【Hadoop】Apache Hadoop YARN

本文介绍: YARN是一个纯粹的调度器，不负责应用程序的监控和状态追踪，不保证应用程序的失败或者硬件失败的情况对 TASK 重启，而是基于应用程序的资源需求执行其调度功能，使用了叫做资源 container 的概念，其中包括多种资源，比如，cpu，内存，磁盘，网络等。特定应用的执行由Ap pli cat ionMast er 控制，Ap pli cat ionMast er 负责将一个应用分割成多个任务，并和资源管理器协调执行所需的资源，资源一旦分配好，Ap pli cat ionMast er就和节点管理器一起安排、执行、监控独立的应用任务。

🦄 个人主页——🎐开着拖拉机回家_Linux,Java基础学习,大数据运维-CSDN博客 🎐✨🍁

感谢点赞和关注，每天进步一点点！加油！

一、YARN概述

二、YARN基础架构

2.1 ResourceManager（RM）

2.1.1 Scheduler

2.1.2 ApplicationManager

2.2 ApplicationMaster（AM）

一、YARN概述

Apache Hadoop YARN （Ye t An other Re source Ne got i a t o r，另一种资源协调者）是一种新的 Hado op 资源管理器，它是一个通用资源管理系统，可为上层应用提供统一的 资源管理和调度，它的引入为集群在利用率、资源统一管理和数据共享等方面带来了巨大好处。

资源管理系统：管理集群的cpu，内存，YARN没有管理磁盘，因为磁盘由HDFS 管理。
调度平台：为来申请资源的应用合理分配资源
通用性：支持各种计算框架，YARN不关心你干是干什么的，只关心你要的资源。

从上图中可以看出，集群最底层的是HDFS，在其之上的就是YARN层，而在YARN层上则是各种不同的计算框架。YARN资源调度不仅支持MapReduce，还支持其他很多框架,如 Hi v e 、Spark、Fin k 等任务，且YARN能支持各种框架来读取HDFS上的数据。

二、YARN基础架构

2.1 Re sourceMana g er（RM）

Re sourceMana g er（RM）：RM是一个全局的资源管理器，负责整个系统的资源管理和分配。它主要由两个组件构成：调度器（Sch eduler）和 应用程序管理器（Ap pli cat i on s Ma n age r，ASM）。

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。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”（Re source Con ta in er，简称Co n ta in e r）表示，Co n ta in e r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。此外，Sch eduler是一个可插拔的组件，用户可根据自己的需要设计新的调度器，YARN提供了多种直接可用的调度器，比如Fai r Sch eduler和Cap a city Sch eduler等。

2.1.1 Sch eduler

Sc h eduler是一个可插拔的插件，负责各个运行中的应用的资源分配，受到资源容量，队列以及其他因素的影响。是一个纯粹的调度器，不负责应用程序的监控和状态追踪，不保证应用程序的失败或者硬件失败的情况对 TASK 重启，而是基于应用程序的资源需求执行其调度功能，使用了叫做资源 container 的概念，其中包括多种资源，比如，cpu，内存，磁盘，网络等。在 Hado op 的 MapRedu ce 框架中主要有三种Sc he d uler：FIFO Sche d uler，Ca pac i t y Sche duler 和 Fair Sche duler。

FIFO Scheduler：先进先出，不考虑作业优先级和范围，适合低负载集群。
Ca pac i t y Scheduler：将资源分为多个队列，允许共享集群，有保证每个队列最小资源的使用。
Fair Scheduler：公平的将资源分给应用的方式，使得所有应用在平均情况下随着时间得到相同的资源份额。

2.1.2 Appli cat io nMa n ager

Appli cat i o nMan ager 主要负责接收 job 的提交请求，为应用分配第一个Con ta iner 来运行 App li cat ionMaster，还有就是负责监控 App li cationMaster，在遇到失败时重启 App li cationMaster 运行的 Conta iner。

2.2 Applica tionMaster（AM）

Applica tionMaster（AM）：用户提交的每个应用程序均包含一个AM，主要功能包括：

与ResourceManager调度器协商以获取资源（用Container表示）；
将得到的任务进一步分配给内部的任务(资源的二次分配)；
与NM通信以启动/停止任务；
监控所有任务运行状态，并在任务运行失败时重新为任务申请资源以重启任务。

当一个 Applica tionMaster 启动后，会周期性的向 ResourceManager 发送心跳报告来确认其健康和所需的资源情况，在建好的需求模型中，Applica tionMaster 在发往 Reso u rceManager 中的心跳信息中封装偏好和限制，在随后的心跳中， Applica tionMaster 会对收到集群中特定节点上绑定了一定的资源的 Container 的租约，根据 ResourceManager 发来的 Container，Applica tionMaster 可以更新它的执行计划以适应资源不足或者过剩，Container 可以动态的分配和释放资源。

2.3 NodeManager（NM）

NodeManager（NM）：NM是每个节点上的资源和任务管理器，一方面，它会定时地向RM汇报本节点上的资源使用情况和各个Cont ainer的运行状态；另一方面，它接收并处理来自AM的Cont ainer启动/停止等各种请求。

NodeManager 是 yarn 节点的一个“工作进程”代理，管理 hadoop 集群中独立的计算节点，主要负责与 ResourceManager 通信，负责启动和管理应用程序的 container 的生命周期，监控它们的资源使用情况（ cpu 和内存），跟踪节点的监控状态，管理日志等。并报告给RM。

NodeManager 在启动时，NodeManager 向 ResourceManager 注册，然后发送心跳包来等待 ResourceManager 的指令，主要目的是管理 resourcemanager 分配给它的应用程序 container。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。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。

主要职责：
1、接收 ResourceManager 的请求，分配 Container 给应用的某个任务
2、和 ResourceManager 交换信息以确保整个集群平稳运行。ResourceManager 就是通过收集每个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。
3、管理每个 Container 的生命周期
4、管理每个节点上的日志
5、执行 Yarn 上面应用的一些额外的服务，比如 MapRedu ce 的 sh uf fle 过程。

2.4 Container

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等，当AM向RM申请资源时，RM为AM返回的资源便是用Container表示。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。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。

YARN的资源管理和执行框架都是按主/从范例实现，节点管理器（NM）运行、监控每个节点并向集群的资源管理器(RM)报告资源的可用性状态，资源管理器最终为系统里所有应用分配资源。

特定应用的执行由Applica tionMaster控制，Applica tionMaster负责将一个应用分割成多个任务，并和资源管理器协调执行所需的资源，资源一旦分配好，Applica tionMaster就和节点管理器一起安排、执行、监控独立的应用任务。

三、YARN作业提交流程

1、客户端程序向 ResourceManager 提交应用并请求一个 Applica tionMaster 实例， ResourceManager 在应答中给出一个 applicationId 以及有助于客户端请求资源的资源容量信息。

2、ResourceManager 找到可以运行一个 Container 的 NodeManager，并在这个 Container 中启动 ApplicationMaster 实例。

Application Submi ssion Context 发出响应，其中包含有：ApplicationId，用户名，队列以及其他启动 ApplicationMaster 的信息。

Container Launc h Context（CLC）也会发给 ResourceManager，CLC提供了资源的需求，作业文件，安全令牌以及在节点启动 ApplicationMaster 所需要的其他信息。

当 ResourceManager 接收到客户端提交的上下文，就会给 ApplicationMaster 调度一个可用的 Container（通常称为 container0）。然后ResourceManager就会联系 NodeManager 启动 ApplicationMaster，并建立 ApplicationMaster 的 RPC 端口和用于跟踪的 URL ，用来监控应用程序的状态。

3、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。在注册响应中，ResourceManager 会发送关于集群最大和最小容量信息。

4、ApplicationMaster根据resource–request 协议向ResourceManager发送 resource–request请求，ResourceManager会根据调度策略尽可能最优的为ApplicationMaster分配container资源，作为资源请求的应答发给ApplicationMaster。

5、当Container被成功分配之后，ApplicationMaster通过向NodeManager发送 container-launch–specification信息来启动Container， container-launch-spe ci fication信息包含了能够让Container和ApplicationMaster交流所需要的资料，一旦container启动成功之后，ApplicationMaster就可以检查他们的状态，Resourcemanager 不在参与程序的执行，只处理调度和监控其他资源，Resourcemanager可以命令NodeManager杀死container。

6、应用程序的代码在启动的Container中运行，并把运行的进度、状态等信息通过 application-spe ci fic协议发送给ApplicationMaster，随着作业的执行，ApplicationMaster将心跳和进度信息发给ResourceManager，在这些心跳信息中，ApplicationMaster还可以请求和释放一些container。

7、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，交流的协议也是application-spe ci fic协议。

8、一旦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，当container被杀死或者回收，Resourcemanager就会通知NodeManager聚合日志并清理 container专用的文件。

四、YARN 常用命令和资源配置 参数

4.1 Yarn常用命令

列出所有的Application

yarn application -list

根据Application状态过滤任务

yarn application -list -appStates XXX（XXX - ALL、NEW、NEW_SAVING、SUBMITTED、ACCEPTED、RUNNING、FINISHED、FAILED、KILLED）

任务状态

yarn application -status  application-id

杀死任务

yarn application -kill application-id

查询Application日志

yarn logs -applicationId <ApplicationId>

列出所有NM节点

打印队列信息

yarn queue -status kangll

YARN 任务在WEB页面上可以看资源使用和运行情况，ResourceManager IP:8088

如下也可以看到各个NM上的内存和 CPU核数使用情况

4.2 yarn–site.xml

如下是常用的的YARN资源配置参数

<configuration  xmlns:xi="http://www.w3.org/2001/XInclude">


  <!-- AppMaster重试次数 -->
  <property>
    <name>yarn.resourcemanager.am.max-attempts</name>
    <value>2</value>
  </property>
  <!-- 容量调度 -->
  <property>
    <name>yarn.resourcemanager.scheduler.class</name>
    <value>org.apache.hadoop.yarn.server.resourcemanager.scheduler.capacity.CapacityScheduler</value>
  </property>
  <!-- 容器最大内存 -->
  <property>
    <name>yarn.scheduler.maximum-allocation-mb</name>
    <value>20480</value>
  </property>
  <!-- 容器最大CPU核数 -->
  <property>
    <name>yarn.scheduler.maximum-allocation-vcores</name>
    <value>16</value>
  </property>
  <!-- 容器最小内存 -->
  <property>
    <name>yarn.scheduler.minimum-allocation-mb</name>
    <value>512</value>
  </property>
  <!-- 容器最小CPU核数 -->
  <property>
    <name>yarn.scheduler.minimum-allocation-vcores</name>
    <value>1</value>
  </property>
  <!-- nodemanager CPU核数 -->
  <property>
    <name>yarn.nodemanager.resource.cpu-vcores</name>
    <value>16</value>
  </property>
  <!--  nodemanager 内存-->
  <property>
    <name>yarn.nodemanager.resource.memory-mb</name>
    <value>20480</value>
  </property>
  <!-- nodemanager CPU使用限制 -->
  <property>
    <name>yarn.nodemanager.resource.percentage-physical-cpu-limit</name>
    <value>80</value>
  </property>


</configuration>