- 1 Yarn 资源调度器
- 1.1 Yarn 基础架构
- 1.4 Yarn 调度器和调度算法
- 1.4.1 先进先出调度器（FIFO）
- 1.4.2 容量调度器（Capacity Scheduler）
- 1.4.3 公平调度器（Fair Scheduler）
- 2 Yarn案例实操
- 2.1 Yarn 生产环境核心参数配置案例
- 2.2 容量调度器多队列提交案例
- 2.2.1 需求
- 2.2.2 配置多队列的容量调度器
- 2.2.3 向 Hive 队列提交任务
- 2.2.4 任务优先级
- 2.3 公平调度器案例
- 2.3.1 需求
- 2.3.2 配置多队列的公平调度器
- 2.3.3 测试提交任务
在开始讲述Yarn之前我们应该思考：1、Hadoop如何管理集群资源？2、Hadoop如何给任务合理分配资源？
这一切都是通过Yarn来进行的，所以Yarn是个什么东西呢？
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.
Yarn的基础架构：
Yarn的工作机制：
作业提交
- MR 程序提交到客户端所在的节点。
- YarnRunner 向 ResourceManager 申请一个 Application。
- RM 将该应用程序的资源路径返回给 YarnRunner。
- 该程序提交 jar 包、切片信息和配置文件到指定的HDFS资源提交路径。。
- 程序资源提交完毕后，向 RM申请运行 mrAppMaster。
作业初始化 - RM 将用户的请求初始化成一个 Task，将该 Task添加到容量调度器中。
- 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。
任务分配 - 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(这里假设Task任务分成了两个切块任务，且这两个任务不一定在不同的节点上运行)。
任务运行 - 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。
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。
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。
目前，Hadoop 作业调度器主要有三种：FIFO、容量（Capacity Scheduler）和公平（FairScheduler）。Apache Hadoop3.1.3 默认的资源调度器是 Capacity Scheduler。
具体设置详见：yarn-default.xml 文件
1.4.1 先进先出调度器（FIFO）The class to use as the resource scheduler. yarn.resourcemanager.scheduler.class org.apache.hadoop.yarn.server.resourcemanager.scheduler.capacity.CapacityScheduler
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（几乎不使用）。
优点：简单易懂
缺点：不支持多队列，生产环境很少使用
Capacity Scheduler 是 Yahoo 开发的多用户调度器。
容量调度器特点:
容量调度器资源分配算法:
Fair Schedulere 是 Facebook 开发的多用户调度器.
公平调度器特点:
公平调度器——缺额
公平调度器队列资源分配方式
公平调度器资源分配算法
公平调度器队列资源分配方式
注：调整下列参数之前尽量拍摄 Linux 快照，否则后续的案例，还需要重写准备集群。
2.1 Yarn 生产环境核心参数配置案例1.、需求：从 1G 数据中，统计每个单词出现次数。服务器 3 台，每台配置 4G 内存，4 核CPU，4 线程。
2.、需求分析：
1G / 128m = 8 个 MapTask；1 个 ReduceTask；1 个 mrAppMaster
平均每个节点运行 10 个 / 3 台 ≈ 3 个任务（4 3 3）
3、修改 yarn-site.xml 配置参数如下：
在yarn-site.xml后插入：
The class to use as the resource scheduler. yarn.resourcemanager.scheduler.class org.apache.hadoop.yarn.server.resourcemanager.scheduler.capacity.CapacityScheduler Number of threads to handle scheduler interface. yarn.resourcemanager.scheduler.client.thread-count 8 Enable auto-detection of node capabilities such as memory and CPU. yarn.nodemanager.resource.detect-hardware-capabilities false Flag to determine if logical processors(such as hyperthreads) should be counted as cores. only applicable on Linux when yarn.nodemanager.resource.cpu-vcores is set to -1 and yarn.nodemanager.resource.detect-hardware-capabilities is true. yarn.nodemanager.resource.count-logical-processors-ascores false Multiplier to determine how to convert phyiscal cores to vcores. This value is used if yarn.nodemanager.resource.cpu-vcoresis set to -1 (which implies auto-calculate vcores) and yarn.nodemanager.resource.detect-hardware-capabilities is set to true. The number of vcores will be calculated as number of CPUs * multiplier. yarn.nodemanager.resource.pcores-vcores-multiplier 1.0 Amount of physical memory, in MB, that can be allocated for containers. If set to -1 and yarn.nodemanager.resource.detect-hardware-capabilities is true, it isautomatically calculated(in case of Windows and Linux). In other cases, the default is 8192MB. yarn.nodemanager.resource.memory-mb 4096 Number of vcores that can be allocated for containers. This is used by the RM scheduler when allocating resources for containers. This is not used to limit the number of CPUs used by YARN containers. If it is set to -1 and yarn.nodemanager.resource.detect-hardware-capabilities is true, it is automatically determined from the hardware in case of Windows and Linux. In other cases, number of vcores is 8 by default. yarn.nodemanager.resource.cpu-vcores 4 The minimum allocation for every container request at theRM in MBs. Memory requests lower than this will be set to the value of this property. Additionally, a node manager that is configured to have less memory than this value will be shut down by the resource manager. yarn.scheduler.minimum-allocation-mb 1024 The maximum allocation for every container request at the RM in MBs. Memory requests higher than this will throw an InvalidResourceRequestException. yarn.scheduler.maximum-allocation-mb 2048 The minimum allocation for every container request at the RM in terms of virtual CPU cores. Requests lower than this will be set to the value of this property. Additionally, a node manager that is configured to have fewer virtual cores than this value will be shut down by the resource manager. yarn.scheduler.minimum-allocation-vcores 1 The maximum allocation for every container request at the RM in terms of virtual CPU cores. Requests higher than this will throw an InvalidResourceRequestException. yarn.scheduler.maximum-allocation-vcores 2 Whether virtual memory limits will be enforced for containers. yarn.nodemanager.vmem-check-enabled false Ratio between virtual memory to physical memory when setting memory limits for containers. Container allocations are expressed in terms of physical memory, and virtual memory usage is allowed to exceed this allocation by this ratio. yarn.nodemanager.vmem-pmem-ratio 2.1
4、 分发配置
注意：如果集群的硬件资源不一致，要每个 NodeManager 单独配置
5、重启集群
sbin/stop-yarn.sh sbin/start-yarn.sh
集群修改Yarn-site.xml配置对比
6、执行 WordCount 程序
hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-3.1.3.jar wordcount /input /output2
7、观察 Yarn 任务执行页面：http://hadoop105:8088/cluster/apps
在执行WordCount时，集群调度器的运行资源使用率：
- 在生产环境怎么创建队列？
- 调度器默认就 1 个 default 队列，不能满足生产要求。
- 按照框架：hive / spark/ flink 每个框架的任务放入指定的队列（企业用的不是特别多）
- 按照业务模块：登录注册、购物车、下单、业务部门 1、业务部门2 这个用的比较多
- 创建多队列的好处？
- 因为担心员工不小心，写递归死循环代码，把所有资源全部耗尽。
- 实现任务的 降级 使用，特殊时期保证重要的任务队列资源充足。；例如在11.11和 6.18
业务部门 1（重要）=》业务部门 2（比较重要）=》下单（一般）=》购物车（一般）=》登录注册（次要）
需求 1：default 队列占总内存的 40%，最大资源容量占总资源 60%，hive 队列占总内存的 60%，最大资源容量占总资源 80%。
需求 2：配置队列优先级
1）在 capacity-scheduler.xml 中配置如下：
（1）修改如下配置（凡是修改新队列的属性，都是添加相对应的配置，因为文件中只有default队列的属性）
yarn.scheduler.capacity.root.queues default,hive The queues at the this level (root is the root queue). yarn.scheduler.capacity.root.default.capacity 40 yarn.scheduler.capacity.root.default.maximum-capacity 60
（2）为新加队列添加必要属性：
yarn.scheduler.capacity.root.hive.capacity 60 yarn.scheduler.capacity.root.hive.user-limit-factor 1 yarn.scheduler.capacity.root.hive.maximum-capacity 80 yarn.scheduler.capacity.root.hive.state RUNNING yarn.scheduler.capacity.root.hive.acl_submit_applications * yarn.scheduler.capacity.root.hive.acl_administer_queue * yarn.scheduler.capacity.root.hive.acl_application_max_priority * yarn.scheduler.capacity.root.hive.maximum-application-lifetime -1 yarn.scheduler.capacity.root.hive.default-application-lifetime -1
2)分发配置文件
3)重启 Yarn 或者执行 yarn rmadmin -refreshQueues 刷新队列，就可以看到两条队列：yarn rmadmin -refreshQueues
- hadoop jar 的方式
hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-3.1.3.jar wordcount -D mapreduce.job.queuename=hive /input /output
注: -D 表示运行时改变参数值
- 打 jar 包的方式
默认的任务提交都是提交到 default 队列的。如果希望向其他队列提交任务，需要在Driver 中声明：
public class WcDrvier {
public static void main(String[] args) throws IOException,
ClassNotFoundException, InterruptedException {
Configuration conf = new Configuration();
conf.set("mapreduce.job.queuename","hive");
//1. 获取一个 Job 实例
Job job = Job.getInstance(conf);
。。。 。。。
//6. 提交 Job
boolean b = job.waitForCompletion(true);
System.exit(b ? 0 : 1);
} }
这样，这个任务在集群提交时，就会提交到 hive 队列：
容量调度器，支持任务优先级的配置，在资源紧张时，优先级高的任务将优先获取资源。默认情况，Yarn 将所有任务的优先级限制为 0，若想使用任务的优先级功能，须开放该限制。
-
修改 yarn-site.xml 文件，增加以下参数
yarn.cluster.max-application-priority 5 -
分发配置，并重启 Yarn
xsync yarn-site.xml sbin/stop-yarn.sh hadoop-3.1.3]$ sbin/start-yarn.sh
-
模拟资源紧张环境，可连续提交以下任务，直到新提交的任务申请不到资源为止。
hadoop jar /opt/module/hadoop-3.1.3/share/hadoop/mapreduce/hadoop-mapreduce-examples-3.1.3.jar pi 5 2000000
-
再次重新提交优先级高的任务
hadoop jar /opt/module/hadoop/hadoop-3.1.3/share/hadoop/mapreduce/hadoop-mapreduce-examples-3.1.3.jar pi -D mapreduce.job.priority=5 5 2000000
-
也可以通过以下命令修改正在执行的任务的优先级。
语法：yarn application -appID
-updatePriority 优先级 实操：
yarn application -appID application_1611133087930_0009 -updatePriority 5
创建两个队列，分别是 test 和 atguigu（以用户所属组命名）。期望实现以下效果：若用户提交任务时指定队列，则任务提交到指定队列运行；若未指定队列，test 用户提交的任务到 root.group.test 队列运行，zjw提交的任务到 root.group.zjw队列运行（注：group 为用户所属组）。
公平调度器的配置涉及到两个文件，一个是 yarn-site.xml，另一个是公平调度器队列分配文件 fair-scheduler.xml（文件名可自定义）。
2.3.2 配置多队列的公平调度器-
修改 yarn-site.xml 文件，加入以下参数
yarn.resourcemanager.scheduler.class org.apache.hadoop.yarn.server.resourcemanager.scheduler.fair.FairS cheduler 配置使用公平调度器 yarn.scheduler.fair.allocation.file /opt/module/hadoop/hadoop-3.1.3/etc/hadoop/fair-scheduler.xml 指明公平调度器队列分配配置文件 yarn.scheduler.fair.preemption false 禁止队列间资源抢占 -
配置 fair-scheduler.xml
```xml
0.5 4096mb,4vcores 2048mb,2vcores 4096mb,4vcores 4 0.5 1.0 fair 2048mb,2vcores 4096mb,4vcores 4 0.5 1.0 fair -
分发配置并重启 Yarn
xsync yarn-site.xml xsync fair-scheduler.xml sbin/stop-yarn.sh sbin/start-yarn.sh2.3.3 测试提交任务
-
提交任务时指定队列，按照配置规则，任务会到指定的 root.test 队列
hadoop jar /opt/module/hadoop/hadoop-3.1.3/share/hadoop/mapreduce/hadoop-mapreduce-examples-3.1.3.jar pi -Dmapreduce.job.queuename=root.test 1 1
-
提交任务时不指定队列，按照配置规则，任务会到 root.zjw.zjw队列
hadoop jar /opt/module/hadoop/hadoop-3.1.3/share/hadoop/mapreduce/hadoop-mapreduce-examples-3.1.3.jar pi 1 1
-
提交任务时不指定队列，按照配置规则，任务会到 root.zjw.zjw队列
hadoop jar /opt/module/hadoop/hadoop-3.1.3/share/hadoop/mapreduce/hadoop-mapreduce-examples-3.1.3.jar pi 1 1
注：以上操作全部做完过后，快照回去或者手动将配置文件修改成之前的状态，因为本身资源就不够，分成了这么多，不方便以后测试。
