文章目录
一、Yarn基本架构二、Yarn工作机制三、作业提交全过程四、资源调度器五、任务的推测执行
一、Yarn基本架构
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。YARN主要由ResourceManager、NodeManager、ApplicationMaster和Container等组件构成：
二、Yarn工作机制
运行机制 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。
三、作业提交全过程
作业提交过程之YARN: 1.2 作业提交全过程详解 （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。
作业提交过程之MapReduce
四、资源调度器
目前，Hadoop作业调度器主要有三种：FIFO、Capacity Scheduler和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）
五、任务的推测执行
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？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。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
in parallel.
</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
>
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。算法原理
