Hadoop 3.x（Yarn）----【Yarn 资源调度器】

思考：

1. 如何管理集群资源？
2. 如何给任务合理分批资源？

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与操作系统之上的应用程序。

1. Yarn 基础架构

YARN 主要由 ResourceManager、NodeManager、ApplicationMaster 和 Container 等组件构成。

ResourceManager（RM）主要作用如下

1. 处理客户端请求
2. 监控 NodeManager
3. 启动或监控 ApplicationMaster
4. 资源的分配与调度

NodeManager（NM）主要作用如下

1. 管理单个节点上的资源
2. 处理来自 ResourceManager 的命令
3. 处理来自 ApplicationMaster 的命令

ApplicationMaster（AM）作用如下

1. 为应用程序申请资源并分配给内部的任务
2. 任务的监控与容错

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。

2. Yarn 工作机制

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. RM 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 想 RM 申请运行 MapTask 资源。
11. 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。
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 获取响应分区的数据。
15. 程序运行完毕后，MR 会想RM 申请注销自己。

3. 作业提交全过程

作业提交全过程详解
（1）作业提交
第1步：Clinet 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 提交玩资源后，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 NN 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 对数据进行分区排序。
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 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的用核查。

4. Yarn 调度器和调度算法

目前，Hadoop 作业调度器主要有三种：FIFO、容量（Capacity Scheduler）和公平（Fair Scheduler）。Apache Hadoop3.1.3 默认的资源调度器是 Capacity Scheduler。
CDH 框架默认调度器是 FairScheduler。
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
2
3
4
5

1. 先进先出调度器（FIFO）

FIFO 调度器（First In First Out）：单队列，根据提交作业的先后顺序，先来先服务。

优点：简单易懂
缺点：不支持多队列，生产环境很少使用

2. 容量调度器（CapacityScheduler）

CapacityScheduler 是 Yahaoo 开发的多以用户调度器。

容量调度器特点

1. 多队列：每个队列可配置一定的资源量，每个队列采用 FIFO 调度策略。
2. 容量保证：管理员可为每个队列设置资源最低保证和资源使用上限。
3. 灵活性：如果一个队列中的资源有剩余，可以暂时共享给哪些需要资源的队列，而一旦该队列有新的应用程序提交，则其他队列借调的资源会归还给该队列。
4. 多租户：
   支持多用户共享集群和多应用程序同时运行。
   为了防止同一个用户的作业独占队列中的资源，该调度器会对统一用户提交的作业所占资源进行限定。

容量调度器资源分配算法

1. 队列资源分配
从 root 开始，使用深度优先算法，优先选择资源占用率最低的队列分配资源。

2. 作业资源分配
默认按照提交作业的优先级和提交时间顺序分配资源。

3. 容器资源分配
按照容器的优先级分配资源；
如果优先相同，按照数据本地行原则；

1. 任务和数据在同一节点
2. 任务和数据在同一机架
3. 任务和数据不在同一节点也不在同一机架

3. 公平调度器（Fair Scheduler）

Fair Scheduler 是 Facebook 开发的多用户调度器。

公平调度器特点

1. 与容量调度器相同点

1. 多队列：支持多队列多作业
2. 容量保证：管理员可以为每个队列设置资源最低保证和资源使用上限
3. 灵活性：如果一个队列中的资源有剩余，可以暂时共享给哪些需要资源的队列，而一旦该队列有新的应用程序提交，则其他队列借调的资源会归还给该队列
4. 多租户：支持多用户共享集群和多应用程序同时运行；为了防止同一个用户的作业独占队列中的资源，该调度器会对统一用户提交的作业所占资源进行限定。

2. 与容量调度器不同点

1. 核心调度策略不同
   容量调度器：优先选择资源利用率低的队列
   公平调度器：优先选择对资源的缺额比例大的

2. 每个队列可以单独设置资源分配方式
   容量调度器：FIFP、DRP
   公平调度器：FIFO、FAIR、DRF

公平调度器缺额

• 公平调度器设计目标是：在时间尺度上，所有作业获得公平的资源。某一时刻一个作业应获资源和实际获取资源的差距叫 " 缺额 "
• 调度器会优先为缺额大的作业分配资源

公平调度器队列资源分配方式

1. FIFO策略
公平调度每个队列资源分配策略如果选择 FIFO 的话，此时公平调度器相当于上面讲过的容量调度器。

2. Fair策略
Fair 策略（默认）是一种基于最大最小公平算法实现的资源多路复用方式，默认情况下，每个队列内部采用该方式分配资源。这意味着，如果一个队列中有两个应用程序同时运行，则每个应用程序可得到 1/2 的资源；如果三个应用程序同时运行，则每个应用程序可得到 1/3 的资源。

具体资源分配流程和容量调度器一致：

1. 选择队列
2. 选择作业
3. 选择容器
   以上三步：每一步都是按照公平策略分配资源

实际最小资源份额：mindshare = Min（资源需求量，配置的最小资源）
是否饥饿：isNeedy = 资源使用量 < mindshare（实际最小资源份额）
资源分配比：minShareRatio = 资源使用量 / Max（mindshare，1）
资源使用权重比：useToWeightRatio = 资源使用量 / 权重

公平调度器资源分配算法

5. Yarn常用命令

Yarn 状态的查询，除了可以在 hadoop103:8088 页面查看外，还可以通过命令操作。

常见的命令操作如下所示：

[fickler@hadoop102 ~]$ myhadoop.sh start
[fickler@hadoop102 hadoop-3.1.3]$ hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-3.1.3.jar wordcount /input /output1
1
2

1. yarn application查看任务

1. 列出所有 Application

[fickler@hadoop102 hadoop-3.1.3]$  yarn application -list
2022-09-24 12:12:22,062 INFO client.RMProxy: Connecting to ResourceManager at hadoop103/192.168.10.103:8032
Total number of applications (application-types: [], states: [SUBMITTED, ACCEPTED, RUNNING] and tags: []):0
                Application-Id	    Application-Name	    Application-Type	      User	     Queue              State	       Final-State	       Progress	                       Tracking-URL
1
2
3
4

2. 根据 Application 状态过滤：yarn application-list-appStates（所有状态：ALL、NEW、NEW_SAVING、SUBMITTED、ACCEPTED、RUNNING、FINISHED、FAILED、KILLED）

[fickler@hadoop102 hadoop-3.1.3]$ yarn application -list -appStates FINISHED
2022-09-24 12:17:33,122 INFO client.RMProxy: Connecting to ResourceManager at hadoop103/192.168.10.103:8032
Total number of applications (application-types: [], states: [FINISHED] and tags: []):1
                Application-Id	    Application-Name	    Application-Type	      User	     Queue              State	       Final-State	       Progress	                       Tracking-URL
application_1663992336635_0001	          word count	           MAPREDUCE	   fickler	   default           FINISHED	         SUCCEEDED	           100%	http://hadoop102:19888/jobhistory/job/job_1663992336635_0001
1
2
3
4
5

3. Kill 掉 Application

[fickler@hadoop102 hadoop-3.1.3]$ yarn application -kill application_1663992336635_0001
2022-09-24 12:18:43,814 INFO client.RMProxy: Connecting to ResourceManager at hadoop103/192.168.10.103:8032
Application application_1663992336635_0001 has already finished
1
2
3

2. yarn logs查看日志

1. 查询 Application 日志：yarn logs -applicationId

[fickler@hadoop102 hadoop-3.1.3]$ yarn logs -applicationId application_1663992336635_0001
1

2. 查询 Container 日志：yarn logs -applicationId -contaiinerId

[fickler@hadoop102 hadoop-3.1.3]$ yarn logs -applicationId application_1612577921195_0001 -containerId container_1612577921195_0001_01_000001
1

3. yarn applicationattempt 查看尝试运行的任务

1. 列出所有 Application 尝试的列表：yarn applicationattempt -list

2. 打印 ApplicationAttempt 状态：yarn applicationattempt -status

4. yarn container查看容器

1. 列出所有 Container：yarn container -list

2. 打印 Container 状态：yarn container -status

注意：只有在任务跑的途中才能看到 container 的状态

5. yar node查看节点状态

列出所有结点：yarn node -list -all

[fickler@hadoop102 hadoop-3.1.3]$ yarn node -list -all
2022-09-24 14:31:04,999 INFO client.RMProxy: Connecting to ResourceManager at hadoop103/192.168.10.103:8032
Total Nodes:3
         Node-Id	     Node-State	Node-Http-Address	Number-of-Running-Containers
 hadoop104:41760	        RUNNING	   hadoop104:8042	                           0
 hadoop102:40653	        RUNNING	   hadoop102:8042	                           0
 hadoop103:38332	        RUNNING	   hadoop103:8042	                           0
1
2
3
4
5
6
7

6. yarn rmadmin更新配置

加载队列配置：yarn rmadmin -refreshQueues

[fickler@hadoop102 hadoop-3.1.3]$ yarn rmadmin -refreshQueues
2022-09-24 14:32:08,579 INFO client.RMProxy: Connecting to ResourceManager at hadoop103/192.168.10.103:8033
1
2

7. yarn queue查看队列

打印队列信息：yarn queue -status

[fickler@hadoop102 hadoop-3.1.3]$ yarn queue -status default
2022-09-24 14:33:22,970 INFO client.RMProxy: Connecting to ResourceManager at hadoop103/192.168.10.103:8032
Queue Information : 
Queue Name : default
	State : RUNNING
	Capacity : 100.0%
	Current Capacity : .0%
	Maximum Capacity : 100.0%
	Default Node Label expression : 
	Accessible Node Labels : *
	Preemption : disabled
	Intra-queue Preemption : disabled
1
2
3
4
5
6
7
8
9
10
11
12

6. Yarn生产环境核心参数