大数据运维实战第十二课 Hadoop 分布式资源管理器 Yarn、MR 运行机制剖析

本课时主要剖析 Hadoop 分布式资源管理器 Yarn 和 MR 运行机制。

Yarn 的整体架构

Yarn 是 Hadoop2.x 版本提出的一种全新的资源管理架构，此架构不仅支持 MapReduce 计算，还方便管理，比如 HBase、Spark、Storm、Tez/Impala 等应用。这种新的架构设计能够使各种类型的计算引擎运行在 Hadoop 上面，并通过 Yarn 从系统层面进行统一的管理。也就是说，通过 Yarn 资源管理器，各种应用就可以互不干扰地运行在同一个 Hadoop 系统中了，来共享整个集群资源。

Yarn 的架构设计基于主从（Master-Slave）模式，主要由 ResourceManager（RM）和NodeManager（NM）两大部分组成。除此之外，还有 ApplicationMaster（AM）、Application Manager、Scheduler 及 Container 等组件辅助实现所有功能。

Yarn 的基本架构如下图所示：

Yarn 中的组件解读

Yarn 中有两大组件，即 ResourceManager（RM）和 NodeManager（NM），其中 ResourceManager 由 ApplicationManager 和 Scheduler 组成。当用户提交 job 或 application 到 Yarn 上时，还会出现一个 ApplicationMaster 组件，此组件是应用程序级别的，用来管理运行在 Yarn 上的应用程序。这些 job 或 application 最终是在一个或多个 Container 中运行，而 Container 的资源则是通过 NodeManager 来分配。

下面分别介绍一下这些组件的功能及应用场景。

1. ResourceManager（RM）

RM 是一个全局的资源管理器，集群里只有一个。它负责整个 Hadoop 系统的资源管理和分配，包括处理客户端请求、启动监控 ApplicationMaster、监控 NodeManager、资源的分配与调度等。它主要由两个组件构成，即调度器（Scheduler）和应用程序管理器 （ApplicationsManager，AsM）。

Scheduler 是一个集群资源调度器，根据集群的容量、队列等限制条件，将集群中的资源分配给各个正在运行的应用程序，以保障整个集群高效、合理地使用资源。

需要注意的是：Scheduler 是一个纯粹的资源调度器，它只负责调度 Containers，不用关心任何与具体应用程序相关的工作。例如，它不会监控或者跟踪应用的执行状态，也不会去重启因程序失败或者其他错误而运行失败的任务。调度器仅根据每个应用程序的资源需求进行合理分配，而资源分配的单位用 Container（容器）表示。Container 是一个动态资源分配单位，它将 CPU 和内存封装起来，从而限定每个任务使用的资源量。

在 Hadoop 中，Yarn 提供了多种直接可用的调度器，常用的 Scheduler 主要有两种，即 Capacity Scheduler 和 Fair Scheduler。第一个是基于容量的资源调度，而第二个是基于公平的资源调度，具体资源调度细节，我将在后面的课时中进行深入介绍。

ApplicationsManager 负责管理整个集群中所有的应用程序，包括应用程序的提交、与调度器协商资源、启动 ApplicationMaster、监控 ApplicationMaster 运行状态并在失败时重新启动它等。它的主要功能总结如下：

• 负责接收用户提交的任务请求，为应用分配第一个 Container，此 Container 用来运行 ApplicationMaster；
• 负责监控 ApplicationMaster 的状态，如果发现 ApplicationMaster 失败，会自动重启 ApplicationMaster 运行的 Container。

从这里可以看出，Container 是最底层的计算单元，所有应用程序都是在 Container 中执行计算任务的。

2. ApplicationMaster

当用户提交一个分析任务时，ApplicationMaster 进程首先启动。接着，它向 ResourceManager 申请资源并和 NodeManager 协同工作来运行此任务；同时，它还会跟踪监视任务的执行状态。当遇到失败的任务时自动重启它；当任务执行完成后，ApplicationMaster 会关闭自己并释放自己的容器。

可以看出，ApplicationMaster 就像一个全职保姆，它负责任务执行的始末，全程保障任务的执行效果。

总体来说，ApplicationMaster 执行过程是按照如下顺序进行的：

（1）ApplicationMaster 切分数据，对任务进行分片；

（2）ApplicationMaster 向 ResourceManager 申请资源，然后把申请下来的资源交给 NodeManager；

（3）监控任务的运行，并对错误任务进行重启；

（4）通过 NodeManager 监视任务的执行和资源使用情况。

3. NodeManager

NodeManager 进程运行在集群中的多个计算节点上，与 HDFS 分布式文件系统中 Datande 的角色类似，每个计算节点都运行一个 NodeManager 服务。

NodeManager 负责每个节点上资源（CPU 和内存）的使用，它主要实现如下功能：

• 接收并处理来自 ApplicationMaster 的 Container 启动、停止等请求；
• NodeManager 管理着本节点上 Container 的使用（Container 的分配、启动、停止等操作）；
• NodeManager 定时向 ResourceManager 汇报本节点上的资源使用情况以及各个 Container 的运行状态（CPU 和内存等资源）。

需要注意的是：NodeManager 只负责管理自身的 Container，不会去关注 Container 中运行的任务。

4. Container

Container 是 Yarn 资源管理器中最底层的计算单元，是执行计算任务的基本单位，比如 Map task、Reduce task 都在 Container 中执行。

一个节点根据资源的不同，可以运行多个 Container，一个 Container 就是一组分配的系统资源。现阶段 Container 的系统资源只包含 CPU 和内存两种，未来可能会增加磁盘、网络等资源。

在 Yarn 中，ApplicationMaster 会跟 ResourceManager 申请系统资源，而 ResourceManager 只会告诉 ApplicationMaster 哪些 Containers 可以用。若要使用这些资源，ApplicationMaster 还需要去找 NodeManager 请求分配具体的 Container。任何一个 job 或 application 最终都是在一个或多个 Container 中完成分析计算任务的。

Yarn 应用提交过程分析

当用户向 Yarn 提交一个请求时，Yarn 会执行一系列动作来响应用户的请求，那么 Yarn 具体执行了哪些动作呢？如下图所示：

上图展示了用户提交一个应用程序到 Yarn 集群时，ResourceManager、Scheduler、Applicationmanager、ApplicationMaster、NodeManager 和容器如何相互交互的过程。

对上图过程的 7 个步骤分析如下：

（1）Client 向 Yarn 提交一个应用程序，接着 ResourceManager 就会响应用户的请求；

（2）ResourceManager 开启一个 Container，在 Container 中运行一个 ApplicationManager，然后 ApplicationManager 为该应用分配第一个 Container，并选取一个 NodeManager 进行通信，并要求此 NodeManager 在这个 Container 中启动应用程序的 ApplicationMaster；

（3）ApplicationMaster 向 ResourceManager 注册，并向 ResourceManager 申请运行应用程序所需的系统资源；

（4）Scheduler 将资源封装好发送给 ApplicationMaster；

（5）ApplicationMaster 申请到资源后，便与对应的 NodeManager 通信，要求它启动 Container，各个 NodeManager 分配完成资源后，就开始在 Container 中执行 Map task、Reduce task 等具体任务；

（6）各个任务通过 RPC 协议向 ApplicationMaster 汇报自己的状态和进度，以此方式让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；

（7）ApplicationMaster 将任务执行结果返回给 ApplicationManager，并在应用程序运行完成后向 ApplicationManager 注销并关闭自己。

Yarn 中 shell 的使用

Yarn 中 shell 的使用与 HDFS 中的 shell 类似，Yarn 中也提供了一些 shell 命令（注意是 Yarn 命令），通过这些命令可以对 job 或 application 进行管理，还可以查看节点状态、队列状态、分析任务日志、重载刷新 Yarn 配置等。下面依次介绍。

1. Yarn application 管理命令

通过 Yarn application 可以对运行的任务进行状态查看、关闭 application 或启动 application 等操作，看下图这个例子：

由上图可知，目前 Yarn 集群有三个 application 正在运行，application 的类型、名称、ID、用户、队列、状态、进度等都显示的很清楚，要查看某个 application 的状态信息，可执行如下命令：

[hdfs@Yarnserver ~]$ Yarn application  -status application_1578297910271_66111
        Application-Id : application_1578297910271_66111
        Application-Name : Spark shell
        Application-Type : SPARK
        User : vbs1
        Queue : root.vbs
        Application Priority : 0
        Start-Time : 1589181370705
        Finish-Time : 0
        Progress : 10%
        State : RUNNING
        Final-State : UNDEFINED
        Tracking-URL : http://Hadoopgateway:4041
        RPC Port : 0
        AM Host : 172.16.21.8
        Aggregate Resource Allocation : 671814190 MB-seconds, 282004 vcore-seconds
        Aggregate Resource Preempted : 0 MB-seconds, 0 vcore-seconds
        Log Aggregation Status : NOT_START
        Diagnostics : 
        Unmanaged Application : false
        Application Node Label Expression : <Not set>
        AM container Node Label Expression : <Not set>
        TimeoutType : LIFETIME  ExpiryTime : UNLIMITED  RemainingTime : -1seconds

从这个输出，可以发现，此 application 的所有状态信息，例如，AM 所在节点、应用程序分配的聚合内存量以及分配的聚合 vcores 数。其中，MB-seconds 是应用程序分配的聚合内存量（以兆字节为单位）乘以应用程序运行的秒数得到的结果，而 vcore-seconds 是应用程序分配的聚合 vcores 数乘以应用程序运行的秒数得到的结果。

如果发现某个 application 占用大量集群资源，可以通过命令方式把它 kill 掉，kill 方式如下：

[hdfs@Yarnserver ~]$ Yarn application  -kill application_1578297910271_66111

kill 掉这个 application 后，它占用的资源也就释放了。要获取应用程序尝试的列表，可执行如下命令：

[hdfs@Yarnserver ~]$ Yarn applicationattempt -list application_1578297910271_66111
ApplicationAttempt-Id    State                        AM-Container-Id                            Tracking-URL
appattempt_1578297910271_66111_000001           RUNNING       container_e55_1578297910271_66111_01_000001 http://Yarnserver:8088/proxy/application_1578297910271_66111/

从上图可以找到 application 下面的 container，接着看这个 container 的状态，执行如下图所示命令：

从这个输出可以看到 container 的启动时间、运行状态、所在主机及端口等。

2. Yarn node 命令

Yarn node 可以获取集群节点状态，执行如下命令，查看集群活跃节点：

[Hadoop@Yarnserver ~]$ Yarn node -list
2020-05-12 10:12:59,133 INFO client.RMProxy: Connecting to ResourceManager at Yarnserver/172.16.213.41:8032
Total Nodes:3
           Node-Id             Node-State  Node-Http-Address       Number-of-Running-Containers
  slave003:45117                RUNNING     slave003:8042                                  0
  slave001:43761                RUNNING     slave001:8042                                  0
  slave002:36604                RUNNING     slave002:8042                                  0

Yarn node 也可以单独查看某个节点状态，执行如下命令：

[Hadoop@Yarnserver ~]$ Yarn node -status slave003:45117
2020-05-12 10:13:39,097 INFO client.RMProxy: Connecting to ResourceManager at Yarnserver/172.16.213.41:8032
2020-05-12 10:13:39,688 INFO conf.Configuration: resource-types.xml not found
2020-05-12 10:13:39,688 INFO resource.ResourceUtils: Unable to find 'resource-types.xml'.
Node Report : 
        Node-Id : slave003:45117
        Rack : /default-rack
        Node-State : RUNNING
        Node-Http-Address : slave003:8042
        Last-Health-Update : 星期二 12/五月/20 10:12:01:69CST
        Health-Report : 
        Containers : 0
        Memory-Used : 0MB
        Memory-Capacity : 20480MB
        CPU-Used : 0 vcores
        CPU-Capacity : 8 vcores
        Node-Labels : 
        Node Attributes : 
        Resource Utilization by Node : PMem:5587 MB, VMem:7094 MB, VCores:0.0066644456
        Resource Utilization by Containers : PMem:0 MB, VMem:0 MB, VCores:0.0

从这个输出可以看出此节点的运行状态、运行的 Containers 数、内存占用、内存总量、CPU 占用、CPU 总量等信息。

3. Yarn queue 命令

通过 Yarn queue 命令可以查看 Yarn 集群中的队列资源信息，看下面操作输出：

[hdfs@Yarnserver ~]$  Yarn queue -status dev
Queue Information : 
Queue Name : dev
        State : RUNNING
        Capacity : 21.5%
        Current Capacity : 31.1%
        Maximum Capacity : -100.0%
        Default Node Label expression : <DEFAULT_PARTITION>
        Accessible Node Labels :

这个输出的是 dev 队列的状态。可以看到，dev 队列占用集群总容量的 21.5%，目前已经使用的容量是 31.1%。注意，31.1% 是针对 21.5% 容量来说的，假如集群总容量的 21.5% 是 100GB，那么目前已经使用了 31.1GB。Maximum Capacity 是 Capacity Scheduler 调度策略的参数，在这里无效，此队列我使用的是 Fair Scheduler 调度。

4. Yarn rmadmin 命令

Yarn rmadmin 是 Yarn 中的管理类命令，如果对资源队列做了修改，或者新增了计算节点，或修改了 Yarn 配置文件，那么要在不重启 Yarn 服务的前提下，可以通过 Yarn rmadmin 来刷新配置，使其立刻生效。

此命令常用的参数有如下几个：

• -refreshQueues，重载队列的 ACL、状态和调度器等属性，ResourceManager 将重新加载 queues 配置文件；
• -refreshNodes，用来刷新 dfs.hosts 和 dfs.hosts.exclude 配置文件，这种方式无须重启集群服务；
• -refreshSuperUserGroupsConfiguration，刷新用户组的配置；
• -refreshUserToGroupsMappings，刷新用户到组的映射配置；
• -getGroups [username] ，获取指定用户所属的组。

看下面几个例子：

[Hadoop@Yarnserver ~]$ Yarn rmadmin -refreshQueues
[Hadoop@Yarnserver ~]$ Yarn rmadmin -refreshNodes
[Hadoop@Yarnserver ~]$ Yarn rmadmin -getGroups Hadoop

如果你修改了队列配置或者其他配置，可通过执行这些刷新命令，使其立刻生效，而无须重启集群服务。

5. Yarn logs 命令

Yarn logs 命令可以用来查询 application、container 的运行日志，看下面操作实例：

[Yarn@Yarnserver ~]$Yarn logs -applicationId application_1578297910271_66666

上面这个是查看 application_1578297910271_66666 的运行日志。要查看 application 下某个容器的运行日志，可执行如下命令：

[Yarn@Yarnserver ~]$Yarn logs -applicationId application_1578297910271_66666 -containerId  container_e55_1578297910271_66666_01_000001

Yarn 下常用的 shell 命令还有很多，记住上面这些基础操作，对运维来说基本足够了，这些 shell 对于我们写监控脚本非常有帮助。例如，要监控队列资源状态，就可以利用 Yarn 下的 shell 写个监控脚本，当队列资源占用异常时进行告警。

总结

本课时主要讲解了分布式资源管理器 Yarn、MR 运行机制，以及 Yarn 相关的 shell 命令，对于 Yarn 资源运行机制的了解有助于对 Hadoop 集群进行调优和故障排查，这部分内容非常重要，要求我们能熟练掌握。

---

精选评论

**6513：

是ApplicationsManager 不是ApplicationManager 

（2）ResourceManager 开启一个 Container，在 Container 中运行一个 ApplicationManager，然后 ApplicationManager 为该应用分配第一个 Container，并选取一个 NodeManager 进行通信，并要求此 NodeManager 在这个 Container 中启动应用程序的 ApplicationMaster；

查了官方文档也没有看到 一般都是认为 ResourceManager 指定第一个开启的 Container为ApplicationMaster，ApplicationMaster 向ApplicationsManager注册，要么你这就是把yarn服务的启动和任务提交混在一起了 

    讲师回复：

    ApplicationsManager其实是resourcemanger里面的一个组件 ，是这个组件来开启ApplicationMaster的，很多介绍中都说是resourcemanger来开启的，其实是resourcemanger下面的ApplicationsManager组件完成的。

hamburgduo：

ResourceManager 开启一个 Container，在 Container 中运行一个 ApplicationManager，然后 ApplicationManager 为该应用分配第一个 Container，并选取一个 NodeManager 进行通信，并要求此 NodeManager 在这个 Container 中启动应用程序的 ApplicationMaster这一段写的是不是有问题？

    讲师回复：

    没问题的

**5241：

老师您好，有个地方想请教您下。就是启动了">ApplicationMaster的Container 后续会参与诸如map/reduce等的计算吗，还是该Container只负责启动AM？后面具体计算的任务该容器不参与？谢谢老师。

    讲师回复：

    am只负责任务分配和调度，以及任务状态监控，任务完成自动释放，不参与计算