Yarn

Hadoop YARN（又称另一种资源协调器）是一个通用资源管理系统。它为集群提供统一的资源管理和调度，提高了利用率和资源统一管理能力。

深入解析 Hadoop YARN 架构设计与实现原理。

背景 YARN框架 YARN工作流程 对比分析 YARN功能

Yarn 工作流程图解 这张流程图详细展示了 Yarn 处理应用程序请求的步骤： 客户端提交应用程序： 用户向 Yarn 资源管理器提交应用程序，请求分配资源。 资源管理器接收请求： 资源管理器接收应用程序请求，并为其分配一个 Application Master。 启动 Application Master： 资源管理器在一个节点上启动 Application Master 容器。 Application Master 请求资源： Application Master 向资源管理器申请运行任务所需的资源（容器）。 资源管理器分配资源： 资源管理器根据资源情况和调度策略，为 Application Master 分配资源。 Application Master 启动任务： Application Master 在分配的容器中启动任务。 任务运行： 任务在容器中执行用户代码，并与 Application Master 通信汇报进度和状态。 任务完成： 任务完成后，Application Master 向资源管理器注销，释放资源。

Hadoop YARN权威指南 本书由默西 (Arun C. Murthy) 撰写，机械工业出版社于2015年3月出版。这本书深入浅出地讲解了Hadoop YARN的核心概念、架构和应用。 本书共242页，内容涵盖YARN的基础知识、资源管理、应用程序生命周期管理等方面，并结合实际案例进行讲解，帮助读者更好地理解和应用YARN。

Yarn 及 Hadoop 优化

yarn在不同节点的基本操作流程

Spark on Yarn模式部署是将Spark应用程序部署在Yarn集群上的常见方法，这样可以利用Yarn的资源管理和调度功能，从而提升应用程序的性能和可靠性。步骤一：修改主机名，添加主机名到IP地址映射首先，创建三台虚拟机并安装Ubuntu服务器操作系统。编辑/etc/hostname文件，修改虚拟机的主机名，并添加主机名到IP地址映射。完成后，重启虚拟机。步骤二：配置免密码登录配置master免密码登录master、slave1和slave2，以便在后续操作中免密码登录到这些主机。步骤三：安装并配置JDK8下载并安装JDK8，配置Java环境变量。将JDK8复制到/usr/目录并解压缩，编辑/etc/profile文件，添加Java环境变量信息，并执行命令使配置立即生效。步骤四：配置Hadoop下载Hadoop的binary版本，并上传到master主机。在新建的spark-on-yarn目录中，将Hadoop和Spark复制到该目录下，编辑profile文件，添加Hadoop home环境变量信息，并配置Hadoop的环境变量和配置文件。部署优点这种部署方式利用了Yarn的资源管理和调度功能，提高了应用程序的性能和可靠性，同时简化了应用程序的管理和维护工作。结论Spark on Yarn模式部署是一种高效且可靠的Spark应用程序部署方式。

详细解析了YARN框架，对其实现代码进行了深入分析。

Apache Hadoop YARN（Yet Another Resource Negotiator）是Hadoop中的资源管理系统，负责有效管理和调度集群的计算资源。YARN的工作机制在Hadoop 2.x版本中引入，克服早期Hadoop 1.x中MapReduce模型的局限性，特别是单一JobTracker的性能瓶颈。以下是对YARN工作机制的详细解析： 1. 应用程序提交：当需要执行MapReduce作业（例如wc.jar）时，客户端向ResourceManager（RM）请求一个Application。RM作为YARN架构的中心协调者，负责全局资源的分配和管理。 2. 资源路径返回：RM响应客户端请求，返回应用程序所需的资源路径，例如JAR文件和配置文件，客户端将其上传到HDFS（Hadoop分布式文件系统）。 3. 资源提交：客户端将所有必要的资源提交到HDFS，确保集群中所有节点可以访问这些资源。这一步骤保证了执行作业所需的数据可用性。 4. 申请MRAppMaster：提交完成后，客户端通过RM申请运行一个MRAppMaster。MRAppMaster作为MapReduce作业的控制器，负责作业的调度和监控。 5. 任务调度：RM为MRAppMaster分配一个Container，Container是YARN中的资源抽象，包括CPU、内存等。MRAppMaster在分配的Container中启动，并与RM交互，请求Task的执行资源。 6. 任务分配：MRAppMaster根据作业配置，将任务分为多个MapTask和ReduceTask，并将它们放入调度队列。 7-11. MapTask执行：MRAppMaster向RM请求MapTask运行所需的Container。RM选择适当的NodeManager（NM）分配Container，NM负责在本地启动容器并下载作业资源。然后，YARNChild进程在Container中执行MapTask。 12-13. ReduceTask执行：所有MapTask完成后，MRAppMaster向RM请求运行ReduceTask所需的Container。RM再次选择合适的NM分配Container，NM启动容器并下载ReduceTask所需的资源。然后，YARNChild进程在Container中执行ReduceTask。