Hadoop的第三大组成--YARN框架

一、YARN基本概念
二、YARN的基本架构组成
三、YARN的详细工作流程--运行MapReduce
四、YARN的资源调度器问题
五、YARN的web网站问题

一、YARN基本概念

YARN是一个分布式资源调度系统，专门用来给分布式计算程序提供计算资源的，而且YARN只负责进行资源的提供，不管计算程序的逻辑，因此YARN这个软件非常的成功，因为YARN不关注程序计算逻辑，因此只要是分布式计算程序，只要满足YARN的运行要求，那么就可以在YARN上进行运行，由YARN进行资源调度。spark、flink等等分布式计算程序都可以在YARN上运行。

二、YARN的基本架构组成

YARN之所以提供分布式计算资源，主要原因就是因为YARN的设计架构。

1、ResourceManager：YARN集群的管理者

1、负责进行资源的配置
2、负责整个集群的状态
3、接受客户端或者applicationmaster的资源申请

2、NodeManager

1、负责接受RM给NM分配的task任务（就是资源的打包任务）
2、负责启动Container容器（打包的计算程序所需的运行资源）

以上两个组成，YARN启动之后就会有的进程。

3、Container

封装了一组计算资源的容器，包含了计算程序所需的资源，资源的具体的配额都是客户端或者ApplicationMaster去向RM申请。

4、ApplicationMaster

任何一个分布式计算程序如果想在YARN上运行，分布式计算程序必须能启动一个ApplicationMaster进程，比如MR程序在YARN上运行就会启动MRAppcationMaster。这个进程不是由YARN自带的，而是分布式计算程序想在YARN上运行，分布式计算程序必须得有这么一个进程。

YARN的工作核心，YARN之所以不知道分布式计算程序的计算逻辑，还能给分布式计算程序提供资源，全凭借ApplicationMaster的存在，ApplicationMaster是分布式程序运行的核心，监控分布式计算程序有没有运行成功、负责向RM申请分布式程序运行的资源。

当有分布式计算程序在YARN上运行的时候，才会出现这两个进程。

三、YARN的详细工作流程–运行MapReduce

（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容器

（10）RM将运行MapTask任务分配给另外两个NodeManager，另外两个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向RM申请2个容器，运行ReduceTask。

（13）ReduceTask向MapTask获取相应分区的数据。

（14）程序运行完毕后，MR会向RM注销自己。

四、YARN的资源调度器问题

YARN在进行资源分配的时候，RM需要先将client或者AM申请的资源初始化成为一个task任务，资源的task任务不是直接下发给NM，而是先把task任务给加入到一个RM的调度器当中，由调度器在合适的时机下发任务给NM。

YARN中一共三种的资源调度器：

FIFIO资源调度器
- 是一种队列调度器，每一个任务加入到调度器中，按照时间的先后依次排列，给NM下发任务的时候，是先来的先分配，后来等待集群资源充足继续分配。
  只有一个队列，队列使用的集群中所有的资源。
- 特点：如果有些任务比较重要，必须排队，只有等到队列中你排到了最前面了才会给你分配。
- Hadoop1.x版本YARN默认的调度器机制
容量调度器
- 也是一个队列调度器，但是多个队列并行进行分配，每一个队列具备YARN集群中的部分资源。在同一个时刻，可以下发多个任务。
- Hadoop2.x和hadoop3.x默认调度器
公平调度器
- 也是可以具备多个队列，每个队列具备集群中的部分资源，不一样的地方在于每一个队列中的任务不等待，每一个任务都会启动，均匀的享有集群的资源。

修改：yarn-site.xml

yarn.resourcemanager.scheduler.class
org.apache.hadoop.yarn.server.resourcemanager.scheduler.capacity.CapacityScheduler

默认使用的容量调度器，容量调度器可以有多个队列，每一个队列占用集群的部分资源，默认情况下容量调度只有一个队列default，队列占有集群的所有资源，如果配置容量调度器的第二个队列：capacity-scheduler.xml。

<property>
    <name>yarn.scheduler.capacity.root.queues</name>
    <value>default,queueA</value>
    <description>
      The queues at the this level (root is the root queue).
    </description>
  </property>
容量调度器有几个队列

<!-- default 队列占用的资源容量百分比 40% -->
<property>
    <name>yarn.scheduler.capacity.root.default.capacity</name>
    <value>40</value>
  </property>
  <!-- default 队列占用的最大资源容量百分比 60%-->
  <property>
    <name>yarn.scheduler.capacity.root.default.maximum-capacity</name>
    <value>60</value>
  </property>

如果要配置多个队列，保证多个队列的capacity加起来是100，每一个队列的最大占用容量要大于等于配置队列容量。

五、YARN的web网站问题

YARN提供一个web网站，http://ip:8088，通过这个web网站，可以查看YARN集群的资源信息和队列信息，以及可以查看YARN上运行的分布式计算程序的状态以及运行的日志输出。

存在问题

1、YARN记录的分布式运行程序，只是本次开启有效，如果YARN关闭重启了，那么以前在YARN上运行的日志全部消失了。
2、YARN记录的分布式运行程序，在网站上看不到详细的日志信息，因此后期维护或者查看MR运行信息就很麻烦了。

解决上述问题的方案

第一步：配置MapReduce的历史服务器JobHistory，可以帮助YARN记忆以前开启的时候运行的MR程序。
历史服务器的配置主要在mapred-site.xml文件中配置，主要配置两项
- ```
<property>
      <name>mapreduce.jobhistory.address</name>
       <value>single:10020</value>
</property>
<property>
    <name>mapreduce.jobhistory.webapp.address</name>
    <value>single:19888</value>
</property>
```
- 如果使用历史服务器，必须启动历史服务器，如果不启动，历史服务器不会记录YARN上运行的分布式计算程序
  mr-jobhistory-daemon.sh start historyserver

第二步：配置YARN聚合MapReduce运行日志信息–可以在YARN的web界面查看MR的详细日志
配置yarn-site.xml文件

<!-- 日志聚集功能启动 -->
<property>
    <name>yarn.log-aggregation-enable</name>
    <value>true</value>
</property>
<!-- 日志保留时间设置7天 -->
<property>
        <name>yarn.log-aggregation.retain-seconds</name>
        <value>604800</value>
</property>

<property>
       <name>yarn.log.server.url</name>
       <value>http://single:19888/jobhistory/logs</value>        
</property>

Hadoop的第三大组成：YARN框架