Hadoop-Yarn

 一、Yarn资源调度器

思考：

1）如何管理集群资源？

2）如何给任务合理分配资源？

Yarn 是一个资源调度平台，负责为运算程序提供服务器运算资源，相当于一个分布式的操作系统平台。

而 MapReduce 等运算程序则相当于运行于操作系统之上的应用程序。

1.1 Yarn基础架构

YARN 主要由 ResourceManager、NodeManager、ApplicationMaster 和 Container 等组件构成。

• ResourceManager（RM）
  • 处理客户端请求
  • 监控NodeManager
  • 资源的分配与调度
  • 启动或监控ApplicationMaster
• NodeManager（NM）
  • 管理单个节点上的资源
  • 处理来自ResourceManager的命令
  • 处理来自ApplicationMaster的命令
• ApplicationMaster
  • 为应用程序申请资源并分配给内部的任务
  • 任务的监控与容错
• Container
  • Container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。

1.2 Yarn工作机制

1. MR 程序提交到客户端所在的节点。
2. YarnRunner 向 ResourceManager 申请一个 Application。
3. RM 将该应用程序的资源路径返回给 YarnRunner。
4. 该程序将运行所需资源提交到 HDFS 上。
5. 程序资源提交完毕后，申请运行 mrAppMaster。
6. RM 将用户的请求初始化成一个 Task。
7. 其中一个 NodeManager 领取到 Task 任务。
8. 该 NodeManager 创建容器 Container，并产生 MRAppmaster。
9. Container 从 HDFS 上拷贝资源到本地。
10. MRAppmaster 向 RM 申请运行 MapTask 资源。
11. RM 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。
12. 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。
13. MrAppMaster 等待所有 MapTask 运行完毕后，向 RM 申请容器，运行 ReduceTask。
14. ReduceTask 向 MapTask 获取相应分区的数据。
15. 程序运行完毕后，MR 会向 RM 申请注销自己。

1.3 作业提交全过程

HDFS、YARN、MapReduce三者关系

作业提交过程之YARN：

作业提交过程之HDFS & MapReduce

作业提交全过程详解

（1）作业提交

第 1 步：Client 调用 job.waitForCompletion 方法，向整个集群提交 MapReduce 作业。

第 2 步：Client 向 RM 申请一个作业 id。

第 3 步：RM 给 Client 返回该 job 资源的提交路径和作业 id。

第 4 步：Client 提交 jar 包、切片信息和配置文件到指定的资源提交路径。

第 5 步：Client 提交完资源后，向 RM 申请运行 MrAppMaster。

（2）作业初始化

第 6 步：当 RM 收到 Client 的请求后，将该 job 添加到容量调度器中。

第 7 步：某一个空闲的 NM 领取到该 Job。第 8 步：该 NM 创建 Container，并产生 MRAppmaster。第 9 步：下载 Client 提交的资源到本地。

（3）任务分配

第 10 步：MrAppMaster 向 RM 申请运行多个 MapTask 任务资源。

第 11 步：RM 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。

（4）任务运行

第 12 步：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。

第13步：MrAppMaster等待所有MapTask运行完毕后，向RM申请容器，运行ReduceTask。

第 14 步：ReduceTask 向 MapTask 获取相应分区的数据。

第 15 步：程序运行完毕后，MR 会向 RM 申请注销自己。

（5）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。

（6）作业完成

除了向应用管理器请求作业进度外, 客户端每 5 秒都会通过调用 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。

1.4 Yarn调度器和调度算法

目前，Hadoop 作业调度器主要有三种：FIFO、容量（Capacity Scheduler）和公平（FairScheduler）。

Apache Hadoop3.1.3 默认的资源调度器是 Capacity Scheduler。CDH 框架默认调度器是 Fair Scheduler。具体设置详见：yarn-default.xml 文件

1.4.1 先进先出调度器

FIFO 调度器（First In First Out）：单队列，根据提交作业的先后顺序，先来先服务。

优点：简单易懂；

缺点：不支持多队列，生产环境很少使用

1.4.2 容量调度器

Capacity Scheduler 是 Yahoo 开发的多用户调度器。

• 多队列：每个队列可配置一定的资源量，每个队列采用FIFO调度策略。
• 容量保证：管理员可为每个队列设置资源最低保证和资源使用上限
• 灵活性：如果一个队列中的资源有剩余，可以暂时共享给那些需要资源的队列，而一旦该队列有新的应用程序提交，则其他队列借调的资源会归还给该队列。
• 多租户：支持多用户共享集群和多应用程序同时运行。为了防止同一个用户的作业独占队列中的资源，该调度器会对同一用户提交的作业所占资源量进行限定。

1）队列资源分配

从root开始，使用深度优先算法，优先选择资源占用率最低的队列分配资源。

2）作业资源分配

默认按照提交作业的优先级和提交时间顺序分配资源。

3）容器资源分配

按照容器的优先级分配资源；如果优先级相同，按照数据本地性原则：

（1）任务和数据在同一节点

（2）任务和数据在同一机架

（3）任务和数据不在同一节点也不在同一机架

1.4.3 公平调度器

Fair Schedulere 是 Facebook 开发的多用户调度器。

1）与容量调度器相同点

（1）多队列：支持多队列多作业

（2）容量保证：管理员可为每个队列设置资源最低保证和资源使用上线

（3）灵活性：如果一个队列中的资源有剩余，可以暂时共享给那些需要资源的队列，而一旦该队列有新的应用程序提交，则其他队列借调的资源会归还给该队列。

（4）多租户：支持多用户共享集群和多应用程序同时运行；为了防止同一个用户的作业独占队列中的资源，该调度器会对同一用户提交的作业所占资源量进行限定。

2）与容量调度器不同点

（1）核心调度策略

容量调度器：优先选择资源利用率低的队列公平调度器：

优先选择对资源的缺额比例大的

（2）每个队列可以单独设置资源分配方式

容量调度器：FIFO、 DRF

公平调度器：FIFO、FAIR、DRF

公平调度器设计目标是：在时间尺度上，所有作业获得公平的资源。某一时刻一个作业应获资源和实际获取资源的差距叫“缺额”•

调度器会优先为缺额大的作业分配资源。

公平调度器队列资源分配方式：

1）FIFO策略

公平调度器每个队列资源分配策略如果选择FIFO的话，此时公平调度器相当于上面讲过的容量调度器。

2）Fair策略

Fair 策略（默认）是一种基于最大最小公平算法实现的资源多路复用方式，默认情况下，每个队列内部采用该方式分配资源。这意味着，如果一个队列中有两个应用程序同时运行，则每个应用程序可得到1/2的资源；如果三个应用程序同时运行，则每个应用程序可得到1/3的资源。

具体资源分配流程和容量调度器一致；（1）选择队列（2）选择作业（3）选择容器

以上三步，每一步都是按照公平策略分配资源

• 实际最小资源份额：mindshare = Min（资源需求量，配置的最小资源）
• 是否饥饿：isNeedy = 资源使用量 < mindshare（实际最小资源份额）
• 资源分配比：minShareRatio = 资源使用量 / Max（mindshare, 1）
• 资源使用权重比：useToWeightRatio = 资源使用量 / 权重

1.5 Yarn常用命令

Yarn 状态的查询，除了可以在 hadoop103:8088 页面查看外，还可以通过命令操作。常见的命令操作如下所示：

1.5.1 yarn application查看任务

（1）列出所有 Application

yarn application -list

（2）根据 Application 状态过滤：yarn application -list -appStates （所有状态：ALL、NEW、NEW_SAVING、SUBMITTED、ACCEPTED、RUNNING、FINISHED、FAILED、KILLED）

yarn application -list -appStates

（3）Kill 掉 Application：

yarn application -killapplication_1612577921195_0001

1.5.2 yarn logs查看日志

（1）查询 Application 日志：yarn logs -applicationId

yarn logs -applicationIdapplication_1612577921195_0001

（2）查询 Container 日志：yarn logs -applicationId -containerId

yarn logs -applicationIdapplication_1612577921195_0001 -containerIdcontainer_1612577921195_0001_01_000001

1.5.3 yarn application attempt 查看尝试运行的任务

（1）列出所有 Application 尝试的列表：yarn applicationattempt -list

yarn applicationattempt -listapplication_1612577921195_0001

（2）打印 ApplicationAttemp 状态：yarn applicationattempt -status

yarn applicationattempt -statusappattempt_1612577921195_0001_000001

1.5.4 yarn container 查看容器

（1）列出所有 Container：yarn container -list

yarn container -listappattempt_1612577921195_0001_000001

（2）打印 Container 状态：yarn container -status

yarn container -statuscontainer_1612577921195_0001_01_000001

1.5.5 yarn node 查看节点状态

列出所有节点：yarn node -list -all

yarn node -list -all

1.5.6 yarn rmadmin更新配置

加载队列配置：yarn rmadmin -refreshQueues

yarn rmadmin -refreshQueues

1.5.7 yarn queue查看队列

打印队列信息：yarn queue -status

yarn queue -status default

1.6 Yarn生产环境核心参数

1）ResourceManager相关

• yarn.resourcemanager.scheduler.class 配置调度器，默认容量
• yarn.resourcemanager.scheduler.client.thread-count ResourceManager处理调度器请求的线程数量，默认50

2）NodeManager相关

• yarn.nodemanager.resource.detect-hardware-capabilities 是否让yarn自己检测硬件进行配置，默认false
• yarn.nodemanager.resource.count-logical-processors-as-cores 是否将虚拟核数当作CPU核数，默认false
• yarn.nodemanager.resource.pcores-vcores-multiplier 虚拟核数和物理核数乘数，例如：4核8线程，该参数就应设为2，默认1.0

• yarn.nodemanager.resource.memory-mb NodeManager使用内存，默认8G
• yarn.nodemanager.resource.system-reserved-memory-mb NodeManager为系统保留多少内存

• yarn.nodemanager.pmem-check-enabled 是否开启物理内存检查限制container，默认打开
• yarn.nodemanager.vmem-check-enabled 是否开启虚拟内存检查限制container，默认打开
• yarn.nodemanager.vmem-pmem-ratio 虚拟内存物理内存比例，默认2.1

3）Container相关

• yarn.scheduler.minimum-allocation-mb 容器最最小内存，默认1G
• yarn.scheduler.maximum-allocation-mb 容器最最大内存，默认8G
• yarn.scheduler.minimum-allocation-vcores 容器最小CPU核数，默认1个
• yarn.scheduler.maximum-allocation-vcores 容器最大CPU核数，默认4个