一、什么是 yarn
yarn 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。
二、yarn 的基础架构
- ResourceManager(RM)作用:
- 处理客户端请求
- 监控 NodeManager
- 启动或监控 ApplicationMaster
- 资源的分配与调度
- NodeManager(NM)作用:
- 管理单个节点上的资源
- 处理来自 ResourceManager 的命令
- 处理来自 ApplicationMaster 的命令
- ApplicationMaster(AM)作用:
- 为应用程序申请资源并分配给内部的任务
- 任务的监控与容错
- Container 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
三、yarn 的工作机制
- MR 程序提交到客户端所在的节点,实例化 YarnRunner
- YarnRunner 向 ResourceManager 申请一个 Application
- RM 将该应用程序的资源路径返回给 YarnRunner
- 该程序将运行所需资源提交到 HDFS 对应路径上
- 程序资源提交完毕后,申请运行 MRAppMaster
- RM 将用户的请求初始化成一个 Task,并放入调度队列中等待被处理
- 其中一个 NodeManager 领取到 Task 任务
- 该 NodeManager 创建容器 Container,并产生 MRAppmaster
- Container 从 HDFS 对应路径上拷贝资源到本地
- MRAppmaster 向 RM 申请运行 MapTask 资源
- RM 将运行 MapTask 任务分配给另外两个 NodeManager(或一个), 另两个 NodeManager 分别领取任务并创建容器
- 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
- MrAppMaster 等待所有 MapTask 运行完毕后,向 RM 申请容器, 运行 ReduceTask
- ReduceTask 向 MapTask 获取相应分区的数据
- 程序运行完毕后,MR 会向 RM 申请注销资源
四、yarn 与 HDFS 和 MapReduce 交互
- 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 ResourceManager 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 HDFS 资源提交路径
- 第 5 步:Client 提交完资源后,向 RM 申请运行 MrAppMaster
- 作业初始化
- 第 6 步:当 RM 收到 Client 的请求后,将该 job 添加到容量调度器队列中
- 第 7 步:某一个空闲的 NodeManager 领取到该 Job 任务
- 第 8 步:该 NM 创建 Container,并产生 MRAppmaster
- 第 9 步:下载 Client 提交的资源到 NM 节点本地
- 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
- 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
- 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
- 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