文章目录
- 1 简介
- 2 Yarn基本架构
- 3 Yarn工作机制
- 4 作业提交全过程
- 5 资源调度器
- 6 任务的推测执行
1 简介
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。
2 Yarn基本架构
YARN主要由ResourceManager、NodeManager、ApplicationMaster和Container等组件构成
3 Yarn工作机制
1.Yarn运行机制
2.工作机制详解
(1)MR程序提交到客户端所在的节点。
(2)YarnRunner向ResourceManager申请一个Application。
(3)RM将该应用程序的资源路径返回给YarnRunner。
(4)该程序将运行所需资源提交到HDFS上。
(5)程序资源提交完毕后,申请运行mrAppMaster。
(6)ResourceManager将用户的请求初始化成一个Task。
(7)其中一个NodeManager领取到Task任务。
(8)该NodeManager创建容器Container,并产生MRAppmaster。
(9)Container从HDFS上拷贝资源到本地。
(10)MRAppmaster向ResourceManager申请运行MapTask资源。
(11)ResourceManager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。
(12)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。
(13)MrAppMaster等待所有MapTask运行完毕后,向RM申请容器,运行ReduceTask。
(14)ReduceTask向MapTask获取相应分区的数据。
(15)程序运行完毕后,MR会向ResourceManager申请注销自己。
4 作业提交全过程
1.作业提交过程之YARN,
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。
2.作业提交过程之MapReduce
5 资源调度器
目前,Hadoop作业调度器主要有三种:FIFO、Capacity Scheduler和Fair Scheduler。Hadoop2.7.2默认的资源调度器是Capacity Scheduler。
具体设置详见:yarn-default.xml文件
<property><description>The class to use as the resource scheduler.description><name>yarn.resourcemanager.scheduler.classname><value>org.apache.hadoop.yarn.server.resourcemanager.scheduler.capacity.CapacitySchedulervalue>
property>
1&#xff0e;先进先出调度器&#xff08;FIFO&#xff09;
2&#xff0e;容量调度器&#xff08;Capacity Scheduler&#xff09;
3&#xff0e;公平调度器&#xff08;Fair Scheduler&#xff09;
6 任务的推测执行
1&#xff0e;作业完成时间取决于最慢的任务完成时间
一个作业由若干个Map任务和Reduce任务构成。因硬件老化、软件Bug等&#xff0c;某些任务可能运行非常慢。
思考&#xff1a;系统中有99%的Map任务都完成了&#xff0c;只有少数几个Map老是进度很慢&#xff0c;完不成&#xff0c;怎么办&#xff1f;
2&#xff0e;推测执行机制
发现拖后腿的任务&#xff0c;比如某个任务运行速度远慢于任务平均速度。为拖后腿任务启动一个备份任务&#xff0c;同时运行。谁先运行完&#xff0c;则采用谁的结果。
3&#xff0e;执行推测任务的前提条件
&#xff08;1&#xff09;每个Task只能有一个备份任务
&#xff08;2&#xff09;当前Job已完成的Task必须不小于0.05&#xff08;5%&#xff09;
&#xff08;3&#xff09;开启推测执行参数设置。mapred-site.xml文件中默认是打开的。
<property><name>mapreduce.map.speculativename><value>truevalue><description>If true, then multiple instances of some map tasks may be executed in parallel.description>
property><property><name>mapreduce.reduce.speculativename><value>truevalue><description>If true, then multiple instances of some reduce tasks may be executed in parallel.description>
property>
4&#xff0e;不能启用推测执行机制情况
&#xff08;1&#xff09;任务间存在严重的负载倾斜&#xff1b;
&#xff08;2&#xff09;特殊任务&#xff0c;比如任务向数据库中写数据。
5&#xff0e;算法原理