11）Hadoop之YARN

基本架构

• YARN主要由ResourceManager、NodeManager、ApplicationMaster、Container等组件构成，如下图所示：
  

Yarn工作机制

• Yarn运行机制，如图所示:
  
• 工作机制详解:
  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将应用程序的资源路径返回给YarnRunner
  4. 该程序将运行所需的资源提交到HDFS上
  5. 程序资源提交完毕之后，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将资源从HDFS拷贝到本地
  10. MRAppmaster向ResourceManager申请运行Task的资源
  11. ResourceManager将运行MapTask任务分配给另外两个NodeManager，另外两个NM分别领取Task并创建容器
  12. MR向两个领取到任务的NM发送程序启动脚本，两个NM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ResourceManager申请容器，运行ReduceTask
  14. ReduceTask向MapTask获取相应的分区数据
  15. 程序结束后，MR会向ResourceManager申请注销自己

作业提交全过程详解

（参考上图）

1. 作业提交
   第1步： Client调用waitForCompletion方法，向这个集群提交MR作业
   第2步：Client向ResourceManager申请一个作业id
   第3步：ResourceManager给Client返回该Job的资源提交路径和作业id
   第4步：Client提交jar包、切片信息、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ResourceManager申请运行MRAppMaster

2. 作业初始化
   第6步：当ResourceManager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NodeManager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ResourceManager申请运行多个MapTask任务
   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。

资源调度器

• 目前，Hadoop的资源调度器主要有三种：先进先出调度器（FIFO）、容量调度器（Capacity Scheduler）和 公平调度器（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>

• 先进先出调度器（FIFO）
  

• 容量调度器（Capacity Scheduler）
  

• 公平调度器（Fair Scheduler）
  

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。
   思考：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。mapred-site.xml文件中默认是打开的

      <property>
      	<name>mapreduce.map.speculative</name>
      	<value>true</value>
      	<description>If true, then multiple instances of some map tasks may be executed inparallel.</description>
      </property>
      
      <property>
      	<name>mapreduce.reduce.speculative</name>
      	<value>true</value>
      	<description>If true, then multiple instances of some reduce tasks may be executed in parallel.</description>
      </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，如图所示