Hadoop生态圈（四）：Yarn

目录

1 Yarn

1.1 Yarn概述

1.2 Yarn基本结构

1.3 Yarn工作机制

1.4 资源调度器

2 hadoop企业优化

2.1  MapReduce跑的慢的原因

2.2 MapReduce优化方法

2.2.1 数据输入

2.2.2 Map阶段

2.2.3 Reduce阶段

2.2.4 数据倾斜问题

3 常见错误及解决方案

---

1 Yarn

1.1 Yarn概述

Yarn是一个资源调度平台，负责为运算程序调度服务器运算资源，相当于一个分布式的操作系统平台，而MapReduce等运算程序相当于运算在操作系统上的应用程序

1.2 Yarn基本结构

Yarn主要有ResourceManager、NodeManager、ApplicationMaster和Container等组件构成

1） ResourceManager(rm)：处理客户端请求、启动/监控ApplicationMaster、监控NodeManager、资源分配与调度；

2）NodeManager(nm)：单个节点上的资源管理、处理来自ResourceManager的命令、处理来自ApplicationMaster的命令；

3）ApplicationMaster：数据切分、为应用程序申请资源，并分配给内部任务、任务监控与容错。

4）Container：对任务运行环境的抽象，封装了CPU、内存等多维资源以及环境变量、启动命令等任务运行相关的信息。

1.3 Yarn工作机制

 

工作机制详细流程：

1. 先将MR程序提交到客户端所在节点，准备运行MR
2. Yarnrunner向ResourceManager申请启动一个Application
3. RM将该应用程序所需要的资源路径返回给yarnrunner
4. 该程序将运行所需要的资源信息提及到HDFS上
5. 程序资源信息提交完毕之后，申请运行MrApplicationMaster
6. RM将及用户的请求初始化为一个task放入任务队列中
7. 一个NodeManager领取到task任务
8. 该NodeManager节点创建容器Container，并产生一个MrApplicationMaster
9. Container从HDFS上将该task'所需要的资源信息拷贝到本地
10. MrApplicationMaster向RM申请运行maptask所需要的资源
11. MR将运行maptask任务分配给另外两个NodeManager，另两个NodeManager分别领取任务创建Container容器
12. MrApplicationMaster向两个接受到任务的NodeManager发送程序启动脚本，这两个NodeManager分别启动maptask，maptask对数据进行处理
13. MrApplicationMaster等所有的maptask运行完毕之后，向RM申请容器、资源，运行reduce task
14. reduce task 向maptask获取对应的分区的数据
15. 程序运行完毕之后。MR向RM申请注销

1.4 资源调度器

目前，Hadoop作业调度器主要有三种：FIFO、Capacity Scheduler和Fair Scheduler。Hadoop2.7.2默认的资源调度器是Capacity Scheduler。具体设置详见：yarn-default.xml

<property>

         <description>The class to use as the resource scheduler.</description>

         <name>yarn.resourcemanager.scheduler.class</name>

         <value>org.apache.hadoop.yarn.server.resourcemanager.scheduler.capacity.CapacityScheduler</value>

</property>

1. 先进先出调度器（FIFO）

 

2. 容量调度器（Capacity Scheduler）

 

3. 公平调度器（Fair Scheduler）

 

2 hadoop企业优化

2.1  MapReduce跑的慢的原因

Mapreduce 程序效率的瓶颈在于两点：

1．计算机性能

CPU、内存、磁盘健康、网络

2．I/O 操作优化

（1）数据倾斜

（2）map和reduce数设置不合理 combineTextinputformat,分区

（3）map运行时间太长，导致reduce等待过久

（4）小文件过多

（5）spill(溢出)次数过多，溢出数据到磁盘，

（6）merge次数过多等。Shuffule,溢出之后会有合并，reduce端也会有合并

2.2 MapReduce优化方法

MapReduce优化方法主要从六个方面考虑：数据输入、Map阶段、Reduce阶段、IO传输、数据倾斜问题和常用的调优参数。

2.2.1 数据输入

（1）合并小文件：在执行mr任务前将小文件进行合并，大量的小文件会产生大量的map任务，大量节点资源被占用，从而导致mr整体运行较慢。

（2）采用CombineTextInputFormat来作为输入，解决输入端大量小文件场景。

2.2.2 Map阶段

1）减少溢写（spill）次数：通过调整io.sort.mb及sort.spill.percent参数值（在mapred-default.xml），增大触发spill的内存上限，减少spill次数，从而减少磁盘IO。

2）减少合并（merge）次数：通过调整io.sort.factor参数（在mapred-default.xml），增大merge的文件数目，减少merge的次数，从而缩短mr处理时间。

3）在map之后，不影响业务逻辑前提下，先进行combine处理，减少 I/O。

2.2.3 Reduce阶段

1）合理设置map和reduce数：两个都不能设置太少，也不能设置太多。太少，会导致task等待，延长处理时间；太多，会导致 map、reduce任务间竞争资源，造成处理超时等错误。

2）设置map、reduce共存：调整slowstart.completedmaps参数，使map运行到一定程度后，reduce也开始运行，减少reduce的等待时间。

3）合理设置reduce端的buffer：默认情况下，数据达到一个阈值的时候，buffer中的数据就会写入磁盘，然后reduce会从磁盘中获得所有的数据。也就是说，buffer和reduce是没有直接关联的，中间多一个写磁盘->读磁盘的过程，既然有这个弊端，那么就可以通过参数来配置，使得buffer中的一部分数据可以直接输送到reduce，从而减少IO开销：mapred.job.reduce.input.buffer.percent，默认为0.0。当值大于0的时候，会保留指定比例的内存读buffer中的数据直接拿给reduce使用。这样一来，设置buffer需要内存，读取数据需要内存，reduce计算也要内存，所以要根据作业的运行情况进行调整。

2.2.4 数据倾斜问题

1．数据倾斜现象

数据频率倾斜——某一个区域的数据量要远远大于其他区域。

2．如何收集倾斜数据

在reduce方法中加入记录map输出键的详细情况的功能。

public static final String MAX_VALUES = "skew.maxvalues"; 
private int maxValueThreshold; 
 
@Override
public void configure(JobConf job) { 
     maxValueThreshold = job.getInt(MAX_VALUES, 100); 
} 
@Override
public void reduce(Text key, Iterator<Text> values,
                     OutputCollector<Text, Text> output, 
                     Reporter reporter) throws IOException {
     int i = 0;
     while (values.hasNext()) {
         values.next();
         i++;
     }

     if (++i > maxValueThreshold) {
         log.info("Received " + i + " values for key " + key);
     }
}

3．减少数据倾斜的方法

方法1：自定义分区

基于输出键的背景知识进行自定义分区。例如，如果map输出键的单词来源于一本书。且其中某几个专业词汇较多。那么就可以自定义分区将这这些专业词汇发送给固定的一部分reduce实例。而将其他的都发送给剩余的reduce实例。

方法2：Combine

使用Combine可以大量地减小数据倾斜。在可能的情况下，combine的目的就是聚合并精简数据。

方法3：采用Map Join，尽量避免Reduce Join。

3 常见错误及解决方案

1） 导包容易出错。尤其Text和CombineTextInputFormat。

2） Mapper中第一个输入的参数必须是LongWritable或者NullWritable，不可以是IntWritable.  报的错误是类型转换异常。

3）  java.lang.Exception: java.io.IOException: Illegal partition for 13926435656 (4)，说明partition和reducetask个数没对上，调整reducetask个数。

4） 如果分区数不是1，但是reducetask为1，是否执行分区过程。答案是：不执行分区过程。因为在maptask的源码中，执行分区的前提是先判断reduceNum个数是否大于1。不大于1肯定不执行。

5）在Windows环境编译的jar包导入到linux环境中运行，

hadoop jar wc.jar com.bigdata.mapreduce.wordcount.WordCountDriver /user/bigdata/ /user/bigdata/output

报如下错误：

Exception in thread "main" java.lang.UnsupportedClassVersionError: com/bigdata/mapreduce/wordcount/WordCountDriver : Unsupported major.minor version 52.0

原因是Windows环境用的jdk1.7，linux环境用的jdk1.8。

解决方案：统一jdk版本。

6）缓存pd.txt小文件案例中，报找不到pd.txt文件

原因：大部分为路径书写错误。还有就是要检查pd.txt的问题。还有个别电脑写相对路径找不到pd.txt，可以修改为绝对路径。

7）报类型转换异常。

通常都是在驱动函数中设置map输出和最终输出时编写错误。Map输出的key如果没有排序，也会报类型转换异常。

8）集群中运行wc.jar时出现了无法获得输入文件。

原因：wordcount案例的输入文件不能放在hdfs集群的根目录。