资源调度框架YARN

1. YARN产生背景

1. Hadoop1.x时：MapReduce1.x存在问题：单点故障&节点压力大不易扩展&不能支持除了MR以外的任务
   • MapReduce：Master/Slave架构，一个JobTracker带多个TaskTracker。
   • JobTracker：负责资源管理和作业调度。整个集群中只有一个JobTracker，如果出现故障，整个集群就会崩溃。
   • TaskTracker：定期向JT汇报本节点的健康状况、资源使用情况、作业执行情况；接受到来自JT的命令：启动/杀死任务。
2. 资源利用率&运维成本
3. YARN：不同计算框架可以共享同一个HDFS集群上的数据，享受整体的资源调度。
4. XXX(Spark/MapReduce/Strom/Flink) on YARN的好处：与其他计算框架共享集群资源，按资源需要分配，进而提高集群资源的利用率。

2. YARN概述

1. Yet Another Resource Negotiator
2. 通用的资源管理系统
3. 为上层应用提供统一的资源调度

3. YARN架构

yarn架构.jpg

1. ResourceManager: RM
   • 整个集群同一时间提供服务的RM只有一个（生产一般有两个，一主一备），负责集群资源的统一管理和调度。
   • 处理客户端请求：提交一个作业，杀死一个作业。
   • 监控我们的NM，一旦某个NM挂了，那么该NM上运行的任务需要告诉我们的AM来如何进行处理（重启）。
2. NodeManager: NM
   • 整个集群中有多个，负责自己本身节点资源管理和使用。
   • 定时向RM汇报本节点的资源使用情况。
   • 接受并处理来自RM的各种命令：启动Container。
   • 处理来自AM的命令。
   • 单个节点的资源管理。
3. ApplicationMaster: AM
   • 每个应用程序对应一个：MR、Spark、负责应用程序的管理。
   • 为应用程序向RM申请资源（core、memory），分配给内部Task处理。
   • 需要与NM通信：启动/停止task，task是运行在container里面，AM也是运行在container里面的。
4. Container
   • 封装了CPU、Memory等资源的一个容器。
   • 是一个任务运行环境的抽象。
5. Client
   • 提交作业
   • 查询作业的运行进度
   • 杀死作业

4. YARN执行流程

yarn调用流.jpg

5. YARN环境搭建

1. mapred-site.xml

    
    
        mapreduce.framework.name
        yarn
    

2. yarn-site.xml

    
    
        yarn.nodemanager.aux-services
        mapreduce_shuffle
    

3. 启动YARN相关进程：sbin/start-yarn.sh

4. 验证YARN是否启动成功
   • jps查看
     • NodeManager
     • ResourceManager
   • http://localhost:8088
5. 停止YARN相关进程：sbin/stop-yarn.sh

6. 提交作业到YARN执行

1. MapReduce作业提交到YARN上运行
   • 使用Hadoop MapReduce示例程序：/usr/local/hadoop/share/hadoop/mapreduce/hadoop-mapreduce-examples-3.1.0.jar
   • 启动MR程序：hadoop jar hadoop-mapreduce-examples-3.1.0.jar pi 1 2
   • 使用http://localhost:8088 查看结构