Hadoop学习（五）——YARN运行原理剖析 - 大数据学习,java,hadoop,spark,hive,数据仓库

一、YARN的诞生

在hadoop1.0版本是没有yarn的概念的，而在hadoop2.0版本以上才出现了yarn，人们是希望有一套合理的管理机制，来控制整个集群的资源管理，可以搭配多种计算框架比如MapReduce，spark等等，于是才出现了yarn。

二、YARN的基本架构

yarn和hdfs一样也是一个主从架构（master、slave），分为

ResourceManager 全局资源管理器分配在master机器中，管理着NodeManager
NodeManager 节点资源任务管理器分配在slave机器中

图片.png

主要组成部分有：ResourceManager、NodeManager、Application Manager、Application Master、Resource Scheduler、Container

三、剖析ResourceManager

ResourceManager也是有2个组成成分，分为Application Manager（应用程序管理器）和Resource Scheduler（调度器）

Application Manager
负责接收客户端传来的job请求，为应用程序分配第一个Container（资源池）来运行我们第一个Application Master，并负责监控Application Master，如果Application Master挂掉了就重启它。
Scheduler
负责让我们每一个节点都充分利用起来，合理分配和调度任务。但它是一个纯调度器，不负责从事与具体应用程序相关的工作，比如运行map任务和reduce任务，监控程序，都不是它所做的。
- 队列调度器 FIFO Scheduler
  是最简单和容易理解的调度器，但不适合共享集群这种场景，因为他是把提交的任务按顺序放进队列中，在队头的任务先被分配资源执行，等前面任务满足需求后才往后分配资源，依次往后类推，这可能导致大的任务占据整个集群资源，而后面的小任务就被阻塞了。
- 容量调度器 Capacity Scheduler
  这个调度器以队列为单位划分资源，队列以分层方式组织资源，设计了多层级别的资源限制条件，比如队列资源限制、用户资源限制、用户应用程序数目资源限制，以便更好地让多用户共享集群。可以通过配置资源上限来灵活地防止资源滥用，队列里还是以FIFO方式调度，当一个队列的资源有剩余时，可以暂时将剩余资源共享给其他队列。这种相当于预先占用一定的系统资源。
- 公平调度器 Fair Scheduler
  这个调度器不需要预先占用一定的系统资源，Fair调度器会为所有正在执行的job动态调整系统资源。当只有一个大任务执行时资源都给它，当有第二个小任务执行时，系统会调整一半的资源给小任务，让这2任务公平共享集群资源，执行完后又会释放掉占用的资源，最终效果是Fair调度器可以得到高的资源利用率和保证小任务及时完成。

有关上面这3种调度器的详细学习就在这篇文章中，文章链接：https://www.jianshu.com/p/855e40f5437d

Application Master
负责监控map任务和reduce任务，每一个MapReduce程序都会产生一个Application Master，Application Master就相当于是一个任务的管理者。当我们提交一个MapReduce任务的时候，例如：hadoop jar xxx.jar命令，我们在后台jps下查看进程可以看到有一个MRAppMaster进程，这个就是Application Master。

image.png

上图的大致流程就是：
1、客户端发送任务请求给ResourceManager
2、Application Manager负责下达命令给Node Manager
3、Node Manager启动一个Application Master进程
4、Application Master和调度器请求资源启动map任务和reduce任务

Application Master的主要功能：
1、与ResourceManager的调度器协商获取资源。
2、与Node Manager节点通信，启动任务，停止任务，在这一阶段会涉及到Container（资源池）的知识。
3、监控其所管理的任务（map任务，reduce任务）执行状态，如果失败，则重新启动任务来申请资源。