YARN是什么
Apache Hadoop YARN （Yet Another Resource Negotiator，另一种资源协调者）是一种新的 Hadoop 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。
Hadoop2.0对MapReduce框架做了彻底的设计重构，我们称Hadoop2.0中的MapReduce为MRv2或者Yarn。在介绍Yarn之前，我们先回头看一下Hadoop1.x对MapReduce job的调度管理方式（可参考：Hadoop核心之MapReduce架构设计），它主要包括两部分功能：
1. ResourceManagement 资源管理
2. JobScheduling/JobMonitoring 任务调度监控
但是到了Hadoop2.x也就是Yarn，它的目标是将这两部分功能分开，也就是分别用两个进程来管理这两个任务：
1. ResourceManger
2. ApplicationMaster
需要注意的是，在Yarn中我们把job的概念换成了application，因为在新的Hadoop2.x中，运行的应用不只是MapReduce了，还有可能是其它应用如一个DAG（有向无环图Directed Acyclic Graph，例如storm应用）。Yarn的另一个目标就是拓展Hadoop，使得它不仅仅可以支持MapReduce计算，还能很方便的管理诸如Hive、Hbase、Pig、Spark/Shark等应用。这种新的架构设计能够使得各种类型的应用运行在Hadoop上面，并通过Yarn从系统层面进行统一的管理，也就是说，有了Yarn，各种应用就可以互不干扰的运行在同一个Hadoop系统中，共享整个集群资源，如下图所示：
YRAN统一管理的优势
YARN是统一资源管理和调度。
MapReduce，Spark ，Storm等组件都会使用YARN管理的资源.
YARN在Hadoop生态系统中的位置
YARN与MapReduce的区别
Yarn是一个资源的管理和调度框架，不是计算框架。
MapReduce是调度又是计算框架。
YARN产生背景
mapreduce1.0回顾
如果集群大了，性能就会下降，会出错！
MapReduce1.0的缺陷
扩展性差
JobTracker 同时兼备了资源管理和作业控制两个功能，中央集权严重制约了
Hadoop 集群扩展性。
single point of failure（单点故障）
MRv1 采用了 master/slave 结构，其中master 存在单点故障问题，一旦它出现故障将导致整个集群不可用
所以，要做HA,转到其他的节点，正常使用集群。
资源利用率低
MRv1 采用基于slot的粗粒度的资源分配模型，分为Map slot和Reduce slot，可由用户通过
mapreduce.tasktracker.map.tasks.maximum和mapreduce.tasktracker.reduce.tasks.maximum分别设置，默认分别为2
某个任务用不完的资源其他任务也不能用，map和reduce的资源也是完全不能共享的(比如一个作业刚刚提交时，只会运行Map Task，此时Reduce Slot 闲置)
通用性差
随着互联网高速发展导致数据量剧增，MapReduce 这种基于磁盘的离线计算框架已经不能满足应用要求，从而出现了一些新的计算框架以应对各种场景，包括内存计算框架、流式计算框架和迭代式计算框架等，而MRv1 不能支持多种计算框架并存。
YARN基本架构
整个Yarn的架构图
ResourceManage（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（Scheduler）和应用程序管理器（Applications Manager，ASM）。
ResourceManager负责集群资源的统一管理和调度，承担了 JobTracker
的角色，整个集群只有“一个”，总的来说，RM有以下作用：
1、处理客户端请求
2、启动或监控ApplicationMaster
3、监控NodeManager
4、资源的分配与调度
（1）调度器
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。
需要注意的是，该调度器是一个“纯调度器”，它不再从事任何与具体应用程序相关的工作，比如不负责监控或者跟踪应用的执行状态等，也不负责重新启动因应用执行失败或者硬件故障而产生的失败任务，这些均交由应用程序相关的ApplicationMaster完成。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”（Resource Container，简称Container）表示，Container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，该调度器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Fair Scheduler和Capacity Scheduler等。
（2） 应用程序管理器
应用程序管理器负责管理整个系统中所有应用程序，包括应用程序提交、与调度器协商资源以启动ApplicationMaster、监控ApplicationMaster运行状态并在失败时重新启动它等。
NodeManager(NM)
NM是每个节点上的资源和任务管理器，NodeManager管理YARN集群中的每个节点。NodeManager 提供针对集群中每个节点的服务，从监督对一个容器的终生管理到监视资源和跟踪节点健康。MRv1 通过slot管理 Map 和 Reduce 任务的执行，而 NodeManager 管理抽象容器，这些容器代表着可供一个特定应用程序使用的针对每个节点的资源。NM有以下作用
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
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Container的运行状态；另一方面，它接收并处理来自AM的Container启动/停止等各种请求。
ApplicationMaster(AM)
每个应用有一个，负责应用程序的管理 。
ApplicationMaster 负责协调来自 ResourceManager 的资源，并通过
NodeManager 监视容器的执行和资源使用（CPU、内存等的资源分配）。请注意，尽管目前的资源比较传统（CPU 核心、内存），但未来会带来支持的新资源类型（比如图形处理单元或专用处理设备）。
用户提交的每个应用程序均包含1个AM。
AM有以下作用：
1、负责数据的切分
2、为应用程序申请资源并分配给内部的任务
3、任务的监控与容错
与RM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；
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。
当前YARN自带了两个AM实现，一个是用于演示AM编写方法的实例程序distributed shell，它可以申请一定数目的Container以并行运行一个Shell命令或者Shell脚本；另一个是运行MapReduce应用程序的AM—MRAppMaster.
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，当AM向RM申请资源时，RM为AM返回的资源便是用
Container表示的。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。
需要注意的是，Container不同于MRv1中的slot，它是一个动态资源划分单位，是根据应用程序的需求动态生成的。
Container有以下作用：
1. 对任务运行环境进行抽象，封装CPU、内存等多维度的资源以及环境变量、启动命令等任务运行相关的信息
YARN的工作流程
当用户向YARN中提交一个应用程序后，YARN将分两个阶段运行该应用程序：
整个执行过程可以总结为三步：
1、应用程序提交
2、启动ApplicationMaster；
3、由ApplicationMaster创建应用程序，为它申请资源，并监控它的整个运行过程，直到运行完成。
详细
详细步骤
步骤1：用户向YARN中提交应用程序，其中包括ApplicationMaster程序、启动ApplicationMaster、用户程序等。
步骤2：ResourceManager为该应用程序分配第一个Container，并与对应的NodeManager通信，要求它在这个Container中启动应用程序的ApplicationMaster。
步骤3：ApplicationMaster首先向ResourceManager注册，这样用户可以直接通过ResourceManager查看应 用程序的运行状态，然后它将为各个任务申请资源，并监控他的运行状态，直到运行结束，即要重复步骤4-7。
步骤4：ApplicationMaster采用轮询的方式通过RPC协议找ResourceManager申请和领取资源。
步骤5：一旦Application申请到资源后，便与对应的NodeManager通信，要求启动任务。
步骤6：NodeManager为任务设置好运行环境，包括环境变量、JAR包、二进制程序等，然后将任务启动命令写到另一个脚本中，并通过运行该脚本启动任务。
步骤7：各个任务通过RPC协议向ApplicationMaster汇报自己的状态和进度，ApplicationMaster随时掌握各个 任务的运行状态，从而可以再任务失败时重新启动任务。在应用程序运行过程中，用户可以随时通过RPC协议
ApplicationMaster查询应用程序的当前运行状态。
步骤８：应用程序运行完成后，ApplicationMaster向ResourceManager注销并关闭自己。
YARN HA
HA：主要解决单点故障的问题
在hadoop2.X中通常由两个NameNode组成，一个处于active状态，另一个处于standby状态。Active NameNode对外提供服务，而Standby NameNode则不对外提供服务，仅同步active namenode的状态，以便能够在它失败时快速进行切换。
完成安装zookeeper集群：主要作用是用于ZKFC（DFSZKFailoverController）故障转移，当Active NameNode挂掉了，会自动切换Standby NameNode为standby状态。
YARN容错性
ResourceManager
基于ZooKeeper实现HA。
详解 ZooKeeper实现HA
https://blog.csdn.net/WYpersist/article/details/79814198
官网：
http://hadoop.apache.org/docs/r2.7.3/hadoop-yarn/hadoop-yarn-site/ResourceManagerHA.html
NodeManager
失败后，RM将失败任务告诉对应的AM；
AM决定如何处理失败的任务。
ApplicationMaster
失败后，由RM负责重启；
AM需处理内部任务的容错问题；
RMAppMaster会保存已经运行完成的Task，重启后无需重新运行。
MapReduce2.0与YARN
YARN和MapReduce的关系—由hadoop1.0到hadoop2.0的变迁说起
YARN是一个资源管理系统，负责资源管理和调度
MapReduce只是运行在YARN上的一个应用程序
如果把YARN看做“android”，则MapReduce只是一个“app”
MapReduce 1.0与MapReduce 2.0
MapReduce 1.0是一个独立的系统，直接运行在Linux之上
MapReduce 2.0则是运行YARN上的框架，且可与多种框架一起运行在YARN上
YARN调度器(Scheduler)
理想情况下，我们应用对Yarn资源的请求应该立刻得到满足，但现实情况资源往往是有限的，特别是在一个很繁忙的集群，一个应用资源的请求经常需要等待一段时间才能的到相应的资源。
在Yarn中，负责给应用分配资源的就是Scheduler。
其实调度本身就是一个难题，很难找到一个完美的策略可以解决所有的应用场景。为此，Yarn提供了多种调度器和可配置的策略供我们选择。
FIFO Scheduler(先进先出调度器)
1. 先提交的作业，就先执行
2. 有一个缺点：不能在共享集群里面用，所以就说不能在YRAN里面调度方式，但是可以在每一个调度器里面使用的。
Capacity Scheduler(容量调度器)
FairS cheduler(公平调度器)
1. 公平调度器，就是能够共享整个集群的资源
2. 不用预先占用资源，每一个作业都是共享的
3. 每当提交一个作业的时候，就会占用整个资源。如果再提交一个作业，那么第一个作业就会分给第二个作业一部分资源，第一个作业也就释放一部分资源。再提交其他的作业时，也同理。。。。也就是说每一个作业进来，都有机会获取资源。
资源：resource Scheduler
Fair Scheduler与Capacity Scheduler不同之处主要体现在以下几个方面：
· 资源公平共享：在每个队列中，Fair Scheduler可选择按照FIFO、Fair或DRF策略为应用程序分配资源。Fair策略即平均分配，默认情况下，每个队列采用该方式分配资源
· 支持资源抢占：当某个队列中有剩余资源时，调度器会将这些资源共享给其他队列，而当该队列中有新的应用程序提交时，调度器要为它回收资源。为了尽可能降低不必要的计算浪费，调度器采用了先等待再强制回收的策略，即如果等待一段时间后尚有未归还的资源，则会进行资源抢占；从那些超额使用资源的队列中杀死一部分任务，进而释放资源
· 负载均衡：Fair Scheduler提供了一个基于任务数的负载均衡机制，该机制尽可能将系统中的任务均匀分配到各个节点上。此外，用户也可以根据自己的需求设计负载均衡机制
· 调度策略灵活配置：Fiar Scheduler允许管理员为每个队列单独设置调度策略（当前支持FIFO、Fair或DRF三种）
· 提高小应用程序响应时间：由于采用了最大最小公平算法，小作业可以快速获取资源并运行完成
详解调度器
https://blog.csdn.net/WYpersist/article/details/79814152
并行编程角度理解YARN
可将YARN看做一个云操作系统，它负责为应用程序启动ApplicationMaster（相当于主线程），然后再由ApplicationMaster负责数据切分、任务分配、启动和监控等工作，而由ApplicationMaster启动的各个Task（相当于子线程）仅负责自己的计算任务。当所有任务计算完成后，ApplicationMaster认为应用程序运行完成，然后退出。
