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。

Yarn 基础架构

YARN 主要由 ResourceManager、NodeManager、ApplicationMaster 和 Container 等组件构成。
5.Yarn - 图1

  • ResourceManager（RM）主要作用如下
    • 处理客户端请求
    • 监控NodeManager
    • 启动或监控ApplicationMaster
    • 资源的分配与调度
  • NodeManager（NM）主要作用如下
    • 管理单个节点上的资源
    • 处理来自ResourceManager的命令
    • 处理来自ApplicationMaster的命令
  • ApplicationMaster（AM）作用如下
    • 为应用程序申请资源并分配给内部的任务
    • 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。

      Yarn 工作机制

      5.Yarn - 图2

  • MR 程序提交到客户端所在的节点。

  • YarnRunner 向 ResourceManager 申请一个 Application。
  • RM 将该应用程序的资源路径返回给 YarnRunner。
  • 该程序将运行所需资源提交到 HDFS 上。
  • 程序资源提交完毕后，申请运行 mrAppMaster。
  • RM 将用户的请求初始化成一个 Task。
  • 其中一个 NodeManager 领取到 Task 任务。
  • 该 NodeManager 创建容器 Container，并产生 MRAppmaster。
  • Container 从 HDFS 上拷贝资源到本地。
  • MRAppmaster 向 RM 申请运行 MapTask 资源。
  • 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。
  • 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。
  • MrAppMaster 等待所有 MapTask 运行完毕后，向 RM 申请容器，运行 ReduceTask。
  • ReduceTask 向 MapTask 获取相应分区的数据。
  • 程序运行完毕后，MR 会向 RM 申请注销自己。

    作业提交全过程

    HDFS、YARN、MapReduce三者关系
    5.Yarn - 图3
    作业提交过程之YARN
    5.Yarn - 图4
    作业提交过程之HDFS & MapReduce
    5.Yarn - 图5
    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。

    Yarn 调度器和调度算法

    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 Fair Scheduler。

    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。
    5.Yarn - 图6
    优点：简单易懂；
    缺点：不支持多队列，生产环境很少使用；

    容量调度器（Capacity Scheduler）

    Capacity Scheduler 是 Yahoo 开发的多用户调度器。
    5.Yarn - 图7
  • 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。
  • 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
  • 灵活性：如果一个队列中的资源有剩余，可以暂时共享给那些需要资源的队列，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。
  • 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，该调度器会对同一用户提交的作业所占资源量进行限定。

      容量调度器资源分配算法

      5.Yarn - 图8

      公平调度器（Fair Scheduler）

      Fair Schedulere 是 Facebook 开发的多用户调度器
      5.Yarn - 图9
  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：管理员可为每个队列设置资源最低保证和资源使用上线
    3. 灵活性：如果一个队列中的资源有剩余，可以暂时共享给那些需要资源的队列，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，该调度器会对同一用户提交的作业所占资源量进行限定。
  2. 与容量调度器不同点
    • 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
    • 每个队列可以单独设置资源分配方式
      • 容量调度器：FIFO、 DRF
      • 公平调度器：FIFO、FAIR、DRF

        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

    5.Yarn - 图10

    公平调度器资源分配算法

    5.Yarn - 图11

    公平调度器队列资源分配方式

    DRF策略
    DRF（Dominant Resource Fairness），我们之前说的资源，都是单一标准，例如只考虑内存（也是Yarn默认的情况）。但是很多时候我们资源有很多种，例如内存，CPU，网络带宽等，这样我们很难衡量两个应用应该分配的资源比例。
    那么在YARN中，我们用DRF来决定如何调度：
    假设集群一共有100 CPU和10T 内存，而应用A需要（2 CPU, 300GB），应用B需要（6 CPU，100GB）。则两个应用分别需要A（2%CPU, 3%内存）和B（6%CPU, 1%内存）的资源，这就意味着A是内存主导的, B是CPU主导的，针对这种情况，我们可以选择DRF策略对不同应用进行不同资源（CPU和内存）的一个不同比例的限制。

    Yarn 常用命令

    yarn application 查看任务

  • 列出所有 Applicationyarn application -list

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

  • Kill 掉 Application：yarn application -kill application_1612577921195_0001

    yarn logs 查看日志

  • 查询 Application 日志yarn logs -applicationId application_1612577921195_0001

  • 查询 Container 日志yarn logs -applicationId application_1612577921195_0001 -containerId container_1612577921195_0001_01_000001

    yarn applicationattempt 查看尝试运行的任务

  • 列出所有 Application 尝试的列表yarn applicationattempt -list application_1612577921195_0001

  • 打印 ApplicationAttemp 状态yarn applicationattempt -status appattempt_1612577921195_0001_000001

    yarn container 查看容器

  • 列出所有 Containeryarn container -list appattempt_1612577921195_0001_000001

  • 打印 Container 状态yarn container -status container_1612577921195_0001_01_000001 注：只有在任务跑的途中才能看到 container 的状态

    yarn node 查看节点状态

    列出所有节点：yarn node -list -all

    yarn rmadmin 更新配置

    加载队列配置：yarn rmadmin -refreshQueues

    yarn queue 查看队列

    打印队列信息：yarn queue -status

    Yarn 生产环境核心参数

    5.Yarn - 图12