导航：首页 > 互联网科技 >

分布式资源调度——YARN框架

发表于：2025-01-31 作者：千家信息网编辑

千家信息网最后更新 2025年01月31日，YARN产生背景YARN是Hadoop2.x才有的，所以在介绍YARN之前，我们先看一下MapReduce1.x时所存在的问题：单点故障节点压力大不易扩展MapReduce1.x时的架构如下：可以看到

千家信息网最后更新 2025年01月31日分布式资源调度——YARN框架

YARN产生背景

YARN是Hadoop2.x才有的，所以在介绍YARN之前，我们先看一下MapReduce1.x时所存在的问题：

单点故障
节点压力大
不易扩展

MapReduce1.x时的架构如下：

可以看到，1.x时也是Master/Slave这种主从结构，在集群上的表现就是一个JobTracker带多个TaskTracker。

JobTracker：负责资源管理和作业调度
TaskTracker：定期向JobTracker汇报本节点的健康状况、资源使用情况以及作业执行情况。还可以接收来自JobTracker的命令，例如启动任务或结束任务等。

那么这种架构存在哪些问题呢：

整个集群中只有一个JobTracker，就代表着会存在单点故障的情况
JobTracker节点的压力很大，不仅要接收来自客户端的请求，还要接收大量TaskTracker节点的请求
由于JobTracker是单节点，所以容易成为集群中的瓶颈，而且也不易域扩展
JobTracker承载的职责过多，基本整个集群中的事情都是JobTracker来管理
1.x版本的整个集群只支持MapReduce作业，其他例如Spark的作业就不支持了

由于1.x版本不支持其他框架的作业，所以导致我们需要根据不同的框架去搭建多个集群。这样就会导致资源利用率比较低以及运维成本过高，因为多个集群会导致服务环境比较复杂。如下图：

在上图中我们可以看到，不同的框架我不仅需要搭建不同的集群。而且这些集群很多时候并不是总是在工作，如上图可以看到，Hadoop集群在忙的时候Spark就比较闲，Spark集群比较忙的时候Hadoop集群就比较闲，而MPI集群则是整体并不是很忙。这样就无法高效的利用资源，因为这些不同的集群无法互相使用资源。除此之外，我们还得运维这些个不同的集群，而且文件系统是无法共享的。如果当需要将Hadoop集群上的HDFS里存储的数据传输到Spark集群上进行计算时，还会耗费相当大的网络IO流量。

所以我们就想着要把这些集群都合并在一起，让这些不同的框架能够运行在同一个集群上，这样就能解决这各种各样的问题了。如下图：

正是因为在1.x中，有各种各样的问题，才使得YARN得以诞生，而YARN就可以令这些不同的框架运行在同一个集群上，并为它们调度资源。我们来看看Hadoop2.x的架构图：

在上图中，我们可以看到，集群最底层的是HDFS，在其之上的就是YARN层，而在YARN层上则是各种不同的计算框架。所以不同计算框架可以共享同一个HDFS集群上的数据，享受整体的资源调度，进而提高集群资源的利用率，这也就是所谓的 xxx on YARN。

YARN架构

YARN概述：

YARN是资源调度框架
通用的资源管理系统
为上层应用提供统一的资源管理和调度

YARN架构图，也是Master/Slave结构的：

从上图中，我们可以看到YARN主要由以下几个核心组件构成：

1. ResourceManager， 简称RM，整个集群同一时间提供服务的RM只有一个，它负责集群资源的统一管理和调度。以及还需要处理客户端的请求，例如：提交作业或结束作业等。并且监控集群中的NM，一旦某个NM挂了，那么就需要将该NM上运行的任务告诉AM来如何进行处理。

2. NodeManager， 简称NM，整个集群中会有多个NM，它主要负责自己本身节点的资源管理和使用，以及定时向RM汇报本节点的资源使用情况。接收并处理来自RM的各种命令，例如：启动Container。NM还需要处理来自AM的命令，例如：AM会告诉NM需要启动多少个Container来跑task。

3. ApplicationMaster， 简称AM，每个应用程序都对应着一个AM。例如：MapReduce会对应一个、Spark会对应一个。它主要负责应用程序的管理，为应用程序向RM申请资源（Core、Memory），将资源分配给内部的task。AM需要与NM通信，以此来启动或停止task。task是运行在Container里面的，所以AM也是运行在Container里面。

4. Container， 封装了CPU、Memory等资源的一个容器，相当于是一个任务运行环境的抽象。

5. Client， 客户端，它可以提交作业、查询作业的运行进度以及结束作业。

YARN官方文档地址如下：

https://hadoop.apache.org/docs/stable/hadoop-yarn/hadoop-yarn-site/YARN.html

YARN执行流程

假设客户端向ResourceManager提交一个作业，ResourceManager则会为这个作业分配一个Container。所以ResourceManager会与NodeManager进行通信，要求这个NodeManager启动一个Container。而这个Container是用来启动ApplicationMaster的，ApplicationMaster启动完之后会与ResourceManager进行一个注册。这时候客户端就可以通过ResourceManager查询作业的运行情况了。然后ApplicationMaster还会到ResourceManager上申请作业所需要的资源，申请到以后就会到对应的NodeManager之上运行客户端所提交的作业，然后NodeManager就会把task运行在启动的Container里。

如下图：

另外找到两篇关于YARN执行流程不错的文章：

【图文】YARN 工作流程
Yarn应用程序运行流程剖析

YARN环境搭建

介绍完基本的理论部分之后，我们来搭建一个伪分布式的单节点YARN环境，使用的hadoop版本如下：

hadoop-2.6.0-cdh6.7.0

官方的安装文档地址如下：

https://hadoop.apache.org/docs/stable/hadoop-project-dist/hadoop-common/SingleCluster.html

1.下载并解压好hadoop-2.6.0-cdh6.7.0，这一步可以参考我之前写的一篇关于HDFS伪分布式环境搭建的文章，我这里就不再赘述了。

确保HDFS是正常启动状态：

[root@localhost ~]# jps3827 Jps3383 NameNode3500 DataNode3709 SecondaryNameNode[root@localhost ~]#

2.编辑mapred-site.xml配置文件，在文件中增加如下内容：

[root@localhost ~]# cd /usr/local/hadoop-2.6.0-cdh6.7.0/etc/hadoop[root@localhost /usr/local/hadoop-2.6.0-cdh6.7.0/etc/hadoop]# cp mapred-site.xml.template mapred-site.xml  # 拷贝模板文件[root@localhost /usr/local/hadoop-2.6.0-cdh6.7.0/etc/hadoop]# vim mapred-site.xml  # 增加如下内容    mapreduce.framework.name    yarn

3.编辑yarn-site.xml配置文件，在文件中增加如下内容：

[root@localhost /usr/local/hadoop-2.6.0-cdh6.7.0/etc/hadoop]# vim yarn-site.xml  # 增加如下内容    yarn.nodemanager.aux-services    mapreduce_shuffle

4.启动ResourceManager进程以及NodeManager进程：

[root@localhost /usr/local/hadoop-2.6.0-cdh6.7.0/etc/hadoop]# cd ../../sbin/[root@localhost /usr/local/hadoop-2.6.0-cdh6.7.0/sbin]# ./start-yarn.shstarting yarn daemonsstarting resourcemanager, logging to /usr/local/hadoop-2.6.0-cdh6.7.0/logs/yarn-root-resourcemanager-localhost.outlocalhost: starting nodemanager, logging to /usr/local/hadoop-2.6.0-cdh6.7.0/logs/yarn-root-nodemanager-localhost.out[root@localhost /usr/local/hadoop-2.6.0-cdh6.7.0/sbin]# jps3984 NodeManager  # 启动成功后可以看到多出了NodeManager4947 DataNode5252 Jps5126 SecondaryNameNode3884 ResourceManager  # 和ResourceManager进程，这样才是正常的。4813 NameNode[root@localhost /usr/local/hadoop-2.6.0-cdh6.7.0/sbin]# netstat -lntp |grep javatcp        0      0 0.0.0.0:50090           0.0.0.0:*               LISTEN      5126/javatcp        0      0 127.0.0.1:42602         0.0.0.0:*               LISTEN      4947/javatcp        0      0 192.168.77.130:8020     0.0.0.0:*               LISTEN      4813/javatcp        0      0 0.0.0.0:50070           0.0.0.0:*               LISTEN      4813/javatcp        0      0 0.0.0.0:50010           0.0.0.0:*               LISTEN      4947/java tcp        0      0 0.0.0.0:50075           0.0.0.0:*               LISTEN      4947/javatcp        0      0 0.0.0.0:50020           0.0.0.0:*               LISTEN      4947/java tcp6       0      0 :::8040                 :::*                    LISTEN      5566/java tcp6       0      0 :::8042                 :::*                    LISTEN      5566/javatcp6       0      0 :::8088                 :::*                    LISTEN      5457/java tcp6       0      0 :::13562                :::*                    LISTEN      5566/javatcp6       0      0 :::8030                 :::*                    LISTEN      5457/java tcp6       0      0 :::8031                 :::*                    LISTEN      5457/javatcp6       0      0 :::8032                 :::*                    LISTEN      5457/java tcp6       0      0 :::48929                :::*                    LISTEN      5566/javatcp6       0      0 :::8033                 :::*                    LISTEN      5457/java[root@localhost /usr/local/hadoop-2.6.0-cdh6.7.0/sbin]#

5.通过浏览器来访问ResourceManager，默认端口是8088，例如192.168.77.130:8088，就会访问到这样的一个页面上：

错误解决：

从上图中，可以看到有一个不健康的节点，也就是说我们的单节点环境有问题，点击红色框框中标记的数字可以进入到详细的信息页面，在该页面中看到了如下信息：

于是查看yarn的日志文件：yarn-root-nodemanager-localhost.log，发现如下警告与异常：

很明显是因为磁盘的使用空间达到了90%，所以我们需要删除一些没有的数据，或者扩容磁盘空间才行。于是删除了一堆安装包，让磁盘空间降低到90%以下了：

[root@localhost /usr/local]# df -hFilesystem               Size  Used Avail Use% Mounted on/dev/mapper/centos-root   19G   14G  4.5G  76% /devtmpfs                 3.9G     0  3.9G   0% /devtmpfs                    3.9G     0  3.9G   0% /dev/shmtmpfs                    3.9G  8.7M  3.9G   1% /runtmpfs                    3.9G     0  3.9G   0% /sys/fs/cgroup/dev/sdb                  50G   14G   34G  29% /kvm_data/dev/sda1                497M  127M  371M  26% /boottmpfs                    781M     0  781M   0% /run/user/0[root@localhost /usr/local]#

这时再次刷新页面，可以发现这个节点就正常了：

到此为止，我们的yarn环境就搭建完成了。

如果需要关闭进程则使用以下命令：

[root@localhost /usr/local/hadoop-2.6.0-cdh6.7.0/sbin]# stop-yarn.sh

初识提交PI的MapReduce作业到YARN上执行

虽然我们没有搭建MapReduce的环境，但是我们可以使用Hadoop自带的一些测试例子来演示一下如何提交作业到YARN上执行。Hadoop把example的包放在了如下路径，可以看到有好几个jar包：

[root@localhost ~]# cd /usr/local/hadoop-2.6.0-cdh6.7.0/share/hadoop/mapreduce/[root@localhost /usr/local/hadoop-2.6.0-cdh6.7.0/share/hadoop/mapreduce]# lshadoop-mapreduce-client-app-2.6.0-cdh6.7.0.jarhadoop-mapreduce-client-common-2.6.0-cdh6.7.0.jarhadoop-mapreduce-client-core-2.6.0-cdh6.7.0.jarhadoop-mapreduce-client-hs-2.6.0-cdh6.7.0.jarhadoop-mapreduce-client-hs-plugins-2.6.0-cdh6.7.0.jarhadoop-mapreduce-client-jobclient-2.6.0-cdh6.7.0.jarhadoop-mapreduce-client-jobclient-2.6.0-cdh6.7.0-tests.jarhadoop-mapreduce-client-nativetask-2.6.0-cdh6.7.0.jarhadoop-mapreduce-client-shuffle-2.6.0-cdh6.7.0.jarhadoop-mapreduce-examples-2.6.0-cdh6.7.0.jarliblib-examplessources[root@localhost /usr/local/hadoop-2.6.0-cdh6.7.0/share/hadoop/mapreduce]#

在这里我们使用hadoop-mapreduce-examples-2.6.0-cdh6.7.0.jar这个jar包来进行演示：

[root@localhost /usr/local/hadoop-2.6.0-cdh6.7.0/share/hadoop/mapreduce]# hadoop jar hadoop-mapreduce-examples-2.6.0-cdh6.7.0.jar pi 2 3

命令说明：

hadoop jar 执行一个jar包作业的命令
hadoop-mapreduce-examples-2.6.0-cdh6.7.0.jar 需要被执行的jar包路径
pi 表示计算圆周率，可以写其他的
末尾的两个数据分别表示指定运行2次map，以及指定每个map任务取样3次，两数相乘即为总的取样数。

运行以上命令后，到浏览器页面上进行查看，会有以下三个阶段：

1.接收资源，这个阶段就是ApplicationMaster到ResourceManager上申请作业所需要的资源：

2.运行作业，这时候NodeManager就会把task运行在启动的Container里：

3.作业完成：

终端输出信息如下：

[root@localhost /usr/local/hadoop-2.6.0-cdh6.7.0/share/hadoop/mapreduce]# hadoop jar hadoop-mapreduce-examples-2.6.0-cdh6.7.0.jar pi 2 3Number of Maps  = 2Samples per Map = 3Wrote input for Map #0Wrote input for Map #1Starting Job18/03/27 23:00:01 INFO client.RMProxy: Connecting to ResourceManager at /0.0.0.0:803218/03/27 23:00:01 INFO input.FileInputFormat: Total input paths to process : 218/03/27 23:00:01 INFO mapreduce.JobSubmitter: number of splits:218/03/27 23:00:02 INFO mapreduce.JobSubmitter: Submitting tokens for job: job_1522162696272_000118/03/27 23:00:02 INFO impl.YarnClientImpl: Submitted application application_1522162696272_000118/03/27 23:00:02 INFO mapreduce.Job: The url to track the job: http://localhost:8088/proxy/application_1522162696272_0001/18/03/27 23:00:02 INFO mapreduce.Job: Running job: job_1522162696272_000118/03/27 23:00:10 INFO mapreduce.Job: Job job_1522162696272_0001 running in uber mode : false18/03/27 23:00:10 INFO mapreduce.Job:  map 0% reduce 0/03/27 23:00:15 INFO mapreduce.Job:  map 50% reduce 0/03/27 23:00:16 INFO mapreduce.Job:  map 100% reduce 0/03/27 23:00:19 INFO mapreduce.Job:  map 100% reduce 100/03/27 23:00:20 INFO mapreduce.Job: Job job_1522162696272_0001 completed successfully18/03/27 23:00:20 INFO mapreduce.Job: Counters: 49    File System Counters        FILE: Number of bytes read=50        FILE: Number of bytes written=335298        FILE: Number of read operations=0        FILE: Number of large read operations=0        FILE: Number of write operations=0        HDFS: Number of bytes read=536        HDFS: Number of bytes written=215        HDFS: Number of read operations=11        HDFS: Number of large read operations=0        HDFS: Number of write operations=3    Job Counters         Launched map tasks=2        Launched reduce tasks=1        Data-local map tasks=2        Total time spent by all maps in occupied slots (ms)=7108        Total time spent by all reduces in occupied slots (ms)=2066        Total time spent by all map tasks (ms)=7108        Total time spent by all reduce tasks (ms)=2066        Total vcore-seconds taken by all map tasks=7108        Total vcore-seconds taken by all reduce tasks=2066        Total megabyte-seconds taken by all map tasks=7278592        Total megabyte-seconds taken by all reduce tasks=2115584    Map-Reduce Framework        Map input records=2        Map output records=4        Map output bytes=36        Map output materialized bytes=56        Input split bytes=300        Combine input records=0        Combine output records=0        Reduce input groups=2        Reduce shuffle bytes=56        Reduce input records=4        Reduce output records=0        Spilled Records=8        Shuffled Maps =2        Failed Shuffles=0        Merged Map outputs=2        GC time elapsed (ms)=172        CPU time spent (ms)=2990        Physical memory (bytes) snapshot=803618816        Virtual memory (bytes) snapshot=8354324480        Total committed heap usage (bytes)=760217600    Shuffle Errors        BAD_ID=0        CONNECTION=0        IO_ERROR=0        WRONG_LENGTH=0        WRONG_MAP=0        WRONG_REDUCE=0    File Input Format Counters         Bytes Read=236    File Output Format Counters         Bytes Written=97Job Finished in 19.96 secondsEstimated value of Pi is 4.00000000000000000000[root@localhost /usr/local/hadoop-2.6.0-cdh6.7.0/share/hadoop/mapreduce]#

以上这个例子计算了一个PI值，下面我们再来演示一个hadoop中比较经典的例子：wordcount ，这是一个经典的词频统计的例子。首先创建好用于测试的文件：

[root@localhost ~]# mkdir /tmp/input[root@localhost ~]# cd /tmp/input/[root@localhost /tmp/input]# echo "hello word" > file1.txt[root@localhost /tmp/input]# echo "hello hadoop" > file2.txt[root@localhost /tmp/input]# echo "hello mapreduce" >> file2.txt[root@localhost /tmp/input]# hdfs dfs -mkdir /wc_input[root@localhost /tmp/input]# hdfs dfs -put ./file* /wc_input[root@localhost /tmp/input]# hdfs dfs -ls /wc_inputFound 2 items-rw-r--r--   1 root supergroup         11 2018-03-27 23:11 /wc_input/file1.txt-rw-r--r--   1 root supergroup         29 2018-03-27 23:11 /wc_input/file2.txt[root@localhost /tmp/input]#

然后执行以下命令：

[root@localhost /tmp/input]# cd /usr/local/hadoop-2.6.0-cdh6.7.0/share/hadoop/mapreduce[root@localhost /usr/local/hadoop-2.6.0-cdh6.7.0/share/hadoop/mapreduce]# hadoop jar ./hadoop-mapreduce-examples-2.6.0-cdh6.7.0.jar wordcount /wc_input /wc_output

在yarn页面上显示的阶段信息：

终端输出信息如下：

[root@localhost /usr/local/hadoop-2.6.0-cdh6.7.0/share/hadoop/mapreduce]# hadoop jar ./hadoop-mapreduce-examples-2.6.0-cdh6.7.0.jar wordcount /wc_input /wc_output18/03/27 23:12:54 INFO client.RMProxy: Connecting to ResourceManager at /0.0.0.0:803218/03/27 23:12:55 INFO input.FileInputFormat: Total input paths to process : 218/03/27 23:12:55 INFO mapreduce.JobSubmitter: number of splits:218/03/27 23:12:55 INFO mapreduce.JobSubmitter: Submitting tokens for job: job_1522162696272_000218/03/27 23:12:56 INFO impl.YarnClientImpl: Submitted application application_1522162696272_000218/03/27 23:12:56 INFO mapreduce.Job: The url to track the job: http://localhost:8088/proxy/application_1522162696272_0002/18/03/27 23:12:56 INFO mapreduce.Job: Running job: job_1522162696272_000218/03/27 23:13:02 INFO mapreduce.Job: Job job_1522162696272_0002 running in uber mode : false18/03/27 23:13:02 INFO mapreduce.Job:  map 0% reduce 0/03/27 23:13:06 INFO mapreduce.Job:  map 50% reduce 0/03/27 23:13:07 INFO mapreduce.Job:  map 100% reduce 0/03/27 23:13:11 INFO mapreduce.Job:  map 100% reduce 100/03/27 23:13:12 INFO mapreduce.Job: Job job_1522162696272_0002 completed successfully18/03/27 23:13:12 INFO mapreduce.Job: Counters: 49    File System Counters        FILE: Number of bytes read=70        FILE: Number of bytes written=334375        FILE: Number of read operations=0        FILE: Number of large read operations=0        FILE: Number of write operations=0        HDFS: Number of bytes read=260        HDFS: Number of bytes written=36        HDFS: Number of read operations=9        HDFS: Number of large read operations=0        HDFS: Number of write operations=2    Job Counters         Launched map tasks=2        Launched reduce tasks=1        Data-local map tasks=2        Total time spent by all maps in occupied slots (ms)=5822        Total time spent by all reduces in occupied slots (ms)=1992        Total time spent by all map tasks (ms)=5822        Total time spent by all reduce tasks (ms)=1992        Total vcore-seconds taken by all map tasks=5822        Total vcore-seconds taken by all reduce tasks=1992        Total megabyte-seconds taken by all map tasks=5961728        Total megabyte-seconds taken by all reduce tasks=2039808    Map-Reduce Framework        Map input records=3        Map output records=6        Map output bytes=64        Map output materialized bytes=76        Input split bytes=220        Combine input records=6        Combine output records=5        Reduce input groups=4        Reduce shuffle bytes=76        Reduce input records=5        Reduce output records=4        Spilled Records=10        Shuffled Maps =2        Failed Shuffles=0        Merged Map outputs=2        GC time elapsed (ms)=157        CPU time spent (ms)=2290        Physical memory (bytes) snapshot=800239616        Virtual memory (bytes) snapshot=8352272384        Total committed heap usage (bytes)=762314752    Shuffle Errors        BAD_ID=0        CONNECTION=0        IO_ERROR=0        WRONG_LENGTH=0        WRONG_MAP=0        WRONG_REDUCE=0    File Input Format Counters         Bytes Read=40    File Output Format Counters         Bytes Written=36[root@localhost /usr/local/hadoop-2.6.0-cdh6.7.0/share/hadoop/mapreduce]#

查看输出的结果文件：

[root@localhost /usr/local/hadoop-2.6.0-cdh6.7.0/share/hadoop/mapreduce]# hdfs dfs -ls /wc_outputFound 2 items-rw-r--r--   1 root supergroup          0 2018-03-27 23:13 /wc_output/_SUCCESS-rw-r--r--   1 root supergroup         36 2018-03-27 23:13 /wc_output/part-r-00000[root@localhost /usr/local/hadoop-2.6.0-cdh6.7.0/share/hadoop/mapreduce]# hdfs dfs -cat /wc_output/part-r-00000   # 实际输出结果在part-r-00000中hadoop  1hello   3mapreduce   1word    1[root@localhost /usr/local/hadoop-2.6.0-cdh6.7.0/share/hadoop/mapreduce]#

很赞哦！