YARN
mapreduce程序应该是在很多机器上并行启动，而且先执行map task，当众多的maptask都处理完自己的数据后，还需要启动众多的reduce task，这个过程如果用用户自己手动调度不太现实，需要一个自动化的调度平台——hadoop中就为运行mapreduce之类的分布式运算程序开发了一个自动化调度平台——YARN
1.yarn的基本概念
yarn是一个分布式程序的运行调度平台
yarn中有两大核心角色：
1、Resource Manager
接受用户提交的分布式计算程序，并为其划分资源
管理、监控各个Node Manager上的资源情况，以便于均衡负载
2、Node Manager
管理它所在机器的运算资源（cpu + 内存）
负责接受Resource Manager分配的任务，创建容器、回收资源
2.YARN的资源管理
1、资源调度和隔离是yarn作为一个资源管理系统，最重要且最基础的两个功能。资源调度由resourcemanager完成，而资源隔离由各个nodemanager实现。
2、Resourcemanager将某个nodemanager上资源分配给任务（这就是所谓的“资源调度”）后，nodemanager需按照要求为任务提供相应的资源，甚至保证这些资源应具有独占性，为任务运行提供基础和保证，这就是所谓的资源隔离。
3、当谈及到资源时，我们通常指内存、cpu、io三种资源。Hadoop yarn目前为止仅支持cpu和内存两种资源管理和调度。
4、内存资源多少决定任务的生死，如果内存不够，任务可能运行失败；相比之下，cpu资源则不同，它只会决定任务的快慢，不会对任务的生死产生影响。
Yarn的内存管理：
yarn允许用户配置每个节点上可用的物理内存资源，注意，这里是“可用的”，因为一个节点上内存会被若干个服务贡享，比如一部分给了yarn，一部分给了hdfs，一部分给了hbase等，yarn配置的只是自己可用的，配置参数如下：
yarn.nodemanager.resource.memory-mb
表示该节点上yarn可以使用的物理内存总量，默认是8192m，注意，如果你的节点内存资源不够8g，则需要调减这个值，yarn不会智能的探测节点物理内存总量。
yarn.nodemanager.vmem-pmem-ratio
任务使用1m物理内存最多可以使用虚拟内存量，默认是2.1
yarn.nodemanager.pmem-check-enabled
是否启用一个线程检查每个任务证使用的物理内存量，如果任务超出了分配值，则直接将其kill，默认是true。
yarn.nodemanager.vmem-check-enabled
是否启用一个线程检查每个任务证使用的虚拟内存量，如果任务超出了分配值，则直接将其kill，默认是true。
yarn.scheduler.minimum-allocation-mb
单个任务可以使用最小物理内存量，默认1024m，如果一个任务申请物理内存量少于该值，则该对应值改为这个数。
yarn.scheduler.maximum-allocation-mb
单个任务可以申请的最多的内存量，默认8192m
Yarn cpu管理：
目前cpu被划分为虚拟cpu，这里的虚拟cpu是yarn自己引入的概念，初衷是考虑到不同节点cpu性能可能不同，每个cpu具有计算能力也是不一样的，比如，某个物理cpu计算能力可能是另外一个物理cpu的2倍，这时候，你可以通过为第一个物理cpu多配置几个虚拟cpu弥补这种差异。用户提交作业时，可以指定每个任务需要的虚拟cpu个数。在yarn中，cpu相关配置参数如下：
yarn.nodemanager.resource.cpu-vcores
表示该节点上yarn可使用的虚拟cpu个数，默认是8个，注意，目前推荐将该值为与物理cpu核数相同。如果你的节点cpu合数不够8个，则需要调减小这个值，而yarn不会智能的探测节点物理cpu总数。
yarn.scheduler.minimum-allocation-vcores
单个任务可申请最小cpu个数，默认1，如果一个任务申请的cpu个数少于该数，则该对应值被修改为这个数
yarn.scheduler.maximum-allocation-vcores
单个任务可以申请最多虚拟cpu个数，默认是32.
3.安装yarn集群
yarn集群中有两个角色：
主节点：Resource Manager 1台
从节点：Node Manager N台
Node Manager在物理上应该跟data node部署在一起，为什么？
hdfs上的数据存储在datanode节点上，而nodemanager，要进行运算，就需要读取datanode上的数据块，如果部署在datanode节点上，可用直接本地读取，不需要再跨网络传输，速度更快，效率更高。
Resource Manager在物理上应该独立部署在一台专门的机器上（可用部署在任意的机器）
1 修改配置文件：
yarn-site.xml
|
<property> <name>yarn.resourcemanager.hostname</name> <value>hdp-01</value> </property> # nodemanager给 mapreduce程序提供辅助功能，辅助shuffle <property> <name>yarn.nodemanager.aux-services</name> <value>mapreduce_shuffle</value> </property> <property> <name> yarn.nodemanager.resource.memory-mb</name> <value>2048</value> </property> <property> <name> yarn.nodemanager.resource.cpu-vcores</name> <value>2</value> </property> |
mapred-site.xml
添加mapreduce默认使用yarn来调度。
mapreduce.framework.name=yarn|local 默认是local
|
<property> <name> mapreduce.framework.name</name> <value>yarn</value> </property> |
yarn集群配置参数说明：
|
yarn.nodemanager.resource.memory-mb 默认是8G yarn.nodemanager.resource.cpu-vcores 默认是8 注意：如果内存不足2G,至少配置2G,即值为2048 如果内存配置低于2G,可能会导致mapreduce任务不能正常运行。 报错如下： 原因： 在mapred-default.xml中，有默认参数配置了（MR AppMaster）内存为1.5G。 每一个mapreduce 会启动一个MR AppMaster进行。 |
2、scp这个yarn-site.xml,mapred-site.xml到其他节点
|
cd /root/apps/Hadoop/etc/Hadoop/ for i in {2..4};do scp yarn-site.xml hdp-0$i:`pwd` ;done for i in {2..4};do scp mapred-site.xml hdp-0$i:`pwd` ;done |
yarn为每一个容器分配内存和核数：
|
yarn为每一个container分配的最小的内存：1024 yarn.scheduler.minimum-allocation-mb 1024 最大可分配的内存为8G: yarn.scheduler.maximum-allocation-mb 8192 最小的cores： 1个 默认的就是一个 yarn.scheduler.minimum-allocation-vcores 1 最多可分配的cores：32个 yarn.scheduler.maximum-allocation-vcores 32 |
3、启动yarn集群：
主节点：# yarn-daemon.sh start resourcemanager
从节点：# yarn-daemon.sh start nodemanager
4、脚本批量启动：
在hdp-01上，修改hadoop的slaves文件，列入要启动nodemanager的机器
然后将hdp-01到所有机器的免密登陆配置好
启动yarn集群：（注：该命令应该在resourcemanager所在的机器上执行）
# start-yarn.sh
停止：# stop-yarn.sh
验证：用jps检查yarn的进程，用web浏览器查看yarn的web控制台
启动完成后，可以在windows上用浏览器访问resourcemanager的web端口：
看resource mananger是否认出了所有的node manager节点
4.运行mapreduce程序
定义一个主类，用来描述job并提交job
提交job到yarn的客户端类（模板代码）：
描述你的mapreduce程序运行时所需要的一些信息(比如用哪个mapper、reducer、map和reduce输出的kv类型、jar包所在路径、reduce task的数量、输入输出数据的路径)
|
/** * 本类其实跟你的wordcount mapreduce程序关系不大 * 它只是用来描述你的mapreduce程序相关信息，并将mapreduce程序所在的jar包提交给yarn */ public class JobSubmitter { public static void main(String[] args) throws Exception { // 描述job信息 Configuration conf = new Configuration(); conf.set("mapreduce.framework.name", "yarn"); conf.set("yarn.resourcemanager.hostname", "hdp-01"); Job job = Job.getInstance(conf); // 指定mapreduce程序的jar包路径，通过类加载机制动态获取 job.setJarByClass(JobSubmitter.class); job.setMapperClass(WordcountMapper.class); job.setReducerClass(WordcountReducer.class); // 指定map输出的keyvalue类型 job.setMapOutputKeyClass(Text.class); job.setMapOutputValueClass(IntWritable.class); // 指定最终输出的结果的keyvalue类型 job.setOutputKeyClass(Text.class); job.setOutputValueClass(IntWritable.class); // 指定job所要读取的数据源目录 FileInputFormat.setInputPaths(job, new Path("/wordcount/input")); // 指定job输出结果的目录 FileOutputFormat.setOutputPath(job, new Path("/wordcount/output")); // 指定reduce task的数量 job.setNumReduceTasks(1); // 提交job给yarn //job.submit(); boolean res = job.waitForCompletion(true); System.exit(res?0:-1); } } |
注意：FileInputFormat和FileOutputFormat导的包是：
|
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat; import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat; import org.apache.hadoop.io.Text; |
1) 将工程整体打成一个jar包并上传到linux机器上
这里打普通的jar包即可，不需要打成可执行的jar包。
2) 准备好要处理的数据文件放到hdfs的指定目录中
3) 用命令启动jar包中的Jobsubmitter，让它去提交jar包给yarn来运行其中的mapreduce程序 ：
hadoop jar wc.jar cn.edu360.mr.wordcount.JobSubmitter .....
4) 去hdfs的输出目录中查看结果
运行流程分析：
启动一个mapreduce任务的时候，通过jps可以看见：
提交任务的进程：
每一个mapreduce任务，都会有一个MRAppMaster的进程，该进程负责启动maptask和reducetask,
maptask和reducetask的进程名称叫做YarnChild
5.mapreduce任务运行方式总结：
5.1运行在yarn平台
5.1.1linux平台提交mapreduce任务到yarn上
所需参数：
|
Mapred-site.xml mapreduce.framework.name yarn core-site.xml fs.defaultFS hdfs://hdp-01:9000 yarn-site.xml yarn.resourcemanager.hostname hdp-01 |
5.1.2windows平台提交mapreduce任务到yarn
所需参数：
|
// 基本的参数配置 conf.set("fs.defaultFS", "hdfs://hdp-01:9000"); conf.set("yarn.resourcemanager.hostname","hdp-01"); conf.set("mapreduce.framework.name", "yarn"); // 配置跨平台执行的参数 conf.set("mapreduce.app-submission.cross-platform", "true"); // 伪装root用户 System.setProperty("HADOOP_USER_NAME", "root"); |
需要指定jar包路径：
// 需要设置jar包的路径
job.setJar("d:/wc.jar");
windows平台hadoop环境变量：
需要指定本地的hadoop的环境变量，（windows版本的hadoop安装包）
5.2本地运行（windows/linux）
可不配置任何参数，使用的是默认的参数
mapreduce.framework.name的默认值是local
windows本地运行
windows平台上执行本地的mapreduce任务，需要指定windows平台的输入输出路径：
|
// 设置输入路径 输出路径 FileInputFormat.setInputPaths(job, new Path("f:/mrdata/wordcount/input/")); FileOutputFormat.setOutputPath(job, new Path("f:/mrdata/wordcount/output/")); |