Hadoop 生态最牛逼的组件，HDFS 排第二，它排第一！

前言

大家好，我是林哥！

Yarn 是目前大数据领域最流行的资源管理系统，也是 Hadoop 2.0 版本改动最大的一个特性！

在 Hadoop 1.X 版本时，Hadoop 框架资源管理和作业控制统一由 JobTracker 负责。

作业控制和资源管理2个模块的耦合度较高，导致 Hadoop MapReduce 在扩展性、容错性以及多种计算框架支持存在明显缺陷！

因此，在 Hadoop 2.X 版本，Hadoop 将资源管理相关的功能与作业控制相关的功能拆分成两个独立的进程：即资源管理进程与具体应用无关，它负责整个集群的资源（内存、CPU、磁盘等）管理，而作业控制进程则是直接与应用程序相关的模块。

这样，通过将原有 JobTracker 中与应用程序相关和无关的模块分开，不仅减轻了 JobTracker 负载，也衍生出了一个资源统一管理平台 YARN，使得 Hadoop 可以支持更多的计算框架！

本文将从 YARN 的基本架构组成、YARN 通信协议以及 YARN 资源调度流程这三个方面简单剖析下 YARN 的基本原理！

1.YARN 基本架构

YARN 总体上一个 Master/slave 架构，在整个资源调度框架中，包含几个关键角色：ResourceManager 、NodeManager 、ApplicationMaster 、Container。其基本架构图如下：

yarn 的基本架构

由上图可知，Client 负责任务的提交，NodeManager 通过心跳机制向 ResoureceManager 汇报自己负责的节点资源，ApplicationMaster 负责向 RM 申请资源，并且监控所有的任务运行状态。

ResourceManager（RM）：RM 是一个全局的资源管理器，负责整个系统的资源管理和分配。它主要由 Scheduler 和 ApplicationManager 组成。

• Scheduler：调度器根据容量、队列等限制条件（例如：每个队列分配一定的资源，最多执行一定数量的作业等），将系统中的资源分配给各个正在运行的应用程序，且只负责调度 Containers。它不会监控或者跟踪应用的执行状态，也不会重试失败的任务。此外，该调度器是一个可插拔组件，User 可以根据自己的需求自定义调度器。YARN 提供了两种常见的调度器：公平调度器（Fair Scheduler）和容量调度器（Capacity Scheduler）。

• Application Manager：它负责系统中所有应用程序的管理工作。接收客户端的请求；为每个 Application 分配第一个 Container 用来运行 ApplicationMaster；监控 ApplicationMaster 并在任务失败时重启 ApplicationMaster 运行的 Container。

NodeManager: NodeManager 主要管理集群中每个节点的资源和任务，一方面它会通过心跳机制定时的向 RM 汇报本节点上的资源使用情况、每个 Container 的运行状态以及健康状态；另一方面，接收并处理 ApplicationMaster 的 Container 启动/停止请求。

ApplicationMaster（AM）: 用户提交的每个 Application 都包含一个 AM，其运行在 Container 中，其主要功能包括：

• 与 RM 调度器协商以获取资源（用Container表示）；
• 与 NM 通信以启动/停止任务；
• 监控所有任务的运行状态，并在任务失败时，重新为任务申请资源以重启任务。

Container: 它是 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。

值得说明的是：它是一个动态资源划分单位，根据应用程序的需求动态生成。此外，RM 只负责告诉 AM 有哪些 Container 可用，AM 还需要与 NM 通信，以获得具体的 Container！

2.YARN 通信协议

2.1什么是 RPC？

RPC（Remote Procedure Call）即远程过程调用，简单的理解是一个节点请求另一个节点提供的服务。举个例子：有两台服务器 1 和 2 ，某一个应用部署在 1 服务器上，想要调用 2 服务器上应用提供的函数/方法，但是又不在同一个内存空间，所以不能直接调用，需要通过网络来表达调用的语义和传达调用的数据。

RPC 通常采用 client/server 模型。请求方为 client端，应答方则是 Server。其调用流程如下图所示。主要分为以下几个步骤：

1. client 端程序本地调用系统产生的 Stub 程序；
2. client stub 程序将函数调用信息按照网络通信模块的要求封装成消息包，并交给通信模块（也就是sockets）发送到远程服务端；
3. 远程服务端收到此消息后，将消息发送给相应的的 server stub 程序；
4. server stub 程序拆封消息，并调用服务器上对应的函数；
5. 被调函数（server function）执行，并将结果返回给 server stub程序；
6. server stub 程序将此结果封装成消息，通过网络通信模块逐级地传给 client。

RPC通信流程

值得注意的是：在上述流程中，无论是 client，还是 server 端都涉及到 stub 程序，可以把它看成一个代理程序。它使得远程函数调用看起来跟本地调用一样，对用户完全透明。

2.2YARN 包含哪些通信协议？

YARN 通过 RPC 协议实现各个组件之间的通信，在任意两个需要相互通信的组件之间仅有一个 RPC 协议。在通信双方中，一方是 Client端，另一方是 Server端，且 Client 端总是主动连接 Server ，YARN 各个组件之间的 C/S 关系如图所示，其中箭头指向的组件是 RPC Server，而箭头尾部的组件是 RPC Client。

yarn 的通信协议

从上图可知，YARN 的通信协议主要由 5 大协议组成：

• JobClient 与 RM 之间 --- ApplicationClientProtocol: JobClient 通过该 RPC 协议提交应用程序、查询应用程序的状态。
• Admin 与 RM 之间 --- ResourceManagerAdministrationProtocol：Admin 通过这个协议更新系统的配置文件。
• AM 与 RM 之间 --- ApplicationMasterProtocol：AM 通过该协议向 RM 之间注册和注销自己，并进行资源请求。
• AM 与 NM 之间 --- ContainerManagermentProtocol：AM 通过该 RPC 协议与 NM 通信，请求启动/停止任务，并获取各个 Container 的使用状态。
• NM 与 RM 之间 --- ResourceTracker : NM 通过这个协议向 RM 注册，通过发送心跳信息汇报当前节点的资源使用情况、container 运行情况以及自己的健康状态。

以上各个组件之间，有且仅有一个 RPC 协议，有了这些协议，才使得这些组件能够互相通信，发挥出分布式集群的优点。

2.3RPC 实战案例

​ 说一千，道一万，都不如写一个简易的 Demo 学的更明白。通过这个简易的 Demo，模拟 RPC 的客户端、服务端、通信协议三者是如何工作的。

需求：RPC 接口协议定义一个创建文件夹的方法，服务端实现该接口协议并创建 RPC 服务；客户端通过获取服务代理并调用服务端的创建文件夹的方法！

代码实现：

1. 创建 RPC 协议

   

2. 创建 RPC 服务端

   

3. 创建 RPC 客户端

   

4. 运行结果

   • 启动服务端，可以看到控制台输出：server start work！
   • 启动客户端，可以看到客户端控制台输出：client，服务端控制台输出：server，create path。

通过上述简易 Demo 可知：通信协议其实就是接口规范，客户端和服务端都需要遵守这个规范；客户端调用通信协议方法，方法最终在服务端执行，并对用户程序是完全透明的。

3.YARN 工作调度流程

当用户向 YARN 集群中提交一个 MR 程序后，可以分成 2 个大的阶段：

• 首先，启动 ApplicationMaster
• 其次，ApplicationMaster 创建应用程序，并为该应用程序申请资源，监控它的运行状态，直到运行完成。

为了更好的理解 YARN 的工作流程，下面以 MapReduce 计算框架为例，通过提交一个 WordCount 应用程序，来全面解析 YARN 的工作机制。其运行流程如图所示：

yarn 的调度流程

在 YARN 提交一个作业，其整个过程可以分为三大阶段：作业提交、作业初始化、任务分配与运行。

3.1作业提交

1. 用户在 client 端提交并运行一个应用程序，其中包括启动 AM 的命令、ApplicationMaster 程序和用户程序；
2. YarnRunner 向 RM 申请一个 Application，同时 RM 返回该 应用程序的资源路径和 Application_id 给 YarnRunner；
3. client 将运行该程序所需要的资源（ 切片信息、配置文件、jar包）提交到 HDFS 上指定的路径；
4. 资源提交完毕，向 RM 申请运行 ApplicationMaster；

3.2作业初始化

1. RM 将 client （可能会有多个）请求初始化成一个 Task，将该任务放入调度器中；
2. RM 与某一个空闲的 NM 通信，并下发该任务，该 NM 为该应用程序分配第一个 Container，在这个 Container 中启动 ApplicationMaster；
3. Container 从 HDFS 上拷贝资源到本地；

3.3任务分配与运行

1. AM 先向 RM 注册，这样用户便可以直接通过 RM 查看应用程序的运行状态，之后，AM 采用轮询的方式通过 RPC 协议向 RM 申请和领取资源，运行 MapTask ；
2. RM 将 MapTask 任务分配给另外几个 NodeManager，NodeManager 创建容器；
3. AM 与收到任务的 NM 通信，并发送程序启动脚本，要求其启动任务；
4. ApplicationMaster 等待所有的 MapTask 运行完毕后（假设形成0、1两个分区），向 RM 申请 Container 运行 ReduceTask；
5. Reduce 向 Map 获取属于自己分区的数据进行计算；（如：Reduce Task 0 获取所有节点上 0 分区的数据）
6. 程序计算结束后，ApplicationMaster 向 ResourceManager 注销自己。

4.总结

本文主要阐述了 YARN 的基本架构与组成，各组件间的通信协议，YARN 的工作调度流程。

了解 YARN 的基本架构，可以帮助我们在开发工作中更好的定位问题，而通信协议规范了各个组件间的接口规范。在全作业提交流程中，揭开了各个组件间是如何协作完成一次任务运行的。

本文是 YARN 的基础篇，并未考虑深入到各个组件内的源码剖析！若有不当之处，敬请广大读者指正。

好了，今天的文章如果对你有用，请点赞、在看及分享！关于更多大数据知识，微信搜公众号：【小林玩大数据】