1. 概要
Drill是Apache旗下的一个开源SQL查询引擎,可用于探索大数据。它的设计初衷是为了支持对大数据的高性能分析,同时支持行业标准查询语言ANSI SQL。
在Drill 1.13之前,Drill只支持独立集群部署,部署成功后每个节点上会运行一个名为Dirllbit的守护进程。从1.13版本开始,Drill支持与YARN集成来管理资源。使用YARN后,Drill将成为一个运行在YARN上的长进程。当您启动Drill时,YARN会自动将Drill软件部署到每个节点上,避免了在每个节点上安装Drill的繁琐。除此之外,资源管理也会得到简化,因为YARN对于Drill使用的资源是敏感的。
目前所有YARN发行版都提供了内存和CPU(YARN称为“vcores”)的设置,某些发行版还提供磁盘的设置。对于内存,在把Drill部署在YARN上的时候,你会配置Drill要使用的内存,然告知YARN。此外,Drill将使用所有可用的磁盘和CPU,当然可以启用Linux cgroup来限制Drill对CPU使用的,以到匹配YARN的vcores分配。
为了方便讲解在YARN下部署Drill,先简单介绍YARN的核心概念。
2. YARN核心概念
YARN全称是Yet Another Resource Negotiator(另一种资源协调者),是一种新的Hadoop资源管理器,它是一个通用资源管理系统,可为上层应用提供统一的资源管理和调度。
2.1 核心组件
- ResurceManager(RM):一个全局的资源管理器,负责整个系统的资源管理和分配。它主要由两个组件构成:调度器(Scheduler)和应用程序管理器(Applications Manager,ASM)。
- ApplicationMaster(AM):用户提交的每个应用程序均包含一个AM,主要功能包括
- 与RM调度器协商以获取资源(以Container表示)
- 与NM通信以启动/停止任务
- 监控所有任务运行状态,并在任务失败时重新为任务申请资源以重启任务
- Container :Container是YARN中的资源抽象,它封装了某个节点上的多维资源,如CPU、内存、磁盘、络等。当AM向RM申请资源时,RM向AM返回的资源便是用Container表示的。YARN会为每个任务分配一个Container,且该任务只能使用该Container中描述的资源。Container是一个动态资源划分单位,是根据应用程序的需求自动生成的。
- NodeManager(NM) :NM是每个节点上的资源和任务管理器。一方面,它定时地向RM汇报本节点的资源使用情况和Container运行状态;另一方面,它接受并处理来自AM的Container启动/停止等各种请求。
- 客户端(Client):是集群中一个能向RM提交应用的实例,并且指定了执行应用所需要的AM类型。
2.2 YARN工作流程
当用户向YARN中提交一个任务后,YARN将分两个阶段运行该任务:第一阶段是启动AM。第二阶段是由AM创建任务,为它申请资源,并监控它的整个运行过程,直到运行完成。具体如下:
- 用户向YARN中提交任务,其中包括AM程序、启动AM的命令等。
- RM为该应用程序分配第一个Container,通常称为001,并与对应的NM通信,要求它在这个Container中启动应用程序的AM。
- AM首先RM注册,这样用户就可以直接通过RM查看任务的运行状态,然后它将为各个任务申请资源,并监控它的运行状态,直到运行结束,即重复步骤4~7。
- AM采用轮询的方式通过RPC协议向RM申请和领取资源。
- 一旦AM申请到资源后,便与对应的NM通信,要求它启动任务。
- NM为任务设置好运行环境(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。
- 各个任务通过RPC协议向AM汇报自己的状态和进度,以让AM随时掌握各个任务的运行状态,从而可以在任务失败时重新启动任务。
- 应用程序运行完成后,AM向RM注销并关闭自己。
2.3 如何编写YARN应用程序
- 编写客户端
- 初始化并启动一个YarnClient
// 初始化并启动一个YarnClient
Configuration yarnConfig = new YarnConfiguration(getConf());
YarnClient client = YarnClient.createYarnClient();
client.init(yarnConfig);
client.start();
...
- 创建一个应用程序
// 创建一个应用程序
YarnClientApplication app = client.createApplication();
GetNewApplicationResponse appResponse = app.getNewApplicationResponse();
...
- 设置上下文
// 设置应用程序提交上下文
ApplicationSubmissionContext appContext = app.getApplicationSubmissionContext();
appContext.setApplicationId(appResponse.getApplicationId());
appContext.setApplicationName(config.getProperty("app.name"));
appContext.setApplicationType(config.getProperty("app.type"));
...
// 设置am container启动上下文
ContainerLaunchContext amContainer = Records.newRecord(ContainerLaunchContext.class);
amContainer.setLocalResources(amLocalResources);
amContainer.setEnvironment(amEnvironment);
amContainer.setCommands(Collections.singletonList(amCommand.toString()));
...
- 提交应用程序
// 提交应用程序
client.submitApplication(appContext);
- 编写ApplicationMaster(AM)
- 初始化AMRMClient,有同步和异步可选
// 初始化AMRMClientAsync
YarnConfiguration yarnConfig = new YarnConfiguration();
AMRMClientAsync amrmClientAsync = AMRMClientAsync.createAMRMClientAsync(5000, new AMRMCallbackHandler());
amrmClientAsync.init(yarnConfig);
amrmClientAsync.start();
- 初始化NMClient,有同步和异步可选
// 初始化NMClientAsync
YarnConfiguration yarnConfig = new YarnConfiguration();
NMClientAsync nmClientAsync = NMClientAsync.createNMClientAsync(new NMCallbackHandler());
nmClientAsync.init(yarnConfig);
nmClientAsync.start();
- 注册ApplicationMaster(AM)
// 注册ApplicationMaster(AM)
amrmClientAsync.registerApplicationMaster(thisHostName, 0, "");
...
- 添加ContainerRequest
// 添加ContainerRequest
amrmClientAsync.addContainerRequest(containerRequest);
...
- 启动容器
// 启动容器
nmClientAsync.startContainerAsync(container, containerContext);
...
- 注销
// 注销
amrmClientAsync.unregisterApplicationMaster(appStatus, appMessage, null);
这里只是简单介绍了YARN的概念,以及如何编写YARN应用程序,详情可以参考Apache Hadoop YARN
3. Drill-on-YARN部署
3.1 Drill-on-YARN组件
- Drill发行包: Drill-on-YARN上传此发行包至分布式文件系统(如HDFS)。YARN下载它到每个工作节点(即是Node Manager所在的节点)
- Drill site目录: 一个包含Drill配置问和自定义jar包的目录。Drill-on-YARN会拷贝它至每个工作节点
- **配置:**一个用于告知Drill-on-YARN如何管理Drill集群的配置文件。这个文件和drill本身的配置文件互相独立
- Drill-on-YARN client: Drill-on-YARN客户端,提供了启动、停止、监控等命令
- **Drill Application Master (AM):**用于和YARN交互,包括:请求资源、启动Drillbits等。AM还提供了web界面用于管理Drill集群
- Drillbit: 运行在每个节点的Drill守护进程
3.2. 部署步骤
YARN通过客户端来启动应用程序。对于Drill来说,就是Drill-on-YARN客户端了。客户端可以在任何机器上,只要该机器同时有Drill和Hadoop软件。使用YARN部署Drill时,您只需要在客户端计算机上安装Drill,Drill-on-YARN会自动部署到其它节点。需要注意的是,当你不使用YARN部署Drill时,一般会将其配置文件和自定义代码放在Drill的目录中,但是在YARN下运行时,建议所有配置和自定义代码都会放在一个名为site的目录中,勿改变Drill目录中的任何内容。
接下来详细说明部署步骤:
-
部署的环境
- JDK8+
- Zookeeper集群
- Hadoop集群
关于jdk、zookeeper、hadoop的部署,不做赘述了,记得设置JAVA_HOME、HADOOP_HOME
-
创建一个目录,用于放置下载好的Drill发行包
export DRILL_DIR=/path/to/drill mkdir -p $DRILL_DIR cd $DRILL_DIR
说明:执行完上面的命令后,所处的目录为/path/to/drill
-
下载Drill发行包,这里使用apache-drill-1.14.0.tar.gz,下载完后解压,再次强调,目前所处的目录为/path/to/drill
export DRILL_NAME=apache-drill-1.14.0 tar -xzf $DRILL_NAME.tar.gz export DRILL_HOME=$DRILL_DIR/$DRILL_NAME
说明:DRILL_NAME很重要,后面启动的时候和名字有关系
-
创建site目录,并把配置文件和自定义代码放置在其中
export DRILL_SITE=$DRILL_DIR/site mkdir -p $DRILL_SITE cp $DRILL_HOME/conf/drill-override-example.conf $DRILL_SITE/drill-override.conf cp $DRILL_HOME/conf/drill-on-yarn-example.conf $DRILL_SITE/drill-on-yarn.conf cp $DRILL_HOME/conf/drillenv.sh $DRILL_SITE
说明:
- 对于自定义代码,一般都是打成jar包,放置在$DRILL_SITE/jars。比如自定义的udf,可以放在$DRILL_SITE/jars/3rdparty
- 不要拷贝drill-override-example.conf整个文件,仅仅拷贝需要的配置,然后进行修改
-
修改$DRILL_SITE/drill-override.conf 一般情况下,可能需要修改的配置有:cluster-id、zk、http、rpc。此处,我只修改cluster-id和zk
drill.exec: { cluster-id: "drillbits1" zk: { connect: "11.167.47.76:2181,11.167.57.229:2181,11.167.67.151:2181", root: "drill", refresh: 500, timeout: 5000, retry: { count: 7200, delay: 500 } } }
-
修改$DRILL_SITE/drill-on-yarn.conf
# Drillbit资源配置 drillbit: { heap: "4G" # Java heap size max-direct-memory: "8G" memory-mb: 12288 # 单位MB,container使用的内存,一般来说等于heap+max-direct-memory,但是建议大于这个值 vcores: 4 # cpu个数 } # Drillbit集群组配置 cluster: [ { name: "mypool" type: "basic" # 可选的有basic和labeled,basic表示在YARN集群上任意可用的container上启动drillbits;labeled在一组特定labeled的容器中启动drillbits count: 1 # 启动的YARN容器个数 } ] # 配置drill发行包所在的位置 drill-install: { client-path: "/path/to/drill/apache-drill-1.14.0.tar.gz" # dir-name: "drill" } # 设置分布式文件系统位置 dfs: { connection: "hdfs://ip:port/" dir: "/user/drill" } # Drill-on-YARN Web界面配置 drill.yarn:{ http: { port: 8048 } } # Drill-on-YARN Web界面安全配置 drill.yarn.http: { auth-type: "simple" user-name: "drill" // 注意,drill-on-yan-example.conf默认是user_name,这是错误的,要改成user-name password: "drill" }
说明:
- 关于Drillbit资源配置中的heap和max-direct-memory,在非YARN下部署,是修改$DRILL_HOME/conf/drillenv.sh文件,但是在YARN下部署,是修改$DRILL_SITE/drill-on-yarn.conf。但是,如果你已经在drillenv.sh配置了,则drillenv.sh优先。
- Drillbit集群组配置,虽然是个list,但目前只支持配置一个
- dir-name特别说明,当你client-path解压出来的文件,目录是apache-drill-1.14.0时,不需要配置dir-name,反之如果不是,请把解压出来的文件目录名配上
- Web界面安全配置的auth-type支持simple和drill两种,使用simple,需要指定用户名和密码,使用drill说明用drill的认证系统
附上完整的配置
drill.yarn: { app-name: "Drill-on-YARN" dfs: { connection: "hdfs://11.162.91.196:9000/" app-dir: "/users/drill" } yarn: { queue: "default" } drill-install: { client-path: "/home/admin/drill/apache-drill-1.14.0.tar.gz" # dir-name: "drill" # library-path: "/opt/libs" } am: { heap: "450M" memory-mb: 512 # node-label-expr: "drill-am" } http: { port: 8048 # ssl-enabled: true auth-type: "simple" user-ame: "drill" password: "drill" rest-key="" } drillbit: { heap: "3G" max-direct-memory: "1G" code-cache: "1G" memory-mb: 4096 vcores: 2 # disks: 3 classpath: "" } cluster: [ { name: "drill-group1" type: "basic" count: 3 } ] }
-
启动
$DRILL_HOME/bin/drill-on-yarn.sh --site $DRILL_SITE start
接下来,就会看到启动日志
Connecting to DFS... Connected. Using existing Drill archive in DFS: /users/drill/apache-drill-1.14.0.tar.gz Uploading site directory /home/admin/drill/apache-drill-1.14.0/bin/../../site to /users/drill/site.tar.gz ... Uploaded. Loading YARN Config... Loaded. Application ID: application_1533475543014_0005 Launching Drill-on-YARN....................... Tracking URL: http://dtshow011162091196.zth:8088/proxy/application_1533475543014_0005/ Application Master URL: http://11.163.210.105:8048/
从上面的命令可以看到,会首先把apache-drill-1.14.0.tar.gz和site目录打成的site.tar.gz上传至HDFS,然后加载YARN的配置,最后启动Drill
除了启动命令外,drill-on-yarn.sh还提供了status、stop、resize、clean命令,比如status
Application ID: application_1533475543014_0005 Application State: RUNNING Host: dtshow011163210105.zth/11.163.210.105 Queue: default User: admin Start Time: 2018-08-19 20:51:55 Application Name: Drill-on-YARN Tracking URL: http://dtshow011162091196.zth:8088/proxy/application_1533475543014_0005/ AM State: LIVE Target Drillbit Count: 3 Live Drillbit Count: 3 Unmanaged Drillbit Count: 0 Blacklisted Node Count: 0 Free Node Count: 0 For more information, visit: http://11.163.210.105:8048/
启动成功后,便可以访问http://11.163.210.105:8048/,效果如下图:
用户名和密码就是之前配置的drill、drill,除此之外,此页面提供了如下功能:
- 集群状态总览
- 完整的启动配置
- 正在运行的Drillbits列表
- 简单的操作来调整集群
- 一个展示停止的、被kill的、失败的Drillbits历史页面,可以用它来诊断问题
至此,你已经成功的把Drill部署在YARN上面了,同样可以通过访问Drill的Web UI来执行查询测试,效果如下图:
4. 总结
相对于独立集群部署,Drill-on-YARN简化了Drill的部署,此外也容易升级和对新功能测试。其次,YARN作为资源协调者,也相对简化了Drill的资源管理,因为在启动Drill时,YARN已经知道Drill可能会使用的资源,后续有其他任务提交到YARN集群时,会对Drill的这部分资源比较敏感,防止过度分配给其他的任务。