hadoop2.x-mapreduce

1.5 Hadoop2.x
1.5.1 架构

• MRv2：On YARN
– YARN：解耦资源与计算
• ResourceManager
– 主，核心
– 集群节点资源管理
• NodeManager
– 与RM汇报资源
– 管理Container生命周期
– 计算框架中的角色都以Container表示
• Container：【节点NM，CPU,MEM,I/O大小，启动命令】
– 默认NodeManager启动线程监控Container大小，超出申请资源额度，kill
– 支持Linux内核的Cgroup
– MR ：
• MR-ApplicationMaster-Container
– 作业为单位，避免单点故障，负载到不同的节点
– 创建Task需要和RM申请资源（Container）
• Task-Container
– Client：
• RM-Client：请求资源创建AM
• AM-Client：与AM交互
YARN
– YARN：Yet Another Resource Negotiator；
– Hadoop 2.0新引入的资源管理系统，直接从MRv1演化而来的；
– 核心思想：将MRv1中JobTracker的资源管理和任务调度两个功能分开，分别由ResourceManager和ApplicationMaster进程实现
– ResourceManager：负责整个集群的资源管理和调度
– ApplicationMaster：负责应用程序相关的事务，比如任务调度、任务监控和容错等
– YARN的引入，使得多个计算可运行在一个集群中
– 每个job对应一个ApplicationMaster
– 目前多个计算框架可以运行在YARN上，比如MapReduce、Spark、Storm等

MapReduce On YARN：MRv2
– 将MapReduce作业直接运行在YARN上，而不是由JobTracker和TaskTracker构建的MRv1系统中
– 基本功能模块
– YARN：负责资源管理和调度
– MRAppMaster：负责任务切分、任务调度、任务监控和容错等
– MapTask/ReduceTask：任务驱动引擎，与MRv1一致
– 每个MapRduce作业对应一个MRAppMaster
– MRAppMaster任务调度
– YARN将资源分配给MRAppMaster
– MRAppMaster进一步将资源分配给内部的任务
– MRAppMaster容错
– 失败后，由YARN重新启动
– 任务失败后，MRAppMaster重新申请资源

1.5.2 MR执行流程

一． 作业提交：

1. 提交作业job后，job.waitForCompletion（true）调用monitorAndPrintJob()方法每秒轮询作业进度，如果发现自上次报告后有改变，便把进度报告给控制台。Job的submit()方法创建一个内部的JobSubmitter实例，并调用其submitJobInternal方法（步骤1）。作业完成后，如果成功，就显示计数器；如果失败，这将导致作业失败的错误记录到控制台。

JobSubmitter所实现的作业提交过程如下所述：
2. 向资ResourceManager源管理器请求一个新作业的ID，用于MapReduce作业ID。
3. 作业客户端检查作业的输出说明，计算输入分片splits并将作业资源（包括作业Jar包、配置文件和分片信息）复制到HDFS
4. 通过调用资源管理器上的submitApplication（）方法提交作业

二． 作业初始化
5. 资源管理器ResourceManager收到调用他的submitApplication（）消息后，便将请求传递给调度器（scheduler）。调度器分配一个容器（Container），然后资源管理器在节点管理器（NodeManager）的管理下载容器中启动应用程序的master进程（步骤5a和5b）
6. MapReduce作业的application master是一个Java应用程序，它的主类是MRAppMaster。它对作业进行初始化：通过创建多个簿记对象以保持对作业进度的跟踪，因为它将接受来自任务的进度和完成报告（步骤6）。

7. 接下来，它接受来自共享文件系统的在客户端计算的输入分片（步骤7）。对每一个分片创建一个map任务对象以及由mapreduce. job.reduces属性确定的多个reduce任务对象。

三． 任务分配
8. AppMaster为该作业中的所有map任务和reduce任务向资源管理器请求容器。

四． 任务执行
9. 一旦资源管理器的调度器为任务分配了容器，AppMaster就通过与节点管理器NodeManager通讯来启动容器（步骤9a和9b）。
10. 该任务由主类为YarnChild的Java应用程序执行。在它允许任务之前，首先将任务需要的资源本地化，包括作业的配置、JAR文件和所有来自分布式缓存的文件.
11. 最后运行map任务或reduce任务。

五． 进度和状态更新
在YARN下运行时，任务每3秒钟通过umbilical接口向APPMaster汇报进度和状态。客户端每一秒钟（通过mapreduce.client.
Progressmonitor.pollinterval设置）查询一次AppMaster以接收进度更新，通常都会向用户显示。

六． 作业完成
除了向AppMaster查询进度外，客户端每5秒还通过调用Job的waitForCompletion()来检测作业是否完成。查询的间隔可以通过mapreduce.client.completion.pollinterval属性进行设置。作业完成后，AppMaster和任务容器清理器工作状态。