Hadoop之YARN详解
YARN的由来
从Hadoop2开始，官方把资源管理单独剥离出来，主要是为了考虑后期作为一个公共的资源管理平台，任何满足规则的计算引擎都可以在它上面执行。所以YARN可以实现HADOOP集群的资源共享，不仅仅可以跑MapReduce，还可以跑Spark、Flink。
YARN架构分析
我们之前部署Hadoop集群的时候对YARN的架构有了基本的了解，YARN主要负责集群资源的管理和调度 ，支持主从架构，主节点最多可以有2个，从节点可以有多个
其中
- ResourceManager：主节点，主要负责集群资源的分配和管理
- NodeManager：从节点，主要负责当前机器资源管理
YARN资源管理模型
YARN主要管理内存和CPU这两种资源类型
当NodeManager节点启动的时候自动向ResourceManager注册，将当前节点上的可用CPU信息和内存信息注册上去。这样所有的nodemanager注册完成以后，resourcemanager就知道目前集群的资源总量了。那我们现在来看一下我这个一主两从的集群资源是什么样子的，打开yarn的8088界面
但是这个数值和我们的实际值是对不上的，那为什么在这里显示是内存是8G，CPU是8个呢？
- yarn.nodemanager.resource.memory-mb：单节点可分配的物理内存总量，默认是8MB*1024，即8G
- yarn.nodemanager.resource.cpu-vcores：单节点可分配的虚拟CPU个数，默认是8
看到没有，这都是默认单节点的内存和CPU信息，就算你这个机器没有这么多资源，但是在yarndefault.xml中有这些默认资源的配置，这样当nodemanager去上报资源的时候就会读取这两个参数的值，这也就是为什么我们在前面看到了单节点都是8G内存和8个cpu，其实我们的linux机器是没有这么大资源的，那这就是虚标啊，肯定不能这样干，应该实际有多少就是多少，所以我们可以修改这些参数的值，修改的话就在yarn-site.xml中进行配置即可，改完之后就可以看到真实的信息了，这里我就先不改了，针对我们的学习环境不影响使用，修改的意义不大，知道有这回事就行了。
YARN中的调度器
接下来我们来详细分析一下YARN中的调度器，这个是非常实用的东西。
大家可以想象一个场景，我们集群的资源是有限的，在实际工作中会有很多人向集群中提交任务，那这时候资源如何分配呢？如果你提交了一个很占资源的任务，这一个任务就把集群中90%的资源都占用了，后面别人再提交任务，剩下的资源就不够用了，这个时候怎么办？让他们等你的任务执行完了再执行？还是说你把你的资源匀出来一些分给他，你少占用一些，让他也能慢慢执行。具体如何去做是由YARN中的调度器负责的。
YARN中支持三种调度器
- FIFO Scheduler：先进先出(first in, first out)调度策略
- Capacity Scheduler：FIFO Scheduler的多队列版本
- FairScheduler：多队列，多用户共享资源
- FIFO Scheduler：是先进先出的，大家都是排队的，如果你的任务申请不到足够的资源，那你就等着，等前面的任务执行结束释放了资源之后你再执行。这种在有些时候是不合理的，因为我们有一些任务的优先级比较高，我们希望任务提交上去立刻就开始执行，这个就实现不了了。
- CapacityScheduler：它是FifoScheduler的多队列版本，就是我们先把集群中的整块资源划分成多份，我们可以人为的给这些资源定义使用场景，例如图里面的queue A里面运行普通的任务，queueB中运行优先级比较高的任务。这两个队列的资源是相互对立的。但是注意一点，队列内部还是按照先进先出的规则。
- FairScheduler：支持多个队列，每个队列可以配置一定的资源，每个队列中的任务共享其所在队列的所有资源，不需要排队等待资源。具体是这样的，假设我们向一个队列中提交了一个任务，这个任务刚开始会占用整个队列的资源，当你再提交第二个任务的时候，第一个任务会把他的资源释放出来一部分给第二个任务使用
在实际工作中我们一般都是使用第二种， CapacityScheduler ，从hadoop2开始， CapacityScheduler也是集群中的默认调度器了。那下面我们到集群上看一下，点击左侧的Scheduler查看
案例：YARN多资源队列配置和使用
需求
我们的需求是这样的，希望增加2个队列，一个是online队列，一个是offline队列。然后向offline队列中提交一个mapreduce任务
online队列里面运行实时任务
offline队列里面运行离线任务，我们现在学习的mapreduce就属于离线任务
实时任务我们后面会学习，等讲到了再具体分析。
具体步骤
修改集群中 etc/hadoop 目录下的 capacity-scheduler.xml 配置文件
修改和增加以下参数，针对已有的参数，修改value中的值，针对没有的参数，则直接增加
这里的 default 是需要保留的，增加 online,offline ，这三个队列的资源比例为 7:1:2
具体的比例需要根据实际的业务需求来，哪种类型的任务比较多，对应的队列中资源比例就调高一些，我们现在暂时还没有online任务，所以我就把online队列的资源占比设置的小一些。
<property>
<name>yarn.scheduler.capacity.root.queues</name>
<value>default,online,offline</value>
<description>队列列表,多个队列之间使用逗号分割</description>
</property>
<property>
<name>yarn.scheduler.capacity.root.default.capacity</name>
<value>70</value>
<description>default队列70%</description>
</property>
<property>
<name>yarn.scheduler.capacity.root.online.capacity</name>
<value>10</value>
<description>online队列10%</description>
</property>
<property>
<name>yarn.scheduler.capacity.root.offline.capacity</name>
<value>20</value>
<description>offline队列20%</description>
</property>
<property>
<name>yarn.scheduler.capacity.root.default.maximum-capacity</name>
<value>70</value>
<description>Default队列可使用的资源上限.</description>
</property>
<property>
<name>yarn.scheduler.capacity.root.online.maximum-capacity</name>
<value>10</value>
<description>online队列可使用的资源上限.</description>
</property>
<property>
<name>yarn.scheduler.capacity.root.offline.maximum-capacity</name>
<value>20</value>
<description>offline队列可使用的资源上限.</description>
</property>
重启集群，进入yarn的web界面，查看最新的调度器队列信息
注意了，现在默认提交的任务还是会进入default的队列，如果希望向offline队列提交任务的话，需要指定队列名称，不指定就进默认的队列。
在这里我们还需要同步微调一下代码，否则我们指定的队列信息 代码是无法识别的
//创建一个job
Configuration config = new Configuration();
//解析命令行中-D后面传递过来的参数，添加到conf中
String[] remainingArgs = new GenericOptionsParser(config, args).getRemainingArgs();
Job job = Job.getInstance(config, "wordCountJob");
//必须设置 不然找不到执行类
job.setJarByClass(WordCountJobQueue.class);
重新编译打包，上传到服务器
bin/hadoop jar bigdata.jar com.imooc.bigdata.mr.WordCountJobQueue -Dmapreduce.job.queuename=offline /hello.txt /out11
如果我们去掉指定队列名称的配置，此时还会使用default队列
遇到的问题
指定了offline队列的任务没有执行成功，应该是资源不足导致的，暂时还未解决。
