【Hadoop】YARN详解与安装指南

  一 背景介绍

  自从Hadoop推出以来，在大数据计算上得到广泛使用。其他分布式计算框架也出现，比如spark等。随着Hadoop的使用和研究越来越透彻，它暴漏出来的问题也越来越明显。比如NameNode的单点故障，任务调度器JobTracker的单点故障和性能瓶颈。各个公司对这几个问题都做出了对源代码的改变，比如阿里对NameNode做出修改使Hadoop的集群可以跨机房，而腾讯也做出了改变让Hadoop可以管理更多的节点。
  相对于各个企业对Hadoop做出改变以适应应用需求，Apache基金也对Hadoop做出了升级，从Hadoop 0.2.2.0推出了Hadoop二代，即YARN。YARN对原有的Hadoop做出了多个地方的升级，对资源的管理与对任务的调度更加精准。下面就对YARN从集群本身到集群的安装做一个详细的介绍。
  

  二 YARN介绍

  在介绍YARN之前，Hadoop内容请查看相关附注中的连接。
 

  2.1 框架基本介绍

  相对于第一代Hadoop，YARN的升级主要体现在两个方面，一个是代码的重构上，另外一个是功能上。通过代码的重构不在像当初一代Hadoop中一个类的源码几千行，使源代码的阅读与维护都不在让人望而却步。除了代码上的重构之外，最主要的就是功能上的升级。
  功能上的升级主要解决的一代Hadoop中的如下几个问题：
  1：JobTracker的升级。这个其中有两个方面，一个是代码的庞大，导致难以维护和阅读；另外一个是功能的庞大，导致的单点故障和消耗问题。这也是YARN对原有Hadoop改善最大的一个方面。
  2：资源的调度粗粒度。在第一代Hadoop中，资源调度是对map和reduce以slot为单位，而且map中的slot与reduce的slot不能相互更换使用。即就算执行map任务没有多余的slot，但是reduce有很多空余slot也不能分配给map任务使用。
  3：对计算节点中的任务管理粒度太大。
  针对上述相应问题，YARN对Hadoop做了细致的升级。YARN已经不再是一个单纯的计算平台，而是一个资源的监管平台。在YARN框架之上可以使用MapReduce计算框架，也可以使用其他的计算或者数据处理，通过YARN框架对计算资源管理。升级后的YARN框架与原有的Hadoop框架之间的区别可以用下图解释：
 


 


 细节内容待补充。
 

  2.2 框架架构解读

   
   相对于一代Hadoop中计算框架的JobTracker与TaskTracker两个主要通信模块，YARN的模块变的更加丰富。在一代Hadoop中JobTracker负责资源调度与任务分配，而在YARN中则把这两个功能拆分由两个不同组件完成，这不仅减少了单个类的代码量(单个类不到1000行)，也让每个类的功能更加专一。原有的JobTracker分为了如今的ResourceManager与ApplicationMaster
两个功能组件,一个负责任务的管理一个负责任务的管理。有人会问那任务的调度与计算节点的谁来负责。任务的调度有可插拔的调
度器ResourceScheduler，计算节点有NodeManager来完成。这在下面会细说。
  YARN的架构设计如下图所示：
  


  相对于第一代Hadoop，YARN把Hadoop中的资源控制、任务调度和具体任务计算的JobTracker/TaskTracker架构，变为下述的四个功能组件，让资源调度和任务调度更加细粒化。

集群唯一的ResourceManager
每个任务对应的ApplicationMaster
每个机器节点上的NodeManager
运行在每个NodeManager上针对某个任务的Container
通过上述四个功能组件的合作，解决了第一代Hadoop中JobTracker负责所有资源的调度和任务的调度的重任。除此之外还解决了，资源分配简单粗暴的问题。

  2.3 功能组件细讲

    ResourceManager
    ResourceManager是这一代Hadoop升级中最主要的一个功能组件。

    NodeManager
  
    ResourceScheduler

  三 安装

  相对于Hadoop的安装，YARN的安装稍微繁琐一点，因为它的组件更多。对于一代Hadoop，它大的组件就可以分为HDFS与MapReduce，HDFS主要是NameNode与Datanode，而MapReduce就是JobTracker与TaskTracker。YARN框架中HDFS部分虽然和一代Hadoop相同，但是启动方式则和一代完全不同；而MapReduce部分则更加复杂。所以安装起来稍微繁琐一点。下面我们就参考官方文档，开始慢慢讲解整个安装过程。在安装过程中遇到的问题都记录在附录中给出的连接中。
  YARN安装可以通过下载tar包或者通过源代码两种方式安装，我们集群是采用的下载tar包然后进行解压的安装方式，下载地址在附录中给出。为了方便安装，我们是解压到根目录/yarn。解压tar包后的YARN目录结构有一点需要注意，即配置文件conf所在的正确位置应该是/yarn/conf，但是解压后/yarn目录中是没有conf文件的，但是有有个/etc/hadoop目录。所有的配置文件就在该目录下，你需要做的是把该文件move到/yarn/conf位置。再做下一步的安装。如果你解压后的文件没有出现上面情况，那这一步操作可以取消。

  对于YARN的安装主要是HDFS安装与MapReduce安装。我们的集群共有四台机器，其中一台作为NameNode所在，一台作为ResourceManager所在，剩下的两台则担任数据节点与计算节点。具体的机器安排如下：

linux-c0001:ResourceManager

linux-c0002:NameNode
linux-c0003:DataNode/NodeManager
linux-c0004:DataNode/NodeManager

  因为我们的集群上已经安装有其他版本的Hadoop，比如Apache的Hadoop还有Intel推出的Intel Distributiong Hadoop，所以很多默认的端口号都要修改，数据文件的存储位置与运行Hadoop的用户都要修改。在安装的过程中因为已经安装的Hadoop的存在，也遇到了很多问题。这在下面还有附录中的连接中都会有说明。

下面针对每个安装进行介绍：

 

  3.1 HDFS安装与配置

  HDFS安装主要是NameNode与DataNode的安装与配置，其中NameNode还需要一步格式化formate操作。其中HDFS的配置主要存在于core-site.xml与hdfs-site.xml两个文件中。这两个配置文件的默认属性已经在附录中给出，但是在我们集群中不能采用。因为，我们集群中已经安装有其他Hadoop，如果全部采用默认配置则会出现冲突，在安装过程中出现Port
in use 的BindException。主要需要配置的地方如下几点：
  1：NameNode配置

   在我们集群中c0002是NameNode所在的机器，在该机器的配置文件中需要修改的是两个文件core-site.xml与hdfs-site.xml。需要修改的配置文件指定namenode所在主机与端口号，NameNode的数据文件目录等几点。

  下面分别给出我们的core-site.xml与hdfs-site.xml的配置：
  core-site.xml：

<configuration>
<property>
<name>fs.defaultFS</name>
<value>hdfs://linux-c0002:9090</value>
</property>

<property>
<name>io.file.buffer.size</name>
<value>131072</value>
</property>

</configuration>

对于HDFS的配置，因为有NameNode与DataNode两种节点身份，所以在NameNode与DataNode中配置文件不会完全一致，下面就会贴出两种节点上的不同配置。
  hdfs-site.xml(NameNode)：

<configuration>
<property>
<name>dfs.namenode.http-address</name>
<value>linux-c0002:50071</value>
</property>

<property>
<name>dfs.namenode.backup.address</name>
<value>linux-c0002:50101</value>
</property>

<property>
<name>dfs.namenode.backup.http-address</name>
<value>linux-c0002:50106</value>
</property>

<property>
<name>dfs.namenode.name.dir</name>
<value>/home/hadoop/YarnRun/name1,/home/hadoop/YarnRun/name2</value>
</property>

<property>
<name>dfs.blocksize</name>
<value>268435456</value>
</property>

<property>
<name>dfs.namenode.handler.count</name>
<value>100</value>
</property>
</configuration>

  2：DataNode的配置

  DataNode的配置是在hdfs-site.xml中进行个性化配置的，主要包括DataNode的主机和对外端口号，数据文件位置。按照正常DataNode的主机与对外端口号是不用额外配置的，在安装的时候采用默认的端口号就好。但是，还是那个原因，因为我们集群中安装有其他的Hadoop版本，所以不得不对默认的DataNode中的端口号做一定的修改。

  下面给出配置后的文件内容：
   hdfs-site.xml(DataNode)

<configuration>
<property>
<name>dfs.namenode.http-address</name>
<value>linux-c0002:50071</value>
</property>

<property>
<name>dfs.datanode.address</name>
<value>linux-c0003:50011</value>
</property>

<property>
<name>dfs.datanode.http.address</name>
<value>linux-c0003:50076</value>
</property>

<property>
<name>dfs.datanode.ipc.address</name>
<value>linux-c0003:50021</value>
</property>

<property>
<name>dfs.blocksize</name>
<value>268435456</value>
</property>
<property>
<name>dfs.datanode.data.dir</name>
<value>/home/hadoop/YarnRun/data1</value>
</property>
</configuration>

  3：slaves文件的修改

  slaves文件主要是指明子节点的位置，即数据节点和计算节点的位置。和一代Hadoop不同的是，在YARN中不需要配置masters文件，只有slaves配置文件。在slaves添加两个子节点主机名(整个集群的主机名在集群中的所有主机的hosts文件中已经注明)：

linux-c0003

linux-c0004

   4：Namenode的格式化

   采用官方文档给出的格式化命令进行格式化(cluster_name没有指定则不需要添加该参数)

$HADOOP_PREFIX/bin/hdfs namenode -format <cluster_name>

   5：Namenode启动

   采用官方文档给出的启动命令直接启动就好。(注意：启动命令与格式化命令的脚本不再同一个文件中)

$HADOOP_PREFIX/sbin/hadoop-daemon.sh --config $HADOOP_CONF_DIR --script hdfs start namenode

  6：检查NameNode是否启动

  输入jps命令，看是否有NameNode进程；或者访问其web链接看是否能正常访问。如果不能正常访问，则去看相应的日志进行相应的定向修改。

   7：DataNode的启动
   在YARN中DataNode的启动与第一代Hadoop的启动是不相同的，在第一代Hadoop中你执行一个start-all命令包括NameNode与各个节点上的DataNode都会相继启动起来，但是在YARN中你启动DataNode必须要去各个节点依次执行启动命令。当然你也可以自己写启动脚本，不去各个节点重复执行命令。
  下面贴出启动命令：

$HADOOP_PREFIX/sbin/hadoop-daemon.sh --config $HADOOP_CONF_DIR --script hdfs start datanode

3.2 MapReduce安装与配置

  MapReduce其中需要配置安装的地方是ResourceManager与NodeManager的安装与配置。
  1：ResourceManager的配置
  ResourceManager与NameNode一样，都是单独在一个机器节点上，对ResourceManager的配置主要是在yarn-site.xml中进行配置的。可配置的属性主要包括主机与端口号，还有调度器的配置。
  

<configuration>

<property>
<name>yarn.resourcemanager.address</name>
<value>linux-c0001:8032</value>
<description>the host is the hostname of the ResourceManager and the port is the port on
which the clients can talk to the Resource Manager. </description>
</property>

<property>
<name>yarn.resourcemanager.resource-tracker.address</name>
<value>linux-c0001:8031</value>
<description>host is the hostname of the resource manager and
port is the port on which the NodeManagers contact the Resource Manager.
</description>
</property>

<!-- for scheduler -->

<property>
<name>yarn.resourcemanager.scheduler.address</name>
<value>linux-c0001:8030</value>
<description>host is the hostname of the resourcemanager and port is the port
on which the Applications in the cluster talk to the Resource Manager.
</description>
</property>

<property>
<name>yarn.resourcemanager.scheduler.class</name>
<value>org.apache.hadoop.yarn.server.resourcemanager.scheduler.capacity.CapacityScheduler</value>
<description>In case you do not want to use the default scheduler</description>
</property>

<property>
<name>yarn.nodemanager.local-dirs</name>
<value></value>
<description>the local directories used by the nodemanager</description>
</property>

<!-- for nodemanager -->

<property>
<name>yarn.nodemanager.resource.memory-mb</name>
<value>10240</value>
<description>the amount of memory on the NodeManager in GB</description>
</property>

<property>
<name>yarn.nodemanager.remote-app-log-dir</name>
<value>/app-logs</value>
<description>directory on hdfs where the application logs are moved to </description>
</property>

<property>
<name>yarn.nodemanager.log-dirs</name>
<value></value>
<description>the directories used by Nodemanagers as log directories</description>
</property>

<property>
<name>yarn.nodemanager.aux-services</name>
<value>mapreduce_shuffle</value>
<description>shuffle service that needs to be set for Map Reduce to run </description>
</property>

</configuration>

  2：NodeManager的配置
  NodeManager主要是配置计算节点上的对计算资源的控制和对外的端口号，它的配置也在yarn-site.xml中进行配置，所以这里的配置文件和上面贴出的配置文件代码是完全一样的，在这里就不再次粘贴文件具体内容。
  3：mapreduce的配置
   mapreduce的配置主要是在mapred-site.xml中，用来指明计算框架的版本(Hadoop/YARN)还有计算的中间数据位置等。
   

<configuration>
<property>
<name>mapreduce.framework.name</name>
<value>yarn</value>
</property>
<property>
<name>mapreduce.cluster.temp.dir</name>
<value></value>
</property>
<property>
<name>mapreduce.cluster.local.dir</name>
<value></value>
</property>

</configuration>

  4：ResourceManager启动
  具体代码

$HADOOP_YARN_HOME/sbin/yarn-daemon.sh --config $HADOOP_CONF_DIR start resourcemanager

  
  5：NodeManager的启动
  NodeManager的启动和DataNode的启动也是一样，需要到各个计算节点上执行启动命令。具体代码如下：

$HADOOP_YARN_HOME/sbin/yarn-daemon.sh --config $HADOOP_CONF_DIR start nodemanager

  6：JobHistory的启动

   JobHistory服务主要是负责记录集群中曾经跑过的任务，对完成的任务查看任务运行期间的详细信息。一般JobHistory都是启动在运行任务的节点上，即NodeManager节点上。如果不对JobHistory的配置进行修改，那么直接可以在NodeManager所在节点上运行启动命令即可，具体启动命令如下：

$HADOOP_PREFIX/sbin/mr-jobhistory-daemon.sh start historyserver --config $HADOOP_CONF_DIR

启动了之后就可以在集群运行任务页面查看具体的job history，通过点击每个任务条目的左后history链接就可以查看具体的任务细节。具体的截图如下：

  四 关闭集群

   当集群升级或者需要重启集群的时候，就需要执行关闭命令。分别关闭NameNode与DataNode，然后关闭ResourceManager与NodeManager。但是在关闭的时候可能会遇到no namenode to stop或者no resourcemanager to stop的问题。这是因为YARN在关闭的时候，它会首先获取当前系统中的YARN相关运行进程的ID，如果没有则就会爆出上述两个问题。但是系统中明明运行这YARN相关进程，为何还是会说没有进程stop。这是因为当YARN运行起来之后，运行中的进程ID会存储在/tmp文件夹下，而/tmp文件会定期删除文件，这就导致YARN停止脚本无法找到YARN相关进程的ID，导致不能停止。
   两个解决方案，第一个就是使用kill命令，而第二个则是修改YARN的进程ID的存放文件夹目录。

  五 附录

YARN官方文档：YARN官方介绍
YARN下载：Hadoop 0.2.2.0
安装中遇到的问题：http://blog.csdn.net/zwan0518/article/details/9164449
集群安装官方文档：http://hadoop.apache.org/docs/current2/hadoop-project-dist/hadoop-common/ClusterSetup.html#Hadoop_MapReduce_Next_Generation_-_Cluster_Setup
core-site默认配置：http://hadoop.apache.org/docs/current2/hadoop-project-dist/hadoop-common/core-default.xml
hdfs-site默认配置：http://hadoop.apache.org/docs/current2/hadoop-project-dist/hadoop-hdfs/hdfs-default.xml

mapred-site默认配置：http://hadoop.apache.org/docs/current2/hadoop-mapreduce-client/hadoop-mapreduce-client-core/mapred-default.xml
yarn-site默认配置：http://hadoop.apache.org/docs/current2/hadoop-yarn/hadoop-yarn-common/yarn-default.xml