大数据笔记--Hadoop（第六篇）

目录

一、YARN

1、概述

2、YARN的结构

二、YARN的执行流程

三、ResourceScheduler-资源调度器

1、FIFO(先进先出)

2、Capacity(资源容量)

3、Fair(公平资源)

四、完全分布式结构

1、结构

2、常见问题 

3、添加节点

五、Federation HDFS-联邦HDFS

1、当前HDFS架构的弊端

2、联邦HDFS

---

一、YARN

1、概述

①、YARN(Yet Another Resource Negotiator - 迄今另一个资源调度器) - 负责任务管理和资源调度

②、YARN是Hadoop2.X开始出现的，也是Hadoop2.X中最重要的特性之一。也正是因为YARN的出现，导致Hadoop1.X和Hadoop2.X不兼容

③、产生原因

内部原因

        在Hadoop1.X中，没有YARN的说法，此时MapReduce分为主进程JobTracker和从进程TaskTracker。JobTracker只允许存在1个，容易出现单点故障

        JobTracker负责对外接收任务，接收到任务之后需要将任务拆分成子任务(MapTask和ReduceTask)。JobTracker拆分完任务之后，将子任务分配给从进程TaskTracker。JobTracker会监控每一个TaskTracker的执行情况。在官方文档中，每一个JobTracker最多能够管理4000个TaskTracker。如果TaskTracker数量过多，导致JobTracker的效率成倍下降，甚至于导致JobTracker的崩溃

外部原因

        在Hadoop产生的时候，市面上并没有太多的大数据框架，因此Hadoop在刚开始涉及的时候，只考虑MapReduce的资源调度问题

        后来随着大数据的发展，产生了越来越多的计算框架，很大一部分的框架都是围绕着Hadoop使用，因为Hadoop没有考虑其他框架的资源调度问题，所以这些计算框架就产生了资源调度冲突

2、YARN的结构

①、主进程ResourceManager

负责对外接收请求

负责管理NodeManager

负责管理ApplicationMaster

②、从进程NodeManager

执行任务

负责管理本节点上的资源

③、辅助进程ApplicationMaster

负责管理具体的子任务

二、YARN的执行流程

1、当ResourceManager收到客户端提交的任务之后，会先将这个任务临时存储下来，等待NodeManager的心跳

2、当ResourceManager收到NodeManager的心跳之后，会在心跳响应中将Job任务返回给NodeManager

3、NodeManager通过心跳响应之后，收到任务之后，就会在本节点内部开启一个ApplicationMaster进程，然后将Job任务交给这个ApplicationMaster处理

4、ApplicationMaster收到任务之后，会将Job任务来进行拆分，拆分成子任务。例如，如果是一个MapReduce程序，那么拆分成MapTask和ReduceTask

5、拆分完成之后，ApplicationMaster会给ResourceManager发送请求申请资源

6、ResourceManager收到请求之后，将请求交给内部组件ResourceScheduler处理

7、ResourceScheduler收到请求之后，会将资源的描述封装成一个Container对象返回给ApplicationMaster

8、ApplicationMaster收到资源之后，会对资源进行二次拆分，分配给具体的子任务，然后将子任务分配到不同的NodeManager上执行，并且ApplicationMaster还会监控这些子任务的执行

9、如果子任务执行失败，那么ApplicationMaster监控到之后，会自动的重启这个失败的子任务，或者会自动的将失败的子任务分配到其他的节点上重新执行

10、当Job任务结束之后，ApplicationMaster会向ResourceManager发送请求，同时请求注销自己

三、ResourceScheduler-资源调度器

在Hadoop中，目前为止，支持3种资源调度器：  FIFO(先进先出)，Capacity(资源容量)以及Fair(公平资源）

1、FIFO(先进先出)

FIFO(先进先出)：

        在Hadoop2.X中，默认使用是这个资源调度器，但是Hadoop3.X发生变化

        底层会为维系唯一的队列，任务会先进入队列，然后从队列头获取任务，为这个任务分配资源。如果资源不充足的情况下，后入队的任务就会被阻塞

2、Capacity(资源容量)

Capacity(资源容量)：

        在Hadoop3.X中，默认使用的是这个资源调度器

        这个资源调度器中，可以维系多个队列，每一个队列维系FIFO的规则。默认情况下，这个调度器中只有1个队列default

        如果资源调度器中维系了多个队列，那么可以为每一个队列设置资源分配比。在提交任务的时候，可以将任务提交到不同的队列中

3、Fair(公平资源)

Fair(公平资源)：

        在这个资源调取其中，也可以维系多个队列

        这个队列中可以保证每一个在时间上是相对公平中 - 即任务在队列中是进行轮询的

        vim capacity-scheduler.xml 文件可以修改

四、完全分布式结构

1、结构

完整的hadoop至少要13个节点，我们就用三台虚拟机进行模拟搭建。

2、常见问题 

①、在第一次关闭Hadoop之前，先修改stop-dfs.sh和stop-yarn.sh中的内容。将start-dfs.sh中添加的内容放到stop-dfs.sh中，将start-yarn.sh中的内容放到stop-yarn.sh中

②、在Hadoop集群中，一定要先启动Zookeeper再启动Hadoop

③、以后再次启动Hadoop，只需要通过start-all.sh即可启动

④、在执行命令的时候，出现了Name or service not known或者UnknownHost之类的异常，那么先检查主机名是否写对；再检查/etc/hostname或者是/etc/hosts文件是否配置正确

⑤、在进行ssh的时候需要输入密码，需要重新进行免密

⑥、在执行命令的时候，出现了command not found，那么先检查命令是否配置正确；然后再检查/etc/profile中的环境变量是否配置正确；最后确定对/etc/profile文件修改之后是否进行了重新生效source

⑦、在格式化的时候，出现了HA is not enabled/HA is not available之类的异常，那么说明Hadoop和当前系统出现了兼容性问题 - 重装系统

⑧、如果执行命令的时候出现了IllegalArgument之类的异常，那么说明命令或者参数写错了

⑨、如果启动之后，发现缺少了QuorumPeerMain，那么Zookeeper启动失败

⑩、如果启动之后，发现缺少了NameNode/DataNode/JournalNode/ DFSZKFailoverController进程，可以试图通过hdfs --daemon start namenode/datanode/journalnode/zkfc来单独这个进程

 hdfs --daemon start namenode

hdfs --daemon start datanode

hdfs --daemon start journalnode

hdfs --daemon start zkfc

⑾、如果启动之后，发现缺少了ResourceManager/NodeManage进程，那么可以试图通过yarn --daemon start resourcemanager/nodemanager来单独启动这个进程，例如yarn --daemon start nodemanager

yarn --daemon start resourcemanager

yarn --daemon start nodemanager

⑿、如果在启动的时候，出现process already running as xxx，那么先kill -9 xxx，然后再单独重新启动

⒀、在NameNode格式化的时候，如果格式化失败，那么改错之后，先删除掉/home/software/hadoop-3.1.3/tmp/dfs/name目录，再重新格式化

注意：

如果再集群启动的时候出现下面的错误

Operation category READ is not supported in state standby. Visit https://s.a

 首先我们要去hdfs-site.xml文件中查看你配置的namenode别名：

cd /home/software/hadoop-3.1.3/etc/hadoop/

然后查询你的namenode状态 

hdfs haadmin -getServiceState nn1

nn1的节点状态若是standby,说明他不能进行HDFS操作,非活跃节点

hdfs haadmin -getServiceState nn2

nn1的节点状态若是standby,说明他不能进行HDFS操作,非活跃节点

hdfs haadmin -getServiceState nn3

nn3的节点状态若是active,说明它可以进行HDFS操作,属于活跃节点

解决：

我们在hadoop03执行下面代码

hdfs --daemon stop zkfc
会发现hadoop01变为active了

然后我们在开启hadoop03的zkfc

hdfs --daemon start zkfc

我们还设置主NameNode机器状态
hdfs haadmin -transitionToActive --forcemanual nn1

3、添加节点

①、先修改新节点的主机名

vim /etc/hostname

将主机名改为对应的名字，例如hadoop04

②、进行主机名和IP的映射

vim /etc/hosts

需要将所有云主机的IP和主机名都进行映射

cd /etc/

远程拷贝给其他主机

scp -r hosts root@hadoop01:$PWD

scp -r hosts root@hadoop02:$PWD

scp -r hosts root@hadoop03:$PWD

③、重启

reboot

④、配置免密互通

ssh-keygen

ssh-copy-id root@hadoop01

ssh hadoop01 --- 如果不需要密码，则输入logou

ssh-copy-id root@hadoop02

ssh hadoop02 --- 如果不需要密码，则输入logou

ssh-copy-id root@hadoop03

ssh hadoop03 --- 如果不需要密码，则输入logou

⑤、所有的主机都需要和新添加的节点进行免密

ssh-copy-id root@hadoop04

ssh hadoop04 --- 如果不需要密码，则输入logout

⑥、从其他节点拷贝一个Hadoop安装目录到第四个节点上

cd /home/software/

scp -r hadoop-3.1.3 root@hadoop04:$PWD

⑦、新添加的节点上，进入Hadoop的安装目录，然后删除对应的目录

cd /home/software/hadoop-3.1.3/

rm -rf tmp

rm -rf logs/

⑧、新节点配置环境变量

vim /etc/profile

在文件末尾添加

export HADOOP_HOME=/home/software/hadoop-3.1.3

export PATH=$PATH:$HADOOP_HOME/bin:$HADOOP_HOME/sbin

保存退出，重新生效

source /etc/profile

⑨、启动DataNode与YARN

hdfs --daemon start datanode

yarn --daemon start nodemanager

五、Federation HDFS-联邦HDFS

1、当前HDFS架构的弊端

        NameNode会将元数据维系在内存中。实际开发中，一台服务器大概能腾出50G左右的内存给NameNode来使用，也就意味着一台服务器大概能存储3亿~4亿条元数据，经过计算，意味着NameNode所管理的集群大概能够存储12~15PB的数据。但是在现在的开发中，很多大型企业的数据量已经超过上百PB，原始的NameNode架构就不能满足这个需求。

        NameNode无法做到程序的隔离。所有的元数据都维系在一个NameNode上，意味着如果某一个任务占用的资源比较多，那么就会影响其他在进行的任务。

        所有的请求都只能访问这唯一的一个NameNode，此时NameNode的并发量就成了整个HDFS的并发瓶颈。

2、联邦HDFS

        在联邦HDFS中，可以利用多个节点同时作为NameNode对外接收请求，在请求之前，需要将HDFS中的路径于NameNode之间来进行映射。每一个路径必须对应某一个NameNode。

        在联邦HDFS中，所有的请求不再集中于某一个节点上而是分散到不同的节点上，从而提高了集群的并发量的上限。

        因为不同路径分别对应了不同的节点，此时某一个节点上资源被过多的占用，例如节点的磁盘的IO资源占用比较多，并不会影响其他的节点的读写。

        因为利用多个NameNode来实现功能，此时元数据也不再集中于一个节点上，而是分散到多个节点上，大大的提高了集群的数据量容纳的上限。

        在联邦HDFS中，要求所有的NameNode的BlockPoolID必须一致。