YARN 面试篇《一》

• 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
• YRAN具有足够的通用性，可以支持其它的分布式计算模式

一、YARN架构

类似HDFS，YARN也是经典的主从（master/slave）架构

• YARN服务由一个ResourceManager（RM）和多个NodeManager（NM）构成
• ResourceManager为主节点（master）
• NodeManager为从节点（slave）

ApplicationMaster可以在容器内运行任何类型的任务。例如，MapReduce ApplicationMaster请求容器启动map或reduce任务，而Giraph ApplicationMaster请求容器运行Giraph任务。

ResourceManager 负责对各个 NodeManager 上资源进行统一管理和调度。当用户提交一个应用程序时，需要提供一个用以跟踪和管理这个程序的 ApplicationMaster，它负责向 ResourceManager 申请资源，并要求 NodeManger 启动可以占用一定资源的任务。由于不同的 ApplicationMaster 被分布到不同的节点上，因此它们之间不会相互影响。

Client 向 ResourceManager 提交的每一个应用程序都必须有一个 ApplicationMaster，它经过 ResourceManager 分配资源后，运行于某一个 Slave 节点的 Container 中，具体做事情的 Task，同样也运行与某一个 Slave 节点的 Container 中。

1.1、ResourceManager

• RM是一个全局的资源管理器，集群只有一个

• 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

• 调度器根据容量、队列等限制条件（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

• 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

1.2、NodeManager

• NodeManager 是一个 slave 服务，整个集群有多个
• NodeManager ：

• 它负责接收 ResourceManager 的资源分配请求，分配具体的 Container 给应用。
• 负责监控并报告 Container 使用信息给 ResourceManager。

• 功能：

• NodeManager 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）
• 接收及处理来自 ResourceManager 的命令请求，分配 Container 给应用的某个任务；
• 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；
• 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。
• 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

1.3、Container

• 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
• 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 中描述的资源。

• 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

1.4、ApplicationMaster

• 功能：

• 数据切分；
• 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
• 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。

1.5、Resource Request

• Yarn的设计目标

• 允许我们的各种应用以共享、安全、多租户的形式使用整个集群。
• 并且，为了保证集群资源调度和数据访问的高效性，Yarn还必须能够感知整个集群拓扑结构。

• 为了实现这些目标，ResourceManager的调度器Scheduler为应用程序的资源请求定义了一些灵活的协议，Resource Request和Container。

• 一个应用先向ApplicationMaster发送一个满足自己需求的资源请求
• 然后ApplicationMaster把这个资源请求以resource-request的形式发送给ResourceManager的Scheduler
• Scheduler再在这个原始的resource-request中返回分配到的资源描述Container。

• 每个ResourceRequest可看做一个可序列化Java对象，包含的字段信息如下：

<!--
- resource-name：资源名称，现阶段指的是资源所在的host和rack，后期可能还会支持虚拟机或者更复杂的网络结构
- priority：资源的优先级
- resource-requirement：资源的具体需求，现阶段指内存和cpu需求的数量
- number-of-containers：满足需求的Container的集合
-->
<resource-name, priority, resource-requirement, number-of-containers>

1.6、JobHistoryServer

作业历史服务

• 记录在yarn中调度的作业历史运行情况情况 ,
• 通过命令启动

mr-jobhistory-daemon.sh start historyserver

• 在集群中的数据节点机器上单独使用命令启动直接启动即可,
• 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.

1.7、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能够进行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. 

http://hadoop.apache.org/docs/stable/hadoop-yarn/hadoop-yarn-site/TimelineServer.html

二、YARN应用运行原理

2.1、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 实例；
• 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。

精简版的：

• 步骤1：用户将应用程序提交到 ResourceManager 上；
• 步骤2：ResourceManager为应用程序 ApplicationMaster 申请资源，并与某个 NodeManager 通信启动第一个 Container，以启动ApplicationMaster；
• 步骤3：ApplicationMaster 与 ResourceManager 注册进行通信，为内部要执行的任务申请资源，一旦得到资源后，将于 NodeManager 通信，以启动对应的 Task；
• 步骤4：所有任务运行完成后，ApplicationMaster 向 ResourceManager 注销，整个应用程序运行结束。

2.2、MapReduce on YARN

提交作业

• ①程序打成jar包，在客户端运行hadoop jar命令，提交job到集群运行
• job.waitForCompletion(true)中调用Job的submit()，此方法中调用JobSubmitter的submitJobInternal()方法；

• ②submitClient.getNewJobID()向resourcemanager请求一个MR作业id
• 检查输出目录：如果没有指定输出目录或者目录已经存在，则报错
• 计算作业分片；若无法计算分片，也会报错
• ③运行作业的相关资源，如作业的jar包、配置文件、输入分片，被上传到HDFS上一个以作业ID命名的目录（jar包副本默认为10，运行作业的任务，如map任务、reduce任务时，可从这10个副本读取jar包）
• ④调用resourcemanager的submitApplication()提交作业

• 客户端每秒查询一下作业的进度（map 50% reduce 0%），进度如有变化，则在控制台打印进度报告；
• 作业如果成功执行完成，则打印相关的计数器
• 但如果失败，在控制台打印导致作业失败的原因（要学会查看日志，定位问题，分析问题，解决问题）

初始化作业

• 当ResourceManager(一下简称RM)收到了submitApplication()方法的调用通知后，请求传递给RM的scheduler（调度器）；调度器分配container（容器）
• ⑤a RM与指定的NodeManager通信，通知NodeManager启动容器；NodeManager收到通知后，创建占据特定资源的container；
• ⑤b 然后在container中运行MRAppMaster进程
• ⑥MRAppMaster需要接受任务（各map任务、reduce任务的）的进度、完成报告，所以appMaster需要创建多个簿记对象，记录这些信息
• ⑦从HDFS获得client计算出的输入分片split

• 每个分片split创建一个map任务
• 通过 mapreduce.job.reduces 属性值(编程时，jog.setNumReduceTasks()指定)，知道当前MR要创建多少个reduce任务
• 每个任务(map、reduce)有task id

Task 任务分配

• 如果小作业，appMaster会以uberized的方式运行此MR作业；appMaster会决定在它的JVM中顺序此MR的任务；

• 原因是，若每个任务运行在一个单独的JVM时，都需要单独启动JVM，分配资源（内存、CPU），需要时间；多个JVM中的任务再在各自的JVM中并行运行
• 若将所有任务在appMaster的JVM中顺序执行的话，更高效，那么appMaster就会这么做 ，任务作为uber任务运行
• 小作业判断依据：①小于10个map任务；②只有一个reduce任务；③MR输入大小小于一个HDFS块大小
• 如何开启uber?设置属性 mapreduce.job.ubertask.enable 值为true

configuration.set("mapreduce.job.ubertask.enable", "true");

• 在运行任何task之前，appMaster调用setupJob()方法，创建OutputCommitter，创建作业的最终输出目录（一般为HDFS上的目录）及任务输出的临时目录（如map任务的中间结果输出目录）

• ⑧若作业不以uber任务方式运行，那么appMaster会为作业中的每一个任务（map任务、reduce任务）向RM请求container

• 由于reduce任务在进入排序阶段之前，所有的map任务必须执行完成；所以，为map任务申请容器要优先于为reduce任务申请容器
• 5%的map任务执行完成后，才开始为reduce任务申请容器
• 为map任务申请容器时，遵循数据本地化，调度器尽量将容器调度在map任务的输入分片所在的节点上（移动计算，不移动数据）
• reduce任务能在集群任意计算节点运行
• 默认情况下，为每个map任务、reduce任务分配1G内存、1个虚拟内核，由属性决定mapreduce.map.memory.mb、mapreduce.reduce.memory.mb、mapreduce.map.cpu.vcores、mapreduce.reduce.reduce.cpu.vcores

Task 任务执行

• 当调度器为当前任务分配了一个NodeManager（暂且称之为NM01）的容器，并将此信息传递给appMaster后；appMaster与NM01通信，告知NM01启动一个容器，并此容器占据特定的资源量（内存、CPU）
• NM01收到消息后，启动容器，此容器占据指定的资源量
• 容器中运行YarnChild，由YarnChild运行当前任务（map、reduce）
• ⑩在容器中运行任务之前，先将运行任务需要的资源拉取到本地，如作业的JAR文件、配置文件、分布式缓存中的文件

作业运行进度与状态更新

• 作业job以及它的每个task都有状态（running、successfully completed、failed），当前任务的运行进度、作业计数器
• 任务在运行期间，每隔3秒向appMaster汇报执行进度、状态（包括计数器）
• appMaster汇总目前运行的所有任务的上报的结果
• 客户端每个1秒，轮询访问appMaster获得作业执行的最新状态，若有改变，则在控制台打印出来

完成作业

• appMaster收到最后一个任务完成的报告后，将作业状态设置为成功
• 客户端轮询appMaster查询进度时，发现作业执行成功，程序从waitForCompletion()退出
• 作业的所有统计信息打印在控制台
• appMaster及运行任务的容器，清理中间的输出结果
• 作业信息被历史服务器保存，留待以后用户查询

2.3、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

三、如何使用YARN

3.1、配置文件

<!-- $HADOOP_HOME/etc/hadoop/mapred-site.xml -->
<configuration>
    <property>
        <name>mapreduce.framework.name</name>
        <value>yarn</value>
    </property>
</configuration>

<!-- $HADOOP_HOME/etc/hadoop/yarn-site.xml -->
<configuration>
    <property>
        <name>yarn.nodemanager.aux-services</name>
        <value>mapreduce_shuffle</value>
    </property>
</configuration>

3.2、YARN启动停止

启动 ResourceManager 和 NodeManager （以下分别简称RM、NM）

#主节点运行命令
$HADOOP_HOME/sbin/start-yarn.sh

停止 RM 和 NM

#主节点运行命令
$HADOOP_HOME/sbin/stop-yarn.sh

若RM没有启动起来，可以单独启动

#若RM没有启动，在主节点运行命令
$HADOOP_HOME/sbin/yarn-daemon.sh start resouremanager
#相反，可单独关闭
$HADOOP_HOME/sbin/yarn-daemon.sh stop resouremanager

若NM没有启动起来，可以单独启动

#若NM没有启动，在相应节点运行命令
$HADOOP_HOME/sbin/yarn-daemon.sh start nodemanager
#相反，可单独关闭
$HADOOP_HOME/sbin/yarn-daemon.sh stop nodemanager

3.3、YARN常用命令

3.3.1、yarn命令列表

3.3.2、yarn application命令

#1.查看正在运行的任务
yarn application -list

#2.杀掉正在运行任务
yarn application -kill 任务id

#3.查看节点列表
yarn node -list

#4.查看节点状况；所有端口号与上图中端口号要一致（随机分配）
yarn node -status node-03:45568

#5.查看yarn依赖jar的环境变量
yarn classpath

四、YARN应用状态

在yarn 的web ui上能够看到yarn 应用程序分为如下几个状态:

• NEW -----新建状态
• NEW_SAVING-----新建保存状态
• SUBMITTED-----提交状态
• ACCEPTED-----接受状态
• RUNNING-----运行状态
• FINISHED-----完成状态
• FAILED-----失败状态
• KILLED-----杀掉状态

欢迎点赞 收藏 留言 如有错误敬请指正！

作者：南风 大数据系列文章会每天更新，感谢您抽出时间阅读本文。我希望它能够为您提供有用的信息和帮助。如果您有任何进一步的问题或想要继续交流，欢迎随时联系我。祝您有一个美好的一天！