分配
- MapReduce Appmaster向ResourceManager申请运行多个MapTask任务资源。
- ResourceManager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。
-
任务运行
-
MapReduce 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MapYask,MapTask对数据分区排序。
-
MrAppMaster等待所有MapTask运行完毕后,向ResourceManager申请容器,运行ReduceTask。
-
ReduceTask向MaTask获取相应分区的数据。
-
程序运行完毕后,MapReduce 会向ResourceManager申请注销自己。
-
-
进度和状态更新
-
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。
-
-
作业完成
-
除了向应用管理器请求作业进度外, 客户端每5分钟都会通过调用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。作业完成之后, 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之后用户核查。
-
-
3 HDFS与MapReduce之间的作业提交