一、概述:
Apache Hadoop YARN(Yet Another Resource Negotiator)是Hadoop的子项目,为分离Hadoop2.0资源管理和计算组件而引入,是一个资源调度平台,负责为运算程序提供服务器运算资源,相当于一个分布式的操作系统平台,而Mapreduce等运算程序则相当于运行于操作系统之上的应用程序。
关于Yarn,有几点需要明白的是:
- 1)实际上,Yarn并不清楚用户所提交程序的运行机制是什么;
- 2)Yarn只负责提供运算资源的调度(用户程序向Yarn申请资源,Yarn就负责分配资源);
- 3)Yarn中的主管角色是ResourceManager,而具体提供运算资源的角色是NodeManager;
- 4)Yarn框架与运行的用户程序完全解耦,这就意味着在Yarn上面可以运行各种类型的分布式运算程序(Mapreduce只是其中的一种),比如mapreduce、storm程序,spark程序……;
- 5)Spark、Storm等运算框架都可以整合在Yarn上运行,只要他们各自的框架中有符合Yarn规范的资源请求机制即可;
- 6)Yarn就是一个通用的资源调度平台,企业中以前存在的各种运算集群都可以整合在一个物理集群上,提高资源利用率,方便数据共享。
二、架构组件
类似HDFS,YARN也是经典的主从(master/slave)架构
YARN主要由ResourceManager、NodeManager、ApplicationMaster和Container等组件构成,各组件的作用如下图所示:
1、ResourceManager
ResourceManager是YARN中主的角色
RM是一个全局的资源管理器,集群只有一个active的对外提供服务
- 负责整个系统的资源管理和分配
- 包括处理客户端请求
- 启动/监控 ApplicationMaster
- 监控 NodeManager、资源的分配与调度
它主要由两个组件构成: - 调度器(Scheduler)
- 应用程序管理器(Applications Manager,ASM)
调度器Scheduler:
- 调度器根据队列、容量等限制条件(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。
- 需要注意的是,该调度器是一个“纯调度器”
- 它不从事任何与具体应用程序相关的工作,比如不负责监控或者跟踪应用的执行状态等,也不负责重新启动因应用执行失败或者硬件故障而产生的失败任务,这些均交由应用程序相关的ApplicationMaster完成。
- 调度器仅根据各个应用程序的资源需求进行资源分配,而资源分配单位用一个抽象概念“资源容器”(Resource Container,简称Container)表示,Container是一个动态资源分配单位,它将内存、CPU、磁盘、网络等资源封装在一起,从而限定每个任务使用的资源量。
应用程序管理器Applications Manager,ASM:
- 应用程序管理器主要负责管理整个系统中所有应用程序
- 接收job的提交请求
- 为应用分配第一个 Container 来运行 ApplicationMaster
- 包括应用程序提交
- 与调度器scheduler协商资源以启动 ApplicationMaster
- 监控 ApplicationMaster 运行状态并在失败时重新启动它等
2、NodeManager
NodeManager 是YARN中的 slave角色
NodeManager :
- 当一个节点启动时,它会向 ResourceManager 进行注册并告知 ResourceManager 自己有多少资源可用。
- 每个计算节点,运行一个NodeManager进程,通过心跳(每秒 yarn.resourcemanager.nodemanagers.heartbeat-interval-ms )上报节点的资源状态(磁盘,内存,cpu等使用信息)
功能: - 接收及处理来自 ResourceManager 的命令请求,分配 Container 给应用的某个任务;
- NodeManager 监控本节点上的资源使用情况和各个 Container 的运行状态(cpu和内存等资源)
- 负责监控并报告 Container 使用信息给 ResourceManager。
- 定时地向RM汇报以确保整个集群平稳运行,RM 通过收集每个 NodeManager 的报告信息来追踪整个集群健康状态的,而 NodeManager 负责监控自身的健康状态;
- 处理来自 ApplicationMaster 的请求;
- 管理着所在节点每个 Container 的生命周期;
管理每个节点上的日志; - 在运行期,通过 NodeManager 和 ResourceManager 协同工作,这些信息会不断被更新并保障整个集群发挥出最佳状态。
- NodeManager 只负责管理自身的 Container,它并不知道运行在它上面应用的信息。负责管理应用信息的组件是 ApplicationMaster
3、Container
Container 是 YARN 中的资源抽象
- YARN以Container为单位分配资源
- 它封装了某个节点上的多维度资源,如内存、CPU、磁盘、网络等
- 当 AM 向 RM 申请资源时,RM 为 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 中指定数量的资源。
Container 和集群NodeManager节点的关系是: - 一个NodeManager节点可运行多个 Container
- 但一个 Container 不会跨节点。
- 任何一个 job 或 application 必须运行在一个或多个 Container 中
- 在 Yarn 框架中,ResourceManager 只负责告诉 ApplicationMaster 哪些 Containers 可以用
- ApplicationMaster 还需要去找 NodeManager 请求分配具体的 Container。
需要注意的是: - Container 是一个动态资源划分单位,是根据应用程序的需求动态生成的
- 目前为止,YARN 仅支持 CPU 和内存两种资源,且使用了轻量级资源隔离机制 Cgroups 进行资源隔离。
功能: - 对task环境的抽象;
- 描述一系列信息;
- 任务运行资源的集合(cpu、内存、io等);
- 任务运行环境
4、ApplicationMaster
功能:
- 获得数据分片;
- 为应用程序申请资源并进一步分配给内部任务(TASK);
- 任务监控与容错;
- 负责协调来自ResourceManager的资源,并通过NodeManager监视容器的执行和资源使用情况。
ApplicationMaster 与 ResourceManager 之间的通信:
- 是整个 Yarn 应用从提交到运行的最核心部分,是 Yarn 对整个集群进行动态资源管理的根本步骤
- application master周期性的向resourcemanager发送心跳,让rm确认appmaster的健康
- Yarn 的动态性,就是来源于多个Application 的 ApplicationMaster 动态地和 ResourceManager 进行沟通,不断地申请、释放、再申请、再释放资源的过程。
5、JobHistoryServer
作业历史服务:记录在yarn中调度的作业历史运行情况,可以通过历史任务日志服务器来查看hadoop的历史任务,出现错误都应该第一时间来查看日志日志。
配置历史服务jobhistoryserver:
第一步:修改mapred-site.xml
node01执行以下命令修改mapred-site.xml
cd /xsluo/install/hadoop-2.6.0-cdh5.14.2/etc/hadoop
vim mapred-site.xml
增加如下内容:
<property>
<name>mapreduce.jobhistory.address</name>
<value>node01:10020</value>
</property>
<property>
<name>mapreduce.jobhistory.webapp.address</name>
<value>node01:19888</value>
</property>
注意:如果已经存在以上两项配置,那么就不需要再进行配置了。
第二步:修改yan-site.xml
cd /xsluo/install/hadoop-2.6.0-cdh5.14.2/etc/hadoop
vim yarn-site.xml
增加内容:
<property>
<name>yarn.log-aggregation-enable</name>
<value>true</value>
</property>
<!-- 多长时间聚合删除一次日志 此处 -->
<property>
<name>yarn.log-aggregation.retain-seconds</name>
<value>2592000</value><!--30 day-->
</property>
<!-- 时间在几秒钟内保留用户日志。只适用于如果日志聚合是禁用的 -->
<property>
<name>yarn.nodemanager.log.retain-seconds</name>
<value>604800</value><!-- 7 day -->
</property>
<!-- 指定文件压缩类型用于压缩汇总日志 -->
<property>
<name>yarn.nodemanager.log-aggregation.compression-type</name>
<value>gz</value>
</property>
<!-- nodemanager本地文件存储目录 -->
<property>
<name>yarn.nodemanager.local-dirs</name>
<value>/xsluo/install/hadoop-2.6.0-cdh5.14.2/hadoopDatas/yarn/local</value>
</property>
<!-- resourceManager 保存最大的任务完成个数 -->
<property>
<name>yarn.resourcemanager.max-completed-applications</name>
<value>1000</value>
</property>
第三步:将修改后的文件同步到其他机器上面去
node01服务器执行以下命令,将修改后的文件同步发送到其他服务器上面去
cd /xsluo/install/hadoop-2.6.0-cdh5.14.2/etc/hadoop
scp mapred-site.xml yarn-site.xml node02:$PWD
scp mapred-site.xml yarn-site.xml node03:$PWD
第四步:重启yarn以及jobhistory服务
node01执行以下命令重启yarn
cd /xsluo/install/hadoop-2.6.0-cdh5.14.2
sbin/start-yarn.sh
启动jobhistory服务
在yarn-site.xml中如下属性指定的节点上,运行命令启动
cd /xsluo/install/hadoop-2.6.0-cdh5.14.2
sbin/mr-jobhistory-daemon.sh start historyserver
- 启动成功后会出现JobHistoryServer进程(使用jps命令查看,下面会有介绍)
- 并且可以从19888端口进行查看日志详细信息
node01:19888
点击链接,查看job日志
如果没有启动jobhistoryserver,无法查看应用的日志
打开如下图界面,在下图中点击History,页面会进行一次跳转
点击History之后 跳转后的页面如下图是空白的,因为没有启动jobhistoryserver
jobhistoryserver启动后,在此运行MR程序,如wordcount
点击History连接,跳转一个赞新的页面
- TaskType中列举的map和reduce,Total表示此次运行的mapreduce程序执行所需要的map和reduce的任务数
点击TaskType列中Map连接
看到map任务的相关信息比如执行状态,启动时间,完成时间。
- 可以使用同样的方式我们查看reduce任务执行的详细信息,这里不再赘述.
- jobhistoryserver就是进行作业运行过程中历史运行信息的记录,方便我们对作业进行分析.
6、Timeline Server
用来写日志服务数据 , 一般来写与第三方结合的日志服务数据(比如spark等)
它是对jobhistoryserver功能的有效补充,jobhistoryserver只能对mapreduce类型的作业信息进行记录
它记录除了jobhistoryserver能够对作业运行过程中信息进行记录之外,还记录更细粒度的信息,比如任务在哪个队列中运行,运行任务时设置的用户是哪个用户。
根据官网的解释jobhistoryserver只能记录mapreduce应用程序的记录,timelineserver功能更强大,但不是替代jobhistory两者是功能间的互补关系
官网链接地址
三、Yarn应用运行原理
1、YARN应用提交过程
Application在Yarn中的执行过程,整个执行过程可以总结为三步:
- 应用程序提交
- 启动应用的ApplicationMaster实例
- ApplicationMaster 实例管理应用程序的执行
具体提交过程为:
- 客户端程序向 ResourceManager 提交应用,并请求一个 ApplicationMaster 实例;
- ResourceManager 找到一个可以运行一个 Container 的 NodeManager,并在这个 Container 中启动 ApplicationMaster 实
- ApplicationMaster 向 ResourceManager 进行注册,注册之后客户端就可以查询 ResourceManager 获得自己 ApplicationMaster 的详细信息,以后就可以和自己的 ApplicationMaster 直接交互了(这个时候,客户端主动和 ApplicationMaster 交流,应用先向 ApplicationMaster 发送一个满足自己需求的资源请求);
- ApplicationMaster 根据 resource-request协议 向 ResourceManager 发送 resource-request请求;
- 当 Container 被成功分配后,ApplicationMaster 通过向 NodeManager 发送 container-launch-specification信息来启动Container,container-launch-specification信息包含了能够让Container 和 ApplicationMaster 交流所需要的资料;
- 应用程序的代码以 task 形式在启动的 Container 中运行,并把运行的进度、状态等信息通过 application-specific协议 发送给ApplicationMaster;
- 在应用程序运行期间,提交应用的客户端主动和 ApplicationMaster 交流获得应用的运行状态、进度更新等信息,交流协议也是 application-specific协议;
- 应用程序执行完成并且所有相关工作也已经完成,ApplicationMaster 向 ResourceManager 取消注册然后关闭,用到所有的 Container 也归还给系统。
2、MapReduce on YARN
如下图所示:
作业提交全过程详解:
(1)作业提交
- 第1步:Client调用job.waitForCompletion方法,向整个集群提交MapReduce作业。
- 第2步:Client向RM申请一个作业id。
- 第3步:RM给Client返回该job资源的提交路径和作业id。
- 第4步:Client提交jar包、切片信息和配置文件到指定的资源提交路径。
- 第5步:Client提交完资源后,向RM申请运行MrAppMaster。
(2)作业初始化
- 第6步:当RM收到Client的请求后,将该job添加到容量调度器(默认)中。
- 第7步:某一个空闲的NM领取到该Job。
- 第8步:该NM创建Container,并产生MRAppmaster。
- 第9步:下载Client提交的资源到本地。
(3)任务分配
- 第10步:MrAppMaster向RM申请运行多个MapTask任务资源。
- 第11步:RM将运行MapTask任务分配给另外两个NodeManager,另两个NodeManager分别领取任务并创建容器。
(4)任务运行
- 第12步:MR向两个接收到任务的NodeManager发送程序启动脚本,这两个NodeManager分别启动MapTask,MapTask对数据分区排序。
- 第13步:MrAppMaster等待所有MapTask运行完毕后,向RM申请容器,运行ReduceTask。
- 第14步:ReduceTask向MapTask获取相应分区的数据。
- 第15步:程序运行完毕后,MR会向RM申请注销自己。
(5)进度和状态更新
- YARN中的任务将其进度和状态(包括counter)返回给应用管理器,
客户端每秒(通过mapreduce.client.progressmonitor.pollinterval设置)向应用管理器请求进度更新,
展示给用户。
(6)作业完成
- 除了向应用管理器请求作业进度外,
客户端每5秒都会通过调用waitForCompletion()来检查作业是否完成。时间间隔可以通过mapreduce.client.completion.pollinterval来设置。作业完成之后,应用管理器和Container会清理工作状态。作业的信息会被作业历史服务器存储以备之后用户核查。
3、Yarn应用生命周期
- RM: Resource Manager
- AM: Application Master
- NM: Node Manager
1)Client向RM提交应用,包括AM程序及启动AM的命令。
2)RM为AM分配第一个容器,并与对应的NM通信,令其在容器上启动应用的AM。
3)AM启动时向RM注册,允许Client向RM获取AM信息然后直接和AM通信。
4)AM通过资源请求协议,为应用协商容器资源。
5)如容器分配成功,AM要求NM在容器中启动应用,应用启动后可以和AM独立通信。
6)应用程序在容器中执行,并向AM汇报。
7)在应用执行期间,Client和AM通信获取应用状态。
8)应用执行完成,AM向RM注销并关闭,释放资源。
申请资源->启动appMaster->申请运行任务的container->分发Task->运行Task->Task结束->回收container