YARN的由来
从Hadoop2开始，官方把资源管理单独剥离出来，主要是为了考虑后期作为一个公共的资源管理平台，任何满足规则的计算引擎都可以在它上面执行。
所以YARN可以实现HADOOP集群的资源共享，不仅仅可以跑MapRedcue，还可以跑Spark、Flink。
YARN架构分析
咱们之前部署Hadoop集群的时候也对YARN的架构有了基本的了解
YARN主要负责集群资源的管理和调度 ，支持主从架构，主节点最多可以有2个，从节点可以有多个
其中：ResourceManager：是主节点，主要负责集群资源的分配和管理
NodeManager：是从节点，主要负责当前机器资源管理
YARN资源管理模型
YARN主要管理内存和CPU这两种资源类型
当NodeManager节点启动的时候自动向ResourceManager注册，将当前节点上的可用CPU信息和内存信息注册上去。
这样所有的nodemanager注册完成以后，resourcemanager就知道目前集群的资源总量了。
那我们现在来看一下我这个一主两从的集群资源是什么样子的，打开yarn的8088界面
注意，这里面显示的资源是集群中所有从节点的资源总和，不包括主节点的资源，
那我们再详细看一下每一个从节点的资源信息
但是这个数值是对不上的，我的linux机器每台只给它分配了2G的内存，通过free -m可以看到
CPU只分配了1个，通过top命令可以看到
那为什么在这里显示是内存是8G，CPU是8个呢？
看一下下面这2个参数
yarn.nodemanager.resource.memory-mb：单节点可分配的物理内存总量，默认是8MB*1024，即8G
yarn.nodemanager.resource.cpu-vcores：单节点可分配的虚拟CPU个数，默认是8
看到没有，这都是默认单节点的内存和CPU信息，就算你这个机器没有这么多资源，但是在yarn-default.xml中有这些默认资源的配置，这样当nodemanager去上报资源的时候就会读取这两个参数的值，这也就是为什么我们在前面看到了单节点都是8G内存和8个cpu，其实我们的linux机器是没有这么大资源的，那你这就是虚标啊，肯定不能这样干，你实际有多少就是多少，所以我们可以修改这些参数的值，修改的话就在yarn-site.xml中进行配置即可，改完之后就可以看到真实的信息了。
YARN中的调度器
接下来我们来详细分析一下YARN中的调度器，这个是非常实用的东西，面试的时候也会经常问到。
大家可以想象一个场景，我们集群的资源是有限的，在实际工作中会有很多人向集群中提交任务，那这时候资源如何分配呢？
如果你提交了一个很占资源的任务，这一个任务就把集群中90%的资源都占用了，后面别人再提交任务，剩下的资源就不够用了，这个时候怎么办？
让他们等你的任务执行完了再执行？还是说你把你的资源匀出来一些分给他，你少占用一些，让他也能慢慢执行？
YARN中支持三种调度器：
- 1：FIFO Scheduler：先进先出(first in, first out)调度策略
- 2：Capacity Scheduler：FIFO Scheduler的多队列版本
- 3：FairScheduler：多队列，多用户共享资源
下面来看图分析一下这三种调度器的特性
- FIFO Scheduler：是先进先出的，大家都是排队的，如果你的任务申请不到足够的资源，那你就等着，等前面的任务执行结束释放了资源之后你再执行。这种在有些时候是不合理的，因为我们有一些任务的优先级比较高，我们希望任务提交上去立刻就开始执行，这个就实现不了了。
- CapacityScheduler：它是FifoScheduler的多队列版本，就是我们先把集群中的整块资源划分成多份，我们可以人为的给这些资源定义使用场景，例如图里面的queue A里面运行普通的任务，queueB中运行优先级比较高的任务。这两个队列的资源是相互对立的, 但是注意一点，队列内部还是按照先进先出的规则。
- FairScheduler：支持多个队列，每个队列可以配置一定的资源，每个队列中的任务共享其所在队列的所有资源，不需要排队等待资源, 具体是这样的，假设我们向一个队列中提交了一个任务，这个任务刚开始会占用整个队列的资源，当你再提交第二个任务的时候，第一个任务会把他的资源释放出来一部分给第二个任务使用
在实际工作中我们一般都是使用第二种，CapacityScheduler，从hadoop2开始，CapacityScheduler也是集群中的默认调度器了, 那下面我们到集群上看一下，点击左侧的Scheduler查看
Capacity，这个是集群的调度器类型，
下面的root是根的意思，他下面目前只有一个队列，叫default，我们之前提交的任务都会进入到这个队列中。
下面我们来修改一下，增加多个队列
案例：YARN多资源队列配置和使用
我们的需求是这样的，希望增加2个队列，一个是online队列，一个是offline队列
然后向offline队列中提交一个mapreduce任务
online队列里面运行实时任务
offline队列里面运行离线任务，我们现在学习的mapreduce就属于离线任务
实时任务我们后面会学习，等讲到了再具体分析。
这两个队列其实也是我们公司中最开始分配的队列，不过随着后期集群规模的扩大和业务需求的增加，后期又增加了多个队列。
在这里我们先增加这2个队列，后期再增加多个也是一样的。
具体步骤如下：
修改集群中etc/hadoop,目录下的capacity-scheduler.xml配置文件,修改和增加以下参数，针对已有的参数，修改value中的值，针对没有的参数，则直接增加,这里的default是需要保留的，增加online,offline，这三个队列的资源比例为7:1:2
具体的比例需要根据实际的业务需求来，看你们那些类型的任务比较多，对应的队列中资源比例就调高一些，我们现在暂时还没有online任务，所以我就把online队列的资源占比设置的小一些。
先修改bigdata01上的配置
[root@bigdata01 hadoop]# vi capacity-scheduler.xml
<property>
<name>yarn.scheduler.capacity.root.queues</name>
<value>default,online,offline</value>
<description>队列列表,多个队列之间使用逗号分割</description>
</property>
<property>
<name>yarn.scheduler.capacity.root.default.capacity</name>
<value>70</value>
<description>default队列70%</description>
</property>
<property>
<name>yarn.scheduler.capacity.root.online.capacity</name>
<value>10</value>
<description>online队列10%</description>
</property>
<property>
<name>yarn.scheduler.capacity.root.offline.capacity</name>
<value>20</value>
<description>offline队列20%</description>
</property>
<property>
<name>yarn.scheduler.capacity.root.default.maximum-capacity</name>
<value>70</value>
<description>Default队列可使用的资源上限.</description>
</property>
<property>
<name>yarn.scheduler.capacity.root.online.maximum-capacity</name>
<value>10</value>
<description>online队列可使用的资源上限.</description>
</property>
<property>
<name>yarn.scheduler.capacity.root.offline.maximum-capacity</name>
<value>20</value>
<description>offline队列可使用的资源上限.</description>
</property>
修改好以后再同步到另外两个节点上
然后重启集群才能生效
[root@bigdata01 hadoop-3.2.0]# sbin/stop-all.sh
[root@bigdata01 hadoop-3.2.0]# sbin/start-all.sh
进入yarn的web界面，查看最新的调度器队列信息
注意了，现在默认提交的任务还是会进入default的队列，如果希望向offline队列提交任务的话，需要指定队列名称，不指定就进默认的队列
在这里我们还需要同步微调一下代码，否则我们指定的队列信息 代码是无法识别的
拷贝WordCountJob类，新的类名为WordCountJobQueue
主要在job配置中增加一行代码
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.Reducer;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.hadoop.util.GenericOptionsParser;
import org.slf4j.Logger;
import org.slf4j.LoggerFactory;
import java.io.IOException;
public class WordCountJobQueue {
/**
* 创建自定义mapper类
*/
public static class MyMapper extends Mapper<LongWritable, Text, Text, LongWritable> {
Logger logger = LoggerFactory.getLogger(MyMapper.class);
/**
* 需要实现map函数
* 这个map函数就是可以接收k1,v1， 产生k2,v2
*
* @param k1
* @param v1
* @param context
* @throws IOException
* @throws InterruptedException
*/
@Override
protected void map(LongWritable k1, Text v1, Context context) throws IOException, InterruptedException {
// k1代表的是每一行的行首偏移量，v1代表的是每一行内容
// 对获取到的每一行数据进行切割，把单词切割出来
String[] words = v1.toString().split(" ");
logger.info("<k1,v1>=<"+k1.get()+","+v1.toString()+">");
// System.out.println("<k1,v1>=<"+k1.get()+","+v1.toString()+">");
for (String word : words) {
// 迭代切割出来的单词数据
Text k2 = new Text(word);
LongWritable v2 = new LongWritable(1L);
logger.info("k2:"+word+"...v2:1");
// System.out.println("k2:"+word+"...v2:1");
// 把<k2,v2>写出去 context.write(k2,v2);
context.write(k2, v2);
}
}
}
/**
* 创建自定义reducer类
*/
public static class MyReducer extends Reducer<Text, LongWritable, Text, LongWritable> {
Logger logger = LoggerFactory.getLogger(MyReducer.class);
/**
* 针对<k2,{v2……}>的数据进行累加求和，并且最终把数据转化为k3,v3写出去
*
* @param k2
* @param v2s
* @param context
* @throws IOException
* @throws InterruptedException
*/
@Override
protected void reduce(Text k2, Iterable<LongWritable> v2s, Context context) throws IOException, InterruptedException {
long sum = 0L;
for (LongWritable v2 : v2s) {
logger.info("<k2,v2>=<"+k2.toString()+","+v2.get()+">");
// System.out.println("<k2,v2>=<"+k2.toString()+","+v2.get()+">");
sum += v2.get();
}
Text k3 = k2;
LongWritable v3 = new LongWritable(sum);
logger.info("<k3,v3>=<"+k3.toString()+","+v3.get()+">");
// System.out.println("<k3,v3>=<"+k3.toString()+","+v3.get()+">");
context.write(k3, v3);
}
}
public static void main(String[] args) {
try {
// job需要的配置参数
Configuration conf = new Configuration();
// 解析命令行中通过-D传递过来的参数，添加到conf中
String[] remainingArgs = new GenericOptionsParser(conf, args).getRemainingArgs();
// 创建一个job
Job job = Job.getInstance(conf);
// 注意：这一行必须设置，否则在集群中执行的是找不到WordCountJob这个类
job.setJarByClass(WordCountJobQueue.class);
// 指定输入路径(可以是文件，也可以是目录)
FileInputFormat.setInputPaths(job, new Path(remainingArgs[0]));
// 指定输出路径(只能指定一个不存在的目录)
FileOutputFormat.setOutputPath(job, new Path(remainingArgs[1]));
// 指定map相关的代码
job.setMapperClass(MyMapper.class);
// 指定k2的类型
job.setMapOutputKeyClass(Text.class);
// 指定v2的类型
job.setMapOutputValueClass(LongWritable.class);
// 指定reduce相关的代码
job.setReducerClass(MyReducer.class);
// 指定k3的类型
job.setOutputKeyClass(Text.class);
// 指定v3的类型
job.setOutputValueClass(LongWritable.class);
job.waitForCompletion(true);
} catch (Exception e) {
e.printStackTrace();
}
}
}
hadoop jar db_hadoop-1.0-SNAPSHOT-jar-with-dependencies.jar com.cjt.mr.WordCountJobQueue -Dmapreduce.job.queuename=offline /test/hello.txt /out
不指定依旧是defalut
hadoop jar db_hadoop-1.0-SNAPSHOT-jar-with-dependencies.jar com.cjt.mr.WordCountJobQueue /test/hello.txt /out
