Yarn资源调度器

mayishijie
381 阅读4分钟

前言

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。

1. Yarn基本架构

image.png

1. RM(ResourceManager)-Yarn调度中心的总大脑

  1. 处理客户端请求
  2. 监控NodeManager
  3. 启动或监控ApplicationMaster
  4. 资源的分配与调度

2. NM(NodeManager)-Yarn分支上的大脑

  1. 管理单个节点上的资源
  2. 处理来自ResourceManager上的命令
  3. 处理来自ApplicationMaster的命令

3. ApplicationMaster-任务的头

  1. 负责数据的切分
  2. 为应用程序申请资源并分配给内部任务
  3. 任务的监控与容错

4. Container-身体

它是yarn上资源抽象，封装了CPU，内存，网络等资源

2. yarn工作机制

image.png

2.1 yarn工作机制详细过程

​ （1）MR程序提交到客户端所在的节点。

​ （2）YarnRunner向ResourceManager申请一个Application。

​ （3）RM将该应用程序的资源路径返回给YarnRunner。

​ （4）该程序将运行所需资源提交到HDFS上。

​ （5）程序资源提交完毕后，申请运行mrAppMaster。

​ （6）RM将用户的请求初始化成一个Task。

​ （7）其中一个NodeManager领取到Task任务。

​ （8）该NodeManager创建容器Container，并产生MRAppmaster。

​ （9）Container从HDFS上拷贝资源到本地。

​ （10）MRAppmaster向RM 申请运行MapTask资源。

​ （11）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。

​ （12）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。

​ （13）MrAppMaster等待所有MapTask运行完毕后，向RM申请容器，运行ReduceTask。

​ （14）ReduceTask向MapTask获取相应分区的数据。

​ （15）程序运行完毕后，MR会向RM申请注销自己。

2.2 mr作业提交全流程

流程图和上面的一致

image.png

作业提交流程详解

  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。

3. 资源调度器

目前Hadoop作业调度器主要有三种

  1. FIFO：先进先出
  2. Capacity Scheduler(Hadoop默认调度器)：容量调度器
  3. Fair Scheduler：公平调度器

1. FIFO(先进先出)

image.png

2. Capacity Scheduler（容量调度器）

image.png

3. Fair Scheduler（公平调度器）

image.png

image.png

4. 容量调度器多队列配置

默认Yarn的配置下，容量调度器只有一条Default队列。在capacity-scheduler.xml中可以配置多条队列，并降低default队列资源占比

1. 修改配置

<property>
    <name>yarn.scheduler.capacity.root.queues</name>
    <value>default,hive</value>
    <description>
      The queues at the this level (root is the root queue).
    </description>
</property>
<property>
    <name>yarn.scheduler.capacity.root.default.capacity</name>
    <value>40</value>
</property>

2. 配置新队列属性

<property>
    <name>yarn.scheduler.capacity.root.hive.capacity</name>
    <value>60</value>
</property>

<property>
    <name>yarn.scheduler.capacity.root.hive.user-limit-factor</name>
    <value>1</value>
</property>

<property>
    <name>yarn.scheduler.capacity.root.hive.maximum-capacity</name>
    <value>80</value>
</property>

<property>
    <name>yarn.scheduler.capacity.root.hive.state</name>
    <value>RUNNING</value>
</property>

<property>
    <name>yarn.scheduler.capacity.root.hive.acl_submit_applications</name>
    <value>*</value>
</property>

<property>
    <name>yarn.scheduler.capacity.root.hive.acl_administer_queue</name>
    <value>*</value>
</property>

<property>
    <name>yarn.scheduler.capacity.root.hive.acl_application_max_priority</name>
    <value>*</value>
</property>

<property>
    <name>yarn.scheduler.capacity.root.hive.maximum-application-lifetime</name>
    <value>-1</value>
</property>

<property>
    <name>yarn.scheduler.capacity.root.hive.default-application-lifetime</name>
    <value>-1</value>
</property>

3. 配置完，重启Yarn即可

image.png

  1. 指定任务提交到指定队列

    configuration.set("mapred.job.queue.name", "hive");

image.png

avatar
文章
阅读
粉丝