MapReduce和YARN入门

一、分布式计算概述

1.1.什么是计算

计算是对数据进行处理，使用统计分析等手段得到需要的结果，大数据体系内的计算，举例：

销售额统计、区域销售占比、季度销售占比
利润率走势、客单价走势、成本走势
品类分析、消费者分析、店铺分析

等等一系列，基于数据得出的结论。这些就是我们所说的计算。

1.2.分布式计算？

分布式计算：多台服务器协同工作，共同完成一个计算任务

问题：大数据为什么一定要分布式计算，非分布式计算不行吗？

答案：数据太大，一台计算机无法独立处理，这时候就需要靠多台计算机共同协作来完成（本质还是以数量取胜）

1.3.分布式计算常见的两种工作模式

分布式计算的时候管理多台计算机有两种方式：

⑴.分散===>汇总模式：

将数据分片，多台服务器各自负责一部分数据处理，然后将各自的结果，进行汇总处理，最终得到想要的计算结果

⑵.中心调度===>步骤执行（大数据体系的Spark、Flink等是这种模式）

由一个节点作为中心调度管理者，将任务划分为几个具体步骤，管理者安排每个机器执行任务，最终得到结果数据

二、MapReduce概述

2.1.分布式计算框架MapReduce

Hadoop三大组件说明：Hadoop HDFS、Hadoop MapReduce、Hadoop YARN

MapReduce是“分散===>汇总”模式的分布式计算框架，可供开发人员开发相关程序进行分布式数据计算。MapReduce提供了2个编程接口：

Map：Map功能接口提供了“分散”的功能，由服务器分布式对数据进行处理
Reduce：Reduce功能接口提供了“汇总（聚合）”的功能，将分布式的处理结果汇总统计

用户如需使用MapReduce框架完成自定义需求的程序开发，只需要使用Java、Python等编程语言，实现MapReduce功能接口即可。

2.2.MapReduce执行原理

简单分析一下，MapReduce是如何完成分布式计算的。假设有如下文件，内部记录了许多的单词。且已经开发好了一个MapReduce程序，功能是统计每个单词出现的次数。

假定有4台服务器用以执行MapReduce任务，可以3台服务器执行Map，1台服务器执行Reduce

将任务分解为：3个Map(分散) Task(任务)、 1个Reduce(汇总) Task

三、YARN概述

3.1.MapReduce和YARN的关系

MapReduce是基于YARN运行的，没有YARN则是无法运行MapReduce程序

3.2.什么资源调用，为什么需要资源调度？

资源调度

资源：服务器硬件资源，如：CPU、内存、硬盘、网络等
资源调度：管控服务器硬件资源，提供更好的利用率
分布式资源调用：管控整个分布式服务器集群的全部资源，整合进行统一调度

服务器会运行多个程序，每个程序对资源（CPU内存等）的使用都不同，程序没有节省的概念，有多少就会用多少。所以，为了提高资源利用率，进行调度就非常有必要了。将服务器上的资源进行划分，对程序实行申请制度，需要多少申请多少

对于服务器集群亦可使用这种思路调度整个集群的资源

3.3.YARN的作用是什么？程序如何在YARN内运行

YARN是Hadoop的一个组件，用以做集群的资源（内存、CPU等）调度，程序向YARN申请所需资源，YARN为程序分配所需资源供程序使用

3.4.YARN资源调度

YARN 管控整个集群的资源进行调度，那么应用程序在运行时，就是在YARN的监管（管理）下去运行的。这类似：全部资源都是公司（YARN）的，由公司分配给个人（具体的程序）去使用。

比如，一个具体的MapReduce程序会将任务分解为若干个Map任务和Reduce任务。假设，有一个MapReduce程序，分解了3个Map任务，和1个Reduce任务，那么如何在YARN的监管（管理）下运行呢？

注意：MapReduce程序向YARN申请使用资源，YARN分配好资源后运行，空闲资源可供其它程序使用

四、YARN架构

4.1.YARN核心架构

4.1.1.YARN角色说明

YARN，主从架构，有2个角色

主（Master）角色：ResourceManager，整个集群的资源调度者，负责协调调度各个程序所需的资源。
从（Slave）角色：NodeManager，单个服务器的资源调度者，负责调度单个服务器上的资源提供给应用程序使用。

分配资源如下：

上图中是如何实现服务器上精准分配如下的硬件资源呢？

4.1.2.YARN容器

容器（Container）是YARN的NodeManager在所属服务器上分配资源的手段，创建一个资源容器，即由NodeManager占用这部分资源，然后应用程序运行在NodeManager创建的这个容器内，应用程序无法突破容器的资源限制，

4.2.辅助架构

4.2.1.YARN辅助角色

YARN 的架构中除了核心角色，即：

ResourceManager ：集群资源总管家
NodeManager ：单机资源管家

还可以搭配 2 个辅助角色使得 YARN 集群运行更加稳定

代理服务器 (ProxyServer) ： Web Application Proxy Web 应用程序代理
历史服务器 (JobHistoryServer) ：应用程序历史信息记录服务

4.2.2.代理服务器

代理服务器，即 Web 应用代理是 YARN 的一部分。默认情况下，它将作为资源管理器 (RM) 的一部分运行，但是可以配置为在独立模式下运行。使用代理的原因是为了减少通过 YARN 进行基于网络的攻击的可能性。这是因为， YARN 在运行时会提供一个 WEB UI 站点（同 HDFS 的 WEB UI 站点一样）可供用户在浏览器内查看 YARN 的运行信息

对外提供 WEB 站点会有安全性问题，而代理服务器的功能就是最大限度保障对 WEB UI 的访问是安全的。比如：

警告用户正在访问一个不受信任的站点
剥离用户访问的 Cookie 等

开启代理服务器，可以提高 YARN 在开放网络中的安全性（但不是绝对安全只能是辅助提高一些）

代理服务器默认集成在了 ResourceManager 中也可以将其分离出来单独启动，如果要分离代理服务器

⑴.在 yarn-site.xml 中配置 yarn.web-proxy.address 参数即可（部署环节会使用到）

<property>
        <name>yarn.web-proxy.address</name>
        <value>node1:8089</value>
       <description>代理服务器主机和端口</description>
</property>

⑵.并通过命令启动它即可 $HADOOP_YARN_HOME/sbin/yarn-daemon.sh start proxyserver （部署环节会使用到）

4.2.3.历史服务器

⑴.为什么需要历史服务器？

历史服务器的功能：记录历史运行的程序的信息以及产生的日志并提供WEB UI站点供用户使用浏览器查看。

程序看日志不是日常操作吗？为何需要一个单独的历史服务器？

回答这个问题要从YARN的运行机制说起。运行日志，产生在容器中，过于零散难以查看

所以需要统一收集到 HDFS ，由历史服务器托管为WEB UI 供用户在浏览器统一查看

⑵.历史服务器配置

JobHistoryServer 历史服务器功能：

提供 WEB UI 站点，供用户在浏览器上查看程序日志
可以保留历史数据，随时查看历史运行程序信息

JobHistoryServer 需要配置：

开启日志聚合，即从容器中抓取日志到 HDFS 集中存储

<property>
    <name>yarn.log-aggregation-enable</name>
    <value>true</value>
    <description>开启日志聚合</description>
</property>
<property>
    <name>yarn.nodemanager.remote-app-log-dir</name>
    <value>/tmp/logs</value>
    <description>程序日志HDFS的存储路径</description>
</property>

配置历史服务器端口和主机

<property>
    <name>mapreduce.jobhistory.webapp.address</name>
    <value>node1:19888</value>
    <description>历史服务器web端口为node1的19888</description>
</property>

历史服务器配置和启动，在后续部署YARN集群环节讲解

五、MapReduce和YARN的部署

5.1.部署说明

Hadoop HDFS分布式文件系统，我们会启动：

NameNode进程作为管理节点
DataNode进程作为工作节点
SecondaryNamenode作为辅助

同理，Hadoop YARN分布式资源调度，会启动：

ResourceManager进程作为管理节点
NodeManager进程作为工作节点
ProxyServer、JobHistoryServer这两个辅助节点

那么，MapReduce怎么启动呢？

MapReduce运行在YARN容器内，无需启动独立进程

所以关于MapReduce和YARN的部署，其实就是2件事情：

关于MapReduce：修改相关配置文件，但是没有进程可以启动
关于YARN：修改相关配置文件，并启动ResourceManager、NodeManager进程以及辅助进程（代理服务器、历史服务器）

汇总说明：

5.3.集群规划

有3台服务器，其中node1配置较高，集群规划如下：

5.4.MapReduce配置文件

5.4.1.MapReduce配置文件

在 $HADOOP_HOME/etc/hadoop 文件夹内，修改

mapred-env.sh文件，添加如下环境变量

#设置JDK路径
export JAVA_HOME=/export/server/jdk
#设置JobHistoryServer进程内存为1G
export HADOOP_JOB_HISTORYSERVER_HEAPSIZE=1000
#设置日志级别为INFO
export HADOOP_MAPRED_ROOT_LOGGER=INFO,RFA

mapred-site.xml文件，添加如下配置信息

<configuration>
    <!-- 设置MapReduce的运行框架为YARN -->
    <property>
        <name>mapreduce.framework.name</name>
        <value>yarn</value>
        <description>MapReduce的运行框架设置为YARN</description>
    </property>

    <!-- 历史服务器通讯端口 -->
    <property>
        <name>mapreduce.jobhistory.address</name>
        <value>node1:10020</value>
        <description>历史服务器通讯端口为node1:10020</description>
    </property>

    <!-- 历史服务器web端口 -->
    <property>
        <name>mapreduce.jobhistory.webapp.address</name>
        <value>node1:19888</value>
        <description>历史服务器web端口为node1的19888</description>
    </property>

    <!-- 历史信息在HDFS的记录临时路径 -->
    <property>
        <name>mapreduce.jobhistory.intermediate-done-dir</name>
        <value>/data/mr-history/tmp</value>
        <description>历史信息在HDFS的记录临时路径</description>
    </property>

    <!-- 历史信息在HDFS的记录路径 -->
    <property>
        <name>mapreduce.jobhistory.done-dir</name>
        <value>/data/mr-history/done</value>
        <description>历史信息在HDFS的记录路径</description>
    </property>

    <!-- MapReduce Application Master的环境变量设置 -->
    <property>
        <name>yarn.app.mapreduce.am.env</name>
        <value>HADOOP_MAPRED_HOME=$HADOOP_HOME</value>
        <description>MapReduce HOME设置为HADOOP_HOME</description>
    </property>

    <!-- Map任务的环境变量设置 -->
    <property>
        <name>mapreduce.map.env</name>
        <value>HADOOP_MAPRED_HOME=$HADOOP_HOME</value>
        <description>MapReduce HOME设置为HADOOP_HOME</description>
    </property>

    <!-- Reduce任务的环境变量设置 -->
    <property>
        <name>mapreduce.reduce.env</name>
        <value>HADOOP_MAPRED_HOME=$HADOOP_HOME</value>
        <description>MapReduce HOME设置为HADOOP_HOME</description>
    </property>
</configuration>

5.4.2.YARN配置文件

在 $HADOOP_HOME/etc/hadoop 文件夹内，修改：

yarn-env.sh文件，添加如下4行环境变量内容：

# 设置JDK路径的环境变量
export JAVA_HOME=/export/server/jdk
# 设置HADOOP_HOME的环境变量
export HADOOP_HOME=/export/server/hadoop
# 设置配置文件路径的环境变量
export HADOOP_CONF_DIR=$HADOOP_HOME/etc/hadoop
# 设置日志文件路径的环境变量
export HADOOP_LOG_DIR=$HADOOP_HOME/logs

yarn-site.xml文件，配置如图属性

<property>
    <name>yarn.resourcemanager.hostname</name>
    <value>node1</value>
    <description>ResourceManager设置在node1节点</description>
</property>
<property>
    <name>yarn.nodemanager.local-dirs</name>
    <value>/data/nm-local</value>
    <description>NodeManager中间数据本地存储路径</description>
</property>
<property>
    <name>yarn.nodemanager.log-dirs</name>
    <value>/data/nm-log</value>
    <description>NodeManager数据日志本地存储路径</description>
</property>
<property>
    <name>yarn.nodemanager.aux-services</name>
    <value>mapreduce_shuffle</value>
    <description>为 MapReduce程序开启Shuffle服务 </description>
</property>

<property>
    <name>yarn.log.server.url</name>
    <value>http://node1:19888/jobhistory/logs</value>
    <description>历史服务器 URL</description>
</property>

<property>
    <name>yarn.web-proxy.address</name>
    <value>node1:8089</value>
    <description>代理服务器主机和端</description>
</property>

<property>
    <name>yarn.log-aggregation-enable</name>
    <value>true</value>
    <description>开启日志聚合</description>
</property>

<property>
    <name>yarn.nodemanager.remote-app-log-dir</name>
    <value>/tmp/logs</value>
    <description>程序日志HDFS的存储路径</description>
</property>

<property>
    <name>yarn.resourcemanager.scheduler.class</name>
    <value>org.apache.hadoop.yarn.server.resourcemanager.scheduler.fair.FairScheduler</value>
    <description>选择公平调度器</description>
</property>

5.4.3.分发配置文件

MapReduce和YARN的配置文件修改好后，需要分发到其它的服务器节点中。

scp mapred-env.sh mapred-site.xml yarn-env.sh yarn-site.xml node2:`pwd`/
scp mapred-env.sh mapred-site.xml yarn-env.sh yarn-site.xml node3:`pwd`/

分发完成配置文件，就可以启动YARN的相关进程啦。

5.4.4开始启动YARN集群

在node1服务器，以hadoop用户执行

⑴.首先执行：$HADOOP_HOME/sbin/start-yarn.sh，一键启动所需的:

ResourceManager
NodeManager
ProxyServer（代理服务器）

⑵.其次执行：$HADOOP_HOME/bin/mapred --daemon start historyserver 启动: HistoryServer（历史服务器）

5.4.6查看YARN的WEB UI页面

打开 http://node1:8088 即可看到YARN集群的监控页面（ResourceManager的WEB UI）

⑴.节点信息详解（Nodes）

Yarn 的集群节点的情况，从 Active Nodes 下面的数字点击进去，可以看到具体的节点列表信息。里面包含了所在机架、运行状态、节点地址、最后健康上报上报时间、运行的容器个数、使用内存CPU 等信息，还有版本号。如下图。

说明：

Node Lables：节点标签，通过对节点打标签，可以控制任务运行在特定类型的标签节点上
Rack：机架，可以通过机架感知机制与配置
Node State：节点状态信息，Running表示运行正常
Node Address： NodeManager的ip地址和访问端口
Node HTTP Address：NodeManager的web应用HTTP访问地址
Last health-update：节点健康汇报时间
Health-report：心跳报告的存储路径
Containers：节点内正在运行的Containers个数
Mem Used：节点已用内存
Mem Avail：节点可用的总内存（默认是8G yarn.nodemanager.resource.memory-mb配置）
Vcore Used：节点正在运行作业所占用的CPU核数
Vcores Avail：节点可用的总虚拟CPU核数（yarn.nodemanager.resource.cpu-vcores配置）

⑵.应用列表信息（applications）

包括以下内容：

任务的ID
任务的名字
应用的类型和所在队列
任务的开始、启动时间和结束时间
任务当前的状态和最终状态。
任务占用的相关资源。
任务的应用类型主页。如果是 spark 任务的话，显示的是 spark 的 ui 页面

六、MapReduce和YARN的使用

6.1.集群启动命令介绍

常用的进程启动命令如下：
⑴.一键启动YARN集群： $HADOOP_HOME/sbin/start-yarn.sh

会基于yarn-site.xml中配置的yarn.resourcemanager.hostname来决定在哪台机器上启动resourcemanager
会基于workers文件配置的主机启动NodeManager

⑵.一键停止YARN集群： $HADOOP_HOME/sbin/stop-yarn.sh
⑶.在当前机器，单独启动或停止进程

$HADOOP_HOME/bin/yarn --daemon start|stop resourcemanager|nodemanager|proxyserver
start和stop决定启动和停止
可控制resourcemanager、nodemanager、proxyserver三种进程

⑷.历史服务器启动和停止

$HADOOP_HOME/bin/mapred --daemon start|stop historyserver

6.2.提交MapReduce程序至YARN运行

6.2.1.语法说明

在部署并成功启动YARN集群后，我们就可以在YARN上运行各类应用程序了。YARN作为资源调度管控框架，其本身提供资源供许多程序运行，常见的有：

MapReduce程序
Spark程序
Flink程序

Spark和Flink是大数据的内容，我们目前先来体验一下在YARN上执行MapReduce程序的过程。

Hadoop官方内置了一些预置的MapReduce程序代码，我们无需编程，只需要通过命令即可使用。常用的有2个MapReduce内置程序：

wordcount：单词计数程序。统计指定文件内各个单词出现的次数
pi：求圆周率，通过蒙特卡罗算法（统计模拟法）求圆周率

这些内置的示例MapReduce程序代码，都在下面文件内：

$HADOOP_HOME/share/hadoop/mapreduce/hadoop-mapreduce-examples-3.3.1.jar

可以通过 hadoop jar 命令来运行它，提交MapReduce程序到YARN中。语法：

hadoop jar 程序文件 java类名 [程序参数] ... [程序参数]

6.2.2.案例

6.2.2.1.提交wordcount示例程序

单词计数示例程序很简单：

给定数据输入的路径（HDFS）、给定结果输出的路径（HDFS）
将输入路径内的数据中的单词进行计数，将结果写到输出路径

⑴.准备一份数据文件，并上传到HDFS中。

Hello, this is a sample input file for word count.
We will use this file to demonstrate the word count example.

⑵.将左侧内容保存到Linux中为words.txt文件，并上传到HDFS

# 在HDFS中创建文件夹/input/wordcount，用于存放统计文件
hadoop fs -mkdir -p /input/wordcount
# 用于存储统计出来的结果
hadoop fs -mkdir /output
# 上传到HDFS
hadoop fs -put words.txt /input/wordcount/

⑶.执行如下命令，提交示例MapReduce程序WordCount到YARN中执行

hadoop jar $HADOOP_HOME/share/hadoop/mapreduce/hadoop-mapreduce-examples-3.3.4.jar wordcount hdfs://node1:8020/input/wordcount/ hdfs://node1:8020/output/wc1

注意：

参数wordcount，表示运行jar包中的单词计数程序（Java Class）
参数1是数据输入路径（hdfs://node1:8020/input/wordcount/)
参数2是结果输出路径(hdfs://node1:8020/output/wc1)，需要确保输出的文件夹不存在

⑷.提交程序后，可以在YARN的WEB UI页面看到运行中的程序（http://node1:8088/cluster/apps)

⑸.执行完成后，可以查看HDFS上的输出结果

说明：

_SUCCESS文件是标记文件，表示运行成功，本身是空文件
part-r-00000，是结果文件，结果存储在以part开头的文件中

⑹.执行完成后，可以借助历史服务器查看到程序的历史运行信息
ps：如果没有启动历史服务器和代理服务器，此操作无法完成（页面信息由历史服务器提供，鼠标点击跳转到新网页功能由代理服务器提供）

这是一个关于Hadoop任务的执行摘要说明：

Job Name: 任务名称，这里是 "word count"，表示这个任务是用来进行单词统计的。
User Name: 用户名称，这里是 "hadoop"，表示这个任务是由用户 "hadoop" 提交的。
Queue: 队列，这里是 "root.hadoop"，表示这个任务被提交到了名为 "hadoop" 的队列中。
State: 任务状态，这里是 "SUCCEEDED"，表示任务执行成功完成。
Uberized: 是否使用了Uber任务模式，这里是 "false"，表示任务没有使用Uber模式。
Submitted: 提交时间，这里是 "Tue Jun 04 18:05:58 CST 2024"，表示任务在2024年6月4日18点5分58秒被提交。
Started: 开始时间，这里是 "Tue Jun 04 18:06:09 CST 2024"，表示任务在2024年6月4日18点6分9秒开始执行。
Finished: 完成时间，这里是 "Tue Jun 04 18:06:23 CST 2024"，表示任务在2024年6月4日18点6分23秒执行完成。
Elapsed: 经过时间，这里是 "14sec"，表示任务执行总共耗时14秒。
Diagnostics: 诊断信息，这里是空白，通常用于记录任务执行过程中的错误信息或警告。
Average Map Time: 平均Map任务执行时间，这里是 "5sec"，表示平均每个Map任务执行耗时5秒。
Average Shuffle Time: 平均Shuffle时间，这里是 "3sec"，表示平均每个Shuffle操作耗时3秒。
Average Merge Time: 平均Merge时间，这里是 "0sec"，表示平均每个Merge操作耗时0秒。
Average Reduce Time: 平均Reduce任务执行时间，这里是 "0sec"，表示平均每个Reduce任务执行耗时0秒。

⑺.查看运行日志

点击logs即可查看日志

日志如下：

点击logs链接，可以查看到详细的运行日志信息。此功能基于：

1. 配置文件中配置了日志聚合功能，并设置了历史服务器

<property>
    <name>yarn.log.server.url</name>
    <value>http://node1:19888/jobhistory/logs</value>
    <description></description>
</property>

<property>
    <name>yarn.log-aggregation-enable</name>
    <value>true</value>
    <description>Configuration to enable </description>
</property>

2. 启动了代理服务器和历史服务器
3. 历史服务器进程会将日志收集整理，形成可以查看的网页内容供我们查看。

所以，如果发现无法查看程序运行历史以及无法查看程序运行日志信息，请检查上述1、2、3是否都正确设置。

6.2.2.2.提交求圆周率示例程序

可以执行如下命令，使用蒙特卡罗算法模拟计算求PI（圆周率）

hadoop jar $HADOOP_HOME/share/hadoop/mapreduce/hadoop-mapreduce-examples-3.3.4.jar pi 3 10000

说明：

参数pi表示要运行的Java类，这里表示运行jar包中的求pi程序
参数3，表示设置几个map任务
参数10000，表示模拟求PI的样本数（越大求的PI越准确，但是速度越慢）

执行如下：

posted @ 2019-10-29 09:43 酒剑仙* 阅读(599) 评论(0) 编辑收藏举报

会员力量，点亮园子希望

刷新页面返回顶部

Augus