Hadoop Yarn工作机制

在yarn上写应用程序并不同于我们熟知的MapReduce应用程序，必须牢记yarn只是一个资源管理的框架，并不是一个计算框架，计算框架可以运行在yarn上。

我们所能做的就是向RM申请container,然后配合NM一起来启动container。就像MRv2一样，jobclient请求用于MR AM运行的container，设置环境变量和启动命令，然后交由NM去启动MR AM，随后map/reduce task就由MR AM全权负责，当然task的启动也是由MR AM向RM申请container，然后配合NM一起来启动的。

所以要想在yarn上运行非特定计算框架的程序，我们就得实现自己的client和applicationMaster。另外我们自定义的AM需要放在各个NM的classpath下，因为AM可能运行在任何NM所在的机器上。

YARN工作流程

要使用一个YARN集群，首先需要来自包含一个应用程序的客户的请求。ResourceManager 协商一个容器的必要资源，启动一个 ApplicationMaster 来表示已提交的应用程序。通过使用一个资源请求协议，ApplicationMaster 协商每个节点上供应用程序使用的资源容器。执行应用程序时，ApplicationMaster 监视容器直到完成。当应用程序完成时，ApplicationMaster 从 ResourceManager 注销其容器，执行周期就完成了。

1. Client向ResourceManager中ApplicationsManager(AsM)提交一个应用程序

2. AsM向Scheduler请求一个供ApplicationMaster运行的container，并与对应的NodeManager通信，要求它在这个Container中启动应用程序的ApplicationMaster

3. ApplicationMaster启动后向AsM注册，这样Client即可以从AsM获取到AM相关的信息，并直接与AM进行通信，然后ApplicationMaster为各个任务申请资源，并监控它们的运行状态，直到运行结束，即重复步骤4-7

4. ApplicationMaster采用轮询的方式通过RPC协议向ResourceManager申请和领取资源

5. 一旦ApplicationMaster成功申请到资源container，便开始与对应的NodeManager通信，要求它启动任务

6. NodeManager为任务设置好运行环境，即资源本地化（包括环境变量、JAR包、二进制程序等）后，将任务启动命令写到一个脚本中，并通过运行该脚本启动任务

7. 各个任务通过某个RPC协议向ApplicationMaster汇报自己的状态和进度，从而可以在任务失败时申请新的container重新启动任务

8. 当每个task完成后，ApplicationMaster运行OutputCommitter的cleanup指令进行一些收尾工作，通过RPC协议向ResourceManager注销并关闭自己