小白Spark工程师需要了解的Hadoop和YARN小知识

（点击上方公众号，可快速关注）

转自：知了小巷-知了

【导读】：Spark是用于批处理和流处理的开源分布式计算引擎，Apache Hadoop YARN 是开源 Hadoop 分布式处理框架中的资源管理和作业调度技术，除了MapReduce之外，也可以执行其它分布式计算程序。关于Hadoop组件的工作原理，作为大数据开发工程师，这些基础知识都不能够绕开。

---以下是正文---

Apache Spark

Apache Spark是一个用于批处理和流处理的开源分布式计算引擎，它是为快速内存数据处理而设计的。

Apache Spark是一个分布式编程框架，运用Spark API编写程序代码并打包，打包好的Spark应用（jar）可以运行在EC2、Hadoop YARN、Mesos或Kubernetes上，也可以运行在Spark Standalone上面。

Hadoop VS 操作系统

传统操作系统基本上都少不了这两部分：文件系统和资源管理组件。
不同机器上安装的操作系统，其文件系统可能是不一样的，比如：FAT32 HPFS、ext2、NFS、ZFS等。操作系统也可以是不一样的，比如Windows、Unix、Linux等，Linux还会有不同的发行版。但是，操作系统本身就是一个软件，有相应的启动入口，操作系统(Operating System，简称OS)是管理计算机硬件与软件资源的计算机程序。 

操作系统有资源管理组件：包括内核、调度程序和一些线程以及允许程序基于数据运行的进程。

当我们将数据存储和资源管理概念拿到集群上来看，并将其 “置于” Hadoop中时，我们得到了和单个操作系统基本相同的分离开的两个组件。存储层将取代单节点文件系统，新的存储是HDFS——Hadoop分布式文件系统。YARN(Yet Another Resource Negotiator)承担了资源管理的角色：执行、调度、决定可以做什么以及在哪里能够分配足够的资源（CPU+内存） 去执行数据处理任务。

操作系统资源管理的基本单位是进程（一个进程单位），OS资源调度的基本单位是线程。
YARN资源管理的基本单位是分布式Application，即分布式应用（分布在多个节点机器上的多个进程），YARN资源调度的基本单位是进程，对于计算任务本身，要看具体任务的执行粒度：比如MapReduce默认多进程，MapTask和ReduceTask都是进程，当然进程内部仍然是线程；而Spark或Flink分别在Executor和TaskManager进程启动后驻守在OS后台，具体执行Task的是进程内部的线程。执行粒度的区别在于，进程切换和线程切换（常驻线程不需要切换，比如实时消费Kafka的线程）对分布式计算整体效率的影响是有明显差异的。

YARN架构

YARN是怎么运行的？

YARN是Hadoop集群资源管理系统，同时也具有通用性，除了MapReduce之外，也可以执行其它分布式计算程序。

基本组件
ResourceManager
集群资源的仲裁者，包括两部分：一是插件式的调度器Scheduler，二是ApplicationManager，用于管理集群中的用户作业。
NodeManager
管理该节点上的用户作业和工作流，也会不断发送自己Container使用情况给ResourceManager。
ApplicationMaster
向ResourceManager（全局的）申请计算资源（Containers）并且和NodeManager交互来执行和监控具体的task。ApplicationMaster要根据具体应用的特点进行编写，比如MapReduce的AM是MRAppMaster.java；Spark on YARN cluster的AM是ApplicationMaster.scala；Flink on YARN cluster per-job的AM是YarnJobClusterEntrypoint.java。

集群的所有节点都有一定数量的Container。Container是计算单元，是节点资源执行用户应用程序任务的一种包装器。它们是由YARN管理的主要计算单元。Container有自己的参数，可以按需配置(例如：内存、CPU等)。

每个节点上的Container由NodeManager守护进程控制。当在集群上启动新应用程序时，ResourceManager为应用程序的Master分配一个Container用来运行ApplicationMaster。每个应用程序的ApplicationMaster是一个特定于框架的实体（上面MR、Spark和Flink都是特定编写的），其任务是与ResourceManager协商资源，并与NodeManager合作执行和监视组件任务（比如MapTask、ReduceTask或Executor）。

一旦ApplicationMaster启动以后，ApplicationMaster将负责分布式应用程序的整个生命周期。首先，它将向ResourceManager发送资源请求，以获得执行应用程序任务所需要的Container（列表）。资源请求只是对满足某些资源需求的若干Container的请求，例如：

• 一定数量的资源，比如8GB内存，16核CPU
• 首选Container的位置，主机名+机架名或者没有首选位置
• 应用程序内部的优先级，不是多个程序之间的优先级

ApplicationMaster也是在Container中运行，如果ApplicationMaster崩溃了或者不可用，ResourceManager可以重新创建另一个Container来重新启动ApplicationMaster，所以整个应用是高可用的。ResourceManager会将应用运行的相关信息存储在HDFS上面，重新启动时，ResourceManager会重新创建应用程序的状态，只重新启动尚未完成的任务，当然对于进程内部的具体计算任务需要应用框架本身的Checkpoint机制来恢复具体任务执行情况。

Submit application on YARN

1. 客户端程序提交应用，包括特定于框架的ApplicationMaster和包含计算逻辑的用户程序、还有计算引擎本身的类库等。
2. ResourceManager负责为ApplicationMaster分配资源Container并远程通知NodeManager将Container运行起来（启动ApplicationMaster）。
3. ApplicationMaster启动后，将自己注册到ResourceManager。然后向ResourceManager请求指定的资源Container，且让这些Container与ApplicationMaster进行直接交互。正常情况下，ApplicationMaster会请求合适数量的Container。
4. ApplicationMaster成功接收到Container之后，ApplicationMaster会遍历Container列表，通知对应的NodeManager将Container运行起来（比如 启动Executor）。
5. 在Container内部，运行用户程序代码，比如ApplicationMaster可能运行Spark的Driver或者Flink的JobManager相关执行计划生成逻辑等；计算节点运行Executor或者TaskManager、等待任务分配以及执行具体计算任务。
6. 用户程序运行期间，客户端与ApplicationMaster进行交互获取应用的运行状态，如果是实时常驻应用，会有相应的Web后台可以实时获取应用的运行状态。
7. 整个应用结束之后，ApplicationMaster会向ResourceManager注销自己，释放Container资源。

- EOF -

推荐阅读  点击标题可跳转

看完本文有收获？请转发分享给更多人

关注「大数据与机器学习文摘」，成为Top 1%

点赞和在看就是最大的支持❤️