Hadoop_YARN框架
Hadoop学习笔记总结
01. YARN框架
1. 新一代的框架介绍
YARN的职能就是将资源调度和任务调度分开。资源管理器ResourceManager全局管理所有应用程序计算资源的分配，每一个job的ApplicationMaster负责相应任务的调度和协调。
- ResourceManager做的事情是负责协调集群上计算资源的分配。调度、启动每一个 Job 所属的 ApplicationMaster、另外监控 ApplicationMaster 的存在情况。
- NodeManager 功能比较专一，根据要求启动和监视集群中机器的计算容器container。负责 Container 状态的维护，并向 RM 保持心跳汇报该节点资源使用情况。
- ApplicationMaster 负责一个 Job 生命周期内的所有工作。注意每一个Job都有一个 ApplicationMaster。它和MapReduce任务一样在容器中运行。AM通过与RM交互获取资源，然后然后通过与NM交互，启动计算任务。
- 容器是由ResourceManager进行统一管理和分配的。有两类container：一类是AM运行需要的container；另一类是AP为执行任务向RM申请的。
- YARN的作用：资源调度。
ResourceManager------NodeManager
主节点 ---------- 从节点- ApplicationMaster作用：任务调度
MRAppMaster ------ yarnchild
动态产生 ------ 动态产生（可以是Map,可以是Reduce）
YARN中提交job的详细流程
不是完全正确，下面是一些解释和更正：
- RunJar里面的Conf的配置引用决定了是在本地还是集群运行。是提交到集群yarn_provider还是本地运行local_provider。配置conf决定了是访问远程rpc还是本地rpc。
- 步骤2中的staging_dir存放的是作业Jar、配置信息和分片信息；这个staging_dir默认是在HDFS上。
- 步骤5是ResourceManager将任务添加到任务队列中。然后，ResourceManager将随机挑选一个NodeManager管理下的Container分配给ApplicationMaster进程，作为MRAppMaster任务调度中心。
- MRAppMaster会对作业初始化，接受任务的进度和完成报告；接受HDFS中存放的客户端计算的输入分片信息，对每一个分片创建一个map任务对象和由mapreduce.job.reduces确定的reduce对象。
- ApplicationMaster会为该作业所有的map和reduce任务向ResourceManager请求容器（包括内存资源和CPU资源）；附着心跳信息的请求包括map任务的本地化信息，如输入分片所在的主机和机架信息。ResourceManager根据这些信息完成分配决策，理想情况会将任务分配给数据本地化的节点。
- ResourceManager为任务分配了容器后，ApplicationMaster就通过节点间通信来启动NodeManager中的容器，任务由容器中的YarnChild应用程序执行。在任务执行前，容器将任务需要的资源本地化，包括staging_dir中的作业Jar、配置和文件资源。
- ApplicationMaster负责启动map和reduce任务，监控。并在所有任务完成后，向ResourceManager注销自己，清理工作状态。
- 在实际运行中，NodeManager节点会随机被指定MRAppMaster进程，然后在任务节点出现yarnChild进程。yarnChild进程执行完map或reduce任务后会消失，MRAppMaster进程执行完这个job后会消失。
2. YARN框架的通用性
资源管理框架ResourceManager可以为MapReduce、Spark、Storm等计算框架实现资源调度。但是这些计算框架需要实现一个接口，AppMaster；资源管理器才能启动这个AppMaster执行计算任务。
比如只需要MR实现MRAppMaster，Spark也需要实现SparkAppMaster
3. YARN提交job的源码流程
4. YARN的HA
Yarn的Ha只能保证，在一个节点失效时，另一台能提供服务。但是不能像HDFS一样智能。Application在执行一半时ResourceManager宕机，另一个ResourceManager不能继续提供任务的执行服务，因为中间数据太多，Hadoop未实现这种任务调度的切换。而HDFS的HA可以保证杀掉active状态的NameNode，文件依然能够上传成功。
