此笔记是我学习 B站尚硅谷相关课程的学习笔记

一、Yarn 资源调度器

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。

1.1、Yarn 基础架构

YARN 主要由 ResourceManager、NodeManager、ApplicationMaster 和 Container 等组件构成。

RecourceManager相当于是整个资源管理器的老大。NodeManager相当于是一个节点的资源管理器的老大。ApplicationMaster相当于是控制一次任务的管理器老大。Contaier相当于是执行任务的环境。

1.2、Tarn 工作机制

MapReduce 程序提交到客户端所在的节点。
YarnRunner 向 ResourceManager 申请一个 Application。
ResourceManager 将该应用程序的资源路径返回给 YarnRunner。
该程序将运行所需资源提交到 HDFS 上。
程序资源提交完毕后，申请运行 mrAppMaster。
ResourceManager 将用户的请求初始化成一个 Task。
其中一个 NodeManager 领取到 Task 任务。
该 NodeManager 创建容器 Container，并产生 MRAppmaster。
Container 从 HDFS 上拷贝资源到本地。
MRAppmaster 向 RM 申请运行 MapTask 资源。
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。
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。
MrAppMaster 等待所有 MapTask 运行完毕后，向 RM 申请容器，运行 ReduceTask。
ReduceTask 向 MapTask 获取相应分区的数据。
程序运行完毕后，MR 会向 RM 申请注销自己。

1.3、作业提交全过程

1.3.1、流程图

HDFS、Yarn、MapReduce三者关系：

作业提交过程之Yarn：

作业提交过程之 HDFS & MapReduce

1.3.2、作业提交全过程详解

作业提交
1. Client 调用 job.waitForCompletion 方法，向整个集群提交 MapReduce 作业。
2. Client 向 RM 申请一个作业 id。
3. RM 给 Client 返回该 job 资源的提交路径和作业 id。
4. Client 提交 jar 包、切片信息和配置文件到指定的资源提交路径。
5. Client 提交完资源后，向 RM 申请运行 MrAppMaster。
作业初始化
1. 当 RM 收到 Client 的请求后，将该 job 添加到容量调度器中。
2. 某一个空闲的 NM 领取到该 Job。
3. 该 NM 创建 Container，并产生 MRAppmaster。
4. 下载 Client 提交的资源到本地。
任务分配
1. MrAppMaster 向 RM 申请运行多个 MapTask 任务资源。
2. 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。
任务运行
1. 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。
2. MrAppMaster等待所有MapTask运行完毕后，向RM申请容器，运行ReduceTask。
3. ReduceTask 向 MapTask 获取相应分区的数据。
4. 程序运行完毕后，MR 会向 RM 申请注销自己。
进度和状态更新

Yarn中的任务将器进度和状态（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。
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。

1.4、Yarn 调度器和调度算法

目前，Hadoop 作业调度器主要有三种：

先进先出调度器（FIFO）
容量（Capacity Scheduler）
公平（Fair Scheduler）

Apache Hadoop3.3.3 默认的资源调度器是容量（Capacity Scheduler）。

CDH 框架默认调度器是公平（Fair 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>

1.4.1、先进先出调度器（FIFO）

FIFO 调度器（First In First Out）：单队列，根据提交作业的先后顺序，先来先服务。

优点：简单易懂

缺点：不支持多队列，生产环境很少使用

1.4.2、容量调度器（Capacity Scheduler）

Capacity Scheduler 是 Yahoo 开发的多用户调度器。

1.4.2.1、特点

多队列：每个队列可配置一定的资源量，每个队列采用FIFO调度策略
容量保证：管理员可为每个队列设置资源最低保证和资源使用上限
灵活性：如果一个队列中的资源有剩余，可以暂时共享给那些需要资源的队列，而一旦该队列有新的应用程序提交，则其他队列借调的资源会归还给该队列。
多租户：
- 支持多用户共享集群和多应用程序同时运行。
- 为了防止同一个用户的作业独占队列中的资源，该调度器会对同一用户提交的作业所占资源量进行限定

1.4.2.2、分配算法

队列资源分配从root开始，使用深度优先算法，优先选择资源占用率最低的队列分配资源。
作业资源分配默认按照提交作业的优先级和提交时间顺序分配资源。
容器资源分配按照容器的优先级分配资源，如果优先级相同，按照数据本地性原则：
1. 任务和数据在同一节点
2. 任务和数据在同一机架
3. 任务和数据不在同一节点也不在同一机架