YARN总结

觉得有帮助的，请多多支持博主，点赞关注哦~

文章目录

• Yarn
• 一、Yarn 概述
• 二、Yarn 基本架构
• 三、Yarn 工作机制
• 四、作业提交全过程
• 五、资源调度器
• 1、先进先出调度器（FIFO）
• 2、容量调度器（Capacity Scheduler）
• 3、公平调度器（Fair Scheduler）
• 六、任务的推测执行
• 1、作业完成时间取决于最慢的任务完成时间
• 2、推测执行机制：
• 3、执行推测任务的前提条件
• 4、不能启用推测执行机制情况
• 5、算法原理

Yarn

一、Yarn 概述

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。

二、Yarn 基本架构

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

三、Yarn 工作机制

工作机制详解：

• （0）Mr 程序提交到客户端所在的节点。
• （1）Yarnrunner 向 Resourcemanager 申请一个 Application。
• （2）rm 将该应用程序的资源路径返回给 yarnrunner。
• （3）该程序将运行所需资源提交到 HDFS 上。
• （4）程序资源提交完毕后，申请运行 mrAppMaster。
• （5）RM 将用户的请求初始化成一个 task。
• （6）其中一个 NodeManager 领取到 task 任务。
• （7）该 NodeManager 创建容器 Container，并产生 MRAppmaster。
• （8）Container 从 HDFS 上拷贝资源到本地。
• （9）MRAppmaster 向 RM 申请运行 maptask 资源。
• （10）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。
• （11）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。
• （12）MrAppMaster 等待所有 maptask 运行完毕后，向 RM 申请容器，运行 reduce task。
• （13）reduce task 向 maptask 获取相应分区的数据。
• （14）程序运行完毕后，MR 会向 RM 申请注销自己。

四、作业提交全过程

作业提交全过程详解：

• （1）作业提交
  第 0 步：client 调用 job.waitForCompletion 方法，向整个集群提交 MapReduce 作业。
  第 1 步：client 向 RM 申请一个作业 id。
  第 2 步：RM 给 client 返回该 job 资源的提交路径和作业 id。
  第 3 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 4 步：client 提交完资源后，向 RM 申请运行 MrAppMaster。
• （2）作业初始化
  第 5 步：当 RM 收到 client 的请求后，将该 job 添加到容量调度器中。
  第 6 步：某一个空闲的 NM 领取到该 job。
  第 7 步：该 NM 创建 Container，并产生 MRAppmaster。
  第 8 步：下载 client 提交的资源到本地。
• （3）任务分配
  第 9 步：MrAppMaster 向 RM 申请运行多个 maptask 任务资源。
  第 10 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 11 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 12 步：MrAppMaster 等待所有 maptask 运行完毕后，向 RM 申请容器，运行 reduce task。
  第 13 步：reduce task 向 maptask 获取相应分区的数据。
  第 14 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 分钟都会通过调用 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。

五、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.class</name>
	<value>org.apache.hadoop.yarn.server.resourcemanager.scheduler.capacity.CapacityScheduler</value>
</property>

1、先进先出调度器（FIFO）

2、容量调度器（Capacity Scheduler）

3、公平调度器（Fair Scheduler）

六、任务的推测执行

1、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，某些任务可能运行非常慢。

典型案例：系统中有 99%的 Map 任务都完成了，只有少数几个 Map 老是进度很慢，完不成，怎么办？

2、推测执行机制：

发现拖后腿的任务，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，同时运行。谁先运行完，则采用谁的结果。

3、执行推测任务的前提条件

1. 每个 task 只能有一个备份任务；
2. 当前 job 已完成的 task 必须不小于 0.05（5%）
3. 开启推测执行参数设置。Hadoop2.7.2 mapred-site.xml 文件中默认是打开的。

<property>
	<name>mapreduce.map.speculative</name>
	<value>true</value>
</property>

<property>
	<name>mapreduce.reduce.speculative</name>
	<value>true</value>
</property>

4、不能启用推测执行机制情况

1. 任务间存在严重的负载倾斜；
2. 特殊任务，比如任务向数据库中写数据。

5、算法原理

觉得有帮助的，请多多支持博主，点赞关注哦~

来源：CSDN

作者：Biubiubiu!!

链接：https://blog.csdn.net/qq_40246175/article/details/104805253