大数据技术之Hadoop（Yarn）资源调度器案例实操
Posted @从一到无穷大
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了大数据技术之Hadoop（Yarn）资源调度器案例实操相关的知识，希望对你有一定的参考价值。
文章目录
- 1 Yarn 资源调度器
- 2 Yarn 案例实操
1 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。
1.2 Yarn 工作机制
（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。
1.3 作业提交全过程
作业提交过程之YARN
作业提交过程之HDFS & MapReduce
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 。
1.4 Yarn 调度器和调度算法
目前，Hadoop作业调度器主要有三种：FIFO、 容量（Capacity Scheduler） 和 公平（Fair Scheduler）。 Apache Hadoop3.1.3默认的资源调度器是 Capacity Scheduler。
CDH框架默认调度器是 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、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。
2、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
3、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。
4、多用户：
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。
1.4.3 公平调度器（Fair Scheduler）
Fair Schedulere 是Facebook 开发的多用户调度器。
公平调度器——缺额
公平调度器设计目标是：在时间尺度上，所有作业获得公平的资源。某一时刻一个作业应获资源和实际获取资源的差距叫缺额
调度器会优先为缺额大的作业分配资源
公平调度器资源分配算法
公平调度器队列资源分配方式
3）DRF策略
DRF（Dominant Resource Fairness），我们之前说的资源，都是单一标准，例如只考虑内存（也是Yarn默认的情况）。但是很多时候我们资源有很多种，例如内存，CPU，网络带宽等，这样我们很难衡量两个应用应该分配的资源比例。
那么在YARN中，我们用DRF来决定如何调度：
假设集群一共有100 CPU和10T 内存，而应用A需要（2 CPU, 300GB），应用B需要（6 CPU，100GB）。则两个应用分别需要A（2%CPU, 3%内存）和B（6%CPU, 1%内存）的资源，这就意味着A是内存主导的, B是CPU主导的，针对这种情况，我们可以选择DRF策略对不同应用进行不同资源（CPU和内存）的一个不同比例的限制。
1.5 Yarn 常用命令
Yarn 状态的查询，除了可以在hadoop103:8088 页面查看外，还可以通过命令操作。常见的命令操作如下所示：
需求：执行WordCount 案例，并用Yarn 命令查看任务运行情况。
[Tom@hadoop102 ~]$ myhadoop.sh start
[Tom@hadoop102 hadoop-3.1.3]$ hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-3.1.3.jar wordcount /input /output
1.5.1 yarn application 查看任务
（1）列出所有Application：
[Tom@hadoop102 hadoop-3.1.3]$ yarn application -list
2021-06-23 20:24:24,680 INFO client.RMProxy: Connecting to ResourceManager at hadoop103/192.168.10.103:8032
Total number of applications (application-types: [], states: [SUBMITTED, ACCEPTED, RUNNING] and tags: []):0
Application-Id Application-Name Application-Type User Queue State Final-State Progress Tracking-URL
（2）根据Application 状态过滤：yarn application -list -appStates （所有状态：ALL、NEW、NEW_SAVING、SUBMITTED、ACCEPTED、RUNNING、FINISHED、FAILED、KILLED）
[Tom@hadoop102 hadoop-3.1.3]$ yarn application -list -appStates FINISHED
2021-06-23 20:27:28,032 INFO client.RMProxy: Connecting to ResourceManager at hadoop103/192.168.10.103:8032
Total number of applications (application-types: [], states: [FINISHED] and tags: []):1
Application-Id Application-Name Application-Type User Queue State Final-State Progress Tracking-URL
application_1624450785412_0001 word count MAPREDUCE Tom default FINISHED SUCCEEDED 100% http://hadoop102:19888/jobhistory/job/job_1624450785412_0001
（3）Kill掉 Application
[Tom@hadoop102 hadoop-3.1.3]$ yarn application -kill application_1624450785412_0001
2021-06-23 20:30:12,783 INFO client.RMProxy: Connecting to ResourceManager at hadoop103/192.168.10.103:8032
Application application_1624450785412_0001 has already finished
1.5.2 yarn logs 查看日志
（1）查询 Application日志：yarn logs -applicationId ApplicationId
[Tom@hadoop102 hadoop-3.1.3]$ yarn logs -applicationId application_1624450785412_0001
（2）查询 Container日志：yarn logs -applicationId ApplicationId -containerId ContainerId
[Tom@hadoop102 hadoop-3.1.3]$ yarn logs -applicationId application_1624450785412_0001 -containerId container_1624450785412_0001_01_000001
1.5.3 yarn applicationattempt 查看尝试运行的任务
（1）列出所有 Application尝试的列表：yarn applicationattempt -list ApplicationId
[Tom@hadoop102 hadoop-3.1.3]$ yarn applicationattempt -list application_1624450785412_0001
2021-06-23 20:45:26,233 INFO client.RMProxy: Connecting to ResourceManager at hadoop103/192.168.10.103:8032
Total number of application attempts :1
ApplicationAttempt-Id State AM-Container-Id Tracking-URL
appattempt_1624450785412_0001_000001 FINISHED container_1624450785412_0001_01_000001 http://hadoop103:8088/proxy/application_1624450785412_0001/
（2） 打印 ApplicationAttemp状态：yarn applicationattempt -status ApplicationAttemptId
[Tom@hadoop102 hadoop-3.1.3]$ yarn applicationattempt -status appattempt_1624450785412_0001_000001
2021-06-23 20:47:29,293 INFO client.RMProxy: Connecting to ResourceManager at hadoop103/192.168.10.103:8032
Application Attempt Report :
ApplicationAttempt-Id : appattempt_1624450785412_0001_000001
State : FINISHED
AMContainer : container_1624450785412_0001_01_000001
Tracking-URL : http://hadoop103:8088/proxy/application_1624450785412_0001/
RPC Port : 38457
AM Host : hadoop102
Diagnostics :
1.5.4 yarn container查看容器
（1）列出所有 Container：yarn container -list ApplicationAttemptId
[Tom@hadoop102 hadoop-3.1.3]$ yarn container -list appattempt_1624450785412_0001_000001
2021-06-23 20:54:48,489 INFO client.RMProxy: Connecting to ResourceManager at hadoop103/192.168.10.103:8032
Total number of containers :0
Container-Id Start Time Finish Time State Host Node Http Address LOG-URL
（2）打印 Container状态：yarn container -status ContainerId
[Tom@hadoop102 hadoop-3.1.3]$ yarn container -status container_1624450785412_0001_01_000001
2021-06-23 20:57:53,744 INFO client.RMProxy: Connecting to ResourceManager at hadoop103/192.168.10.103:8032
Container with id 'container_1624450785412_0001_01_000001' doesn't exist in RM or Timeline Server.
只有在任务跑的途中才能看到container 的状态
1.5.5 yarn node 查看节点状态
列出所有节点：yarn node -list -all
[Tom@hadoop102 hadoop-3.1.3]$ yarn node -list -all
2021-06-23 21:00:36,423 INFO client.RMProxy: Connecting to ResourceManager at hadoop103/192.168.10.103:8032
Total Nodes:3
Node-Id Node-State Node-Http-Address Number-of-Running-Containers
hadoop103:42228 RUNNING hadoop103:8042 0
hadoop102:42478 RUNNING hadoop102:8042 0
hadoop104:45300 RUNNING hadoop104:8042 0
1.5.6 yarn rmadmin 更新配置
加载队列配置：yarn rmadmin -refreshQueues
[Tom@hadoop102 hadoop-3.1.3]$ yarn rmadmin -refreshQueues
2021-06-23 21:02:29,801 INFO client.RMProxy: Connecting to ResourceManager at hadoop103/192.168.10.103:8033
1.5.7 yarn queue 查看队列
打印队列信息：yarn queue -status QueueName
[Tom@hadoop102 hadoop-3.1.3]$ yarn queue -status default
2021-06-23 21:04:19,106 INFO client.RMProxy: Connecting to ResourceManager at hadoop103/192.168.10.103:8032
Queue Information :
Queue Name : default
State : RUNNING
Capacity : 100.0%
Current Capacity : .0%
Maximum Capacity : 100.0%
Default Node Label expression : <DEFAULT_PARTITION>
Accessible Node Labels : *
Preemption : disabled
Intra-queue Preemption : disabled
1.6 Yarn 生产环境核心参数
2 Yarn 案例实操
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：
<!--选择调度器，默认容量-->
<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>
<!--ResourceManager处理调度器请求的线程数量,默认50；如果提交的任务数大于50，可以增加该值，但是不能超过3台* 4线程=12线程（去除其他应用程序实际不能超过8）-->
<property>
<description>Number of threads to handle scheduler interface.</description>
<name>yarn.resourcemanager.scheduler.client.thread-count</name>
<value>8</value>
</property>
<!--是否让yarn自动检测硬件进行配置，默认是false，如果该节点有很多其他应用程序，建议手动配置。如果该节点没有其他应用程序，可以采用自动-->
<property>
<description>Enable auto-detection of node capabilities such as
memory and CPU.</description>
<name>yarn.nodemanager.resource.detect-hardware-capabilities</name>
<value>false</value>
</property>
<!--是否将虚拟核数当作CPU核数，默认是false，采用物理CPU核数-->
<property>
<description>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.</description>
<name>yarn.nodemanager.resource.count-logical-processors-as-cores</name>
<value>false</value>
</property>
<!--虚拟核数和物理核数乘数，默认是1.0-->
<property>
<description>Multiplier to determine how to convert phyiscal cores to
vcores. This value is used if yarn.nodemanager.resource.cpu-vcores is set to -1(which implies auto-calculate vcores) and
yarn.nodemanager.resource.detect-hardware-capabilities is set to true. Thenumber of vcores will be calculated asnumber of CPUs * multiplier.</description>
<name>yarn.nodemanager.resource.pcores-vcores-multiplier</name>
<value>1.0</value>
</property>
<!--NodeManager使用内存数，默认8G，修改为4G内存-->
<property>
<description>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 is automatically calculated(in case of Windows and Linux).In other cases, the default is 8192MB.</description>
<name>yarn.nodemanager.resource.memory-mb</name>
<value>4096</value>
</property>
<!--nodemanager的CPU核数，不按照硬件环境自动设定时默认是8个，修改为4个-->
<property>
<description>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.</description>
<name>yarn.nodemanager.resource.cpu-vcores</name>
<value>4</value>
</property>
<!--容器最小内存，默认1G -->
<property>
<description>The minimum allocation for every container request at the RMin MBs. Memory requests lower than this will be set to the value of thisproperty. Additionally, a node manager that is configured to have less memorythan this value will be shut down by the resource manager.</description>
<name>yarn.scheduler.minimum-allocation-mb</name>
<value>1024</value>
</property>
<!--容器最大内存，默认8G，修改为2G -->
<property>
<description>The maximum allocation for every container request at the RMin MBs. Memory requests higher than this will throw anInvalidResourceRequestException.</description>
<name>yarn.scheduler.maximum-allocation-mb</name>
<value>2048</value>
</property>
<!--容器最小CPU核数，默认1个-->
<property>
<description>The minimum allocation for every container request at the RMin terms of virtual CPU cores. Requests lower than this will be set to thevalue of this property. Additionally, a node manager that is configured tohave fewer virtual cores than this value will be shut down by the resourcemanager.</description>
<name>yarn.scheduler.minimum-allocation-vcores</name>
<value>1</value>
</property>
<!--容器最大CPU核数，默认4个，修改为2个-->
<property>
<description>The maximum allocation for every container request at the RMin terms of virtual CPU cores. Requests higher than this will throw an InvalidResourceRequestException</description>
<name>yarn.scheduler.maximum-allocation-vcores</name>
<value>2</value>
</property>
<!--虚拟内存检查，默认打开，修改为关闭-->
<property>
<description>Whether virtual memory limits will be enforced for containers.</description>
<name>yarn.nodemanager.vmem-check-enabled</name>
<value>false</value>
</property>
<!--虚拟内存和物理内存设置比例,默认2.1 -->
<property>
<description>Ratio between virtual memory to physical memory whensetting memory limits for containers. Container allocations areexpressed in terms of physical memory, and virtual memory usageis allowed to exceed this allocation by this ratio.</description>
<name>yarn.nodemanager.vmem-pmem-ratio</name>
<value>2.1</value>
</property>
（4）分发配置。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
[Tom@hadoop102 hadoop-3.1.3]$ sbin/stop-yarn.sh
[Tom@hadoop103 hadoop-3.1.3]$ sbin/start-yarn.sh
（6）执行WordCount 程序
[Tom@hadoop102 hadoop-3.1.3]$ hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-3.1.3.jar wordcount /input /output
（7）观察Yarn 任务执行页面
http://hadoop103:8088/cluster/apps
2.2 容量调度器多队列提交案例
在生产环境怎么创建队列?
（1）调度器默认就1 个default 队列，不能满足生产要求。
（2）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）
（3）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
创建多队列的好处？
（1）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。
（2）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。11.11 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
需求 1：default 队列占总内存的 40%，最大资源容量占总资源hive 队列占总内存的最大资源容量占总资源 80%。
需求 2：配置队列优先级
2.2.1 配置多队列的容量调度器
（1）在 capacity-scheduler.xml中配置如下：
修改如下配置：
<!--指定多队列，增加hive队列-->
<property>
<name>yarn.scheduler.capacity.root.queues</name>
<value>default,hive</value>
<description>
The queues at the this level (root is the root queue).
</description>
</property>
<!--降低default队列资源额定容量为40%，默认100%-->
<property>
<name>yarn.scheduler.capacity.root.default.capacity</name>
<value>40</value>
</property>
<!--降低default队列资源最大容量为60%，默认100%-->
<property>
<name>yarn.scheduler.capacity.root.default.maximum-capacity</name>
<value>60</value>
</property>
为新加队列添加必要属性：
<!--指定hive队列的资源额定容量-->
<property>
<name>yarn.scheduler.capacity.root.hive.capacity</name>
<value>60</value>
</property>
<!--用户最多可以使用队列多少资源，1表示-->
<property>
<name>yarn.scheduler.capacity.root.hive.user-limit-factor</name>
<value>1</value>
</property>
<!--指定hive队列的资源最大容量-->
<property>
<name>yarn.scheduler.capacity.root.hive.maximum-capacity</name>
<value>80</value>
</property>
<!--启动hive队列-->
<property>
<name>yarn.scheduler.capacity.root.hive.state</name>
<value>RUNNING</value>
</property>
<!--哪些用户有权向队列提交作业-->
<property>
<name>yarn.scheduler.capacity.root.hive.acl_submit_applications</name>
<value>*</value>
</property>
<!--哪些用户有权操作队列，管理员权限（查看/杀死）-->
<property>
<name>yarn.scheduler.capacity.root.hive.acl_administer_queue</name>
<value>*</value>
</property>
<!--哪些用户有权配置提交任务优先级-->
<property>
<name>yarn.scheduler.capacity.root.hive.acl_application_max_priority</name>
以上是关于大数据技术之Hadoop（Yarn）资源调度器案例实操的主要内容，如果未能解决你的问题，请参考以下文章