Hadoop框架之——Yarn资源调度器

1 简介

Yarn是一个资源调度平台&＃xff0c;负责为运算程序提供服务器运算资源&＃xff0c;相当于一个分布式的操作系统平台&＃xff0c;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&＃xff0e;Yarn运行机制

2&＃xff0e;工作机制详解
&＃xff08;1&＃xff09;MR程序提交到客户端所在的节点。
&＃xff08;2&＃xff09;YarnRunner向ResourceManager申请一个Application。
&＃xff08;3&＃xff09;RM将该应用程序的资源路径返回给YarnRunner。
&＃xff08;4&＃xff09;该程序将运行所需资源提交到HDFS上。
&＃xff08;5&＃xff09;程序资源提交完毕后&＃xff0c;申请运行mrAppMaster。
&＃xff08;6&＃xff09;ResourceManager将用户的请求初始化成一个Task。
&＃xff08;7&＃xff09;其中一个NodeManager领取到Task任务。
&＃xff08;8&＃xff09;该NodeManager创建容器Container&＃xff0c;并产生MRAppmaster。
&＃xff08;9&＃xff09;Container从HDFS上拷贝资源到本地。
&＃xff08;10&＃xff09;MRAppmaster向ResourceManager申请运行MapTask资源。
&＃xff08;11&＃xff09;ResourceManager将运行MapTask任务分配给另外两个NodeManager&＃xff0c;另两个NodeManager分别领取任务并创建容器。
&＃xff08;12&＃xff09;MR向两个接收到任务的NodeManager发送程序启动脚本&＃xff0c;这两个NodeManager分别启动MapTask&＃xff0c;MapTask对数据分区排序。
&＃xff08;13&＃xff09;MrAppMaster等待所有MapTask运行完毕后&＃xff0c;向RM申请容器&＃xff0c;运行ReduceTask。
&＃xff08;14&＃xff09;ReduceTask向MapTask获取相应分区的数据。
&＃xff08;15&＃xff09;程序运行完毕后&＃xff0c;MR会向ResourceManager申请注销自己。

4 作业提交全过程

1&＃xff0e;作业提交过程之YARN&＃xff0c;

作业提交全过程详解
&＃xff08;1&＃xff09;作业提交
第1步&＃xff1a;Client调用job.waitForCompletion方法&＃xff0c;向整个集群提交MapReduce作业。
第2步&＃xff1a;Client向RM申请一个作业id。
第3步&＃xff1a;RM给Client返回该job资源的提交路径和作业id。
第4步&＃xff1a;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&＃xff1a;Client提交完资源后&＃xff0c;向RM申请运行MrAppMaster。

&＃xff08;2&＃xff09;作业初始化
第6步&＃xff1a;当RM收到Client的请求后&＃xff0c;将该job添加到容量调度器中。
第7步&＃xff1a;某一个空闲的NM领取到该Job。
第8步&＃xff1a;该NM创建Container&＃xff0c;并产生MRAppmaster。
第9步&＃xff1a;下载Client提交的资源到本地。

&＃xff08;3&＃xff09;任务分配
第10步&＃xff1a;MrAppMaster向RM申请运行多个MapTask任务资源。
第11步&＃xff1a;RM将运行MapTask任务分配给另外两个NodeManager&＃xff0c;另两个NodeManager分别领取任务并创建容器。

&＃xff08;4&＃xff09;任务运行
第12步&＃xff1a;MR向两个接收到任务的NodeManager发送程序启动脚本&＃xff0c;这两个NodeManager分别启动MapTask&＃xff0c;MapTask对数据分区排序。
第13步&＃xff1a;MrAppMaster等待所有MapTask运行完毕后&＃xff0c;向RM申请容器&＃xff0c;运行ReduceTask。
第14步&＃xff1a;ReduceTask向MapTask获取相应分区的数据。
第15步&＃xff1a;程序运行完毕后&＃xff0c;MR会向RM申请注销自己。

&＃xff08;5&＃xff09;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。

&＃xff08;6&＃xff09;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&＃xff0e;作业提交过程之MapReduce

5 资源调度器

目前&＃xff0c;Hadoop作业调度器主要有三种&＃xff1a;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&＃xff1a;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