# YARN

YARN是一种集群管理技术,全称是Yet Another Resource Negotiator。

# 一、YARN基础架构

# 1.1 ResourceManager

  1. 处理客户端请求
  2. 监控NodeManager
  3. 启动或监控ApplicationMaster
  4. 资源的分配与调度

# 1.2 NodeManager

  1. 管理单个节点上的资源
  2. 处理来自ResourceManager的命令
  3. 处理来自ApplicationMaster的命令

# 1.3 ApplicationMaster

  1. 为应用程序申请资源并分配给内部的任务
  2. 任务的监控与容错

# 1.4 Container

Container 是YARN中的资源抽象,它封装了某个节点上的多维度资源,如内存、CPU、磁盘、网络等。

# 二、YARN工作机制

  1. MR 程序提交到客户端所在的节点。
  2. YarnRunner 向 ResourceManager 申请一个 Application。
  3. RM 将该应用程序的资源路径返回给 YarnRunner。
  4. 该程序将运行所需资源提交到 HDFS 上。
  5. 程序资源提交完毕后,申请运行 mrAppMaster。
  6. RM 将用户的请求初始化成一个 Task。
  7. 其中一个 NodeManager 领取到 Task 任务。
  8. 该 NodeManager 创建容器 Container,并产生 MRAppmaster。
  9. Container 从 HDFS 上拷贝资源到本地。
  10. MRAppmaster 向 RM 申请运行 MapTask 资源。
  11. RM 将运行 MapTask 任务分配给另外两个 NodeManager,另两个 NodeManager 分别领取任务并创建容器。
  12. MR 向两个接收到任务的 NodeManager 发送程序启动脚本,这两个 NodeManager分别启动 MapTask,MapTask 对数据分区排序。
  13. MrAppMaster 等待所有 MapTask 运行完毕后,向 RM 申请容器,运行 ReduceTask。 (14)ReduceTask 向 MapTask 获取相应分区的数据。
  14. 程序运行完毕后,MR 会向 RM 申请注销自己。

# 三、Yarn调度器和调度算法

目前,Hadoop 作业调度器主要有三种:FIFO、容量(Capacity Scheduler)和公平(Fair Scheduler)。Apache Hadoop3.3.1 默认的资源调度器是 Capacity Scheduler。 CDH 框架默认调度器是 Fair Scheduler。

具体设置详见:yarn-default.xml 文件

  <property>
    <description>The class to use as the resource scheduler.</description>
    <name>yarn.resourcemanager.scheduler.class</name>
    <value>org.apache.hadoop.yarn.server.resourcemanager.scheduler.capacity.CapacityScheduler</value>
  </property>
1
2
3
4
5

# 3.1 先进先出调度器(FIFO)

FIFO 调度器(First In First Out):单队列,根据提交作业的先后顺序,先来先服务。

  • 优点:简单易懂;
  • 缺点:不支持多队列,生产环境很少使用;

# 3.2 容量调度器(Capacity Scheduler)

Capacity Scheduler 是 Yahoo 开发的多用户调度器。

  1. 多队列:每个队列可配置一定的资源量,每个队列采用FIFO调度策略。
  2. 容量保证:管理员可为每个队列设置资源最低保证和资源使用上限
  3. 灵活性:如果一个队列中的资源有剩余,可以暂时共享给那些需要资源的队列,而一旦该队列有新的应用 程序提交,则其他队列借调的资源会归还给该队列。
  4. 多租户:支持多用户共享集群和多应用程序同时运行。 为了防止同一个用户的作业独占队列中的资源,该调度器会对同一用户提交的作业所占资源量进行限定。

容量调度器资源分配算法

root
|---queueA 20% 
|---queueB 50% 
|---queueC 30%
    |---ss 50% 
    |---cls 50%
1
2
3
4
5
6
  1. 队列资源分配:从root开始,使用深度优先算法,优先选择资源占用率最低的队列分配资源。
  2. 作业资源分配:默认按照提交作业的优先级和提交时间 顺序分配资源。
  3. 容器资源分配:按照容器的优先级分配资源; 如果优先级相同,按照数据本地性原则: (1)任务和数据在同一节点 (2)任务和数据在同一机架 (3)任务和数据不在同一节点也不在同一机架

# 3.3 Fair调度器

Fair Schedulere 是 Facebook 开发的多用户调度器。同队列所有任务共享资源,在时间尺度上获得公平的资源

与容量调度器相同点

  1. 多队列:支持多队列多作业
  2. 容量保证:管理员可为每个队列设置资源最低保证和资源使用上线
  3. 灵活性:如果一个队列中的资源有剩余,可以暂时共享给那些需要资源的队列,而一旦该队列有新的应用程序提交,则其他队列借调的资源会归还给该队列。
  4. 多租户:支持多用户共享集群和多应用程序同时运行;为了防止同一个用户的作业独占队列中的资源,该调度器 会对同一用户提交的作业所占资源量进行限定。

与容量调度器不同点

  1. 核心调度策略不同
    • 容量调度器:优先选择资源利用率低的队列
    • 公平调度器:优先选择对资源的缺额比例大的(公平调度器设计目标是:在时间尺度上,所有作业获得公平的资源。某一 时刻一个作业应获资源和实际获取资源的差距叫“缺额”调度器会优先为缺额大的作业分配资源
  2. 每个队列可以单独设置资源分配方式
    • 容量调度器:FIFO、DRF(内存+CPU)
    • 公平调度器:FIFO、FAIR、DRF

公平调度器队列资源分配方式

  1. FIFO策略
    公平调度器每个队列资源分配策略如果选择FIFO的话,此时公平调度器相当于上面讲过的容量调度器。
  2. Fair策略
    Fair 策略(默认)是一种基于最大最小公平算法实现的资源多路复用方式,默认情况下,每个队列内部采用该方式分配资 源。这意味着,如果一个队列中有两个应用程序同时运行,则每个应用程序可得到1/2的资源;如果三个应用程序同时运行,则 每个应用程序可得到1/3的资源。
  • 实际最小资源份额:mindshare = Min(资源需求量,配置的最小资源)
  • 是否饥饿:isNeedy = 资源使用量 < mindshare(实际最小资源份额)
  • 资源分配比:minShareRatio = 资源使用量 / Max(mindshare, 1)
  • 资源使用权重比:useToWeightRatio = 资源使用量 / 权重

公平调度器资源分配算法

root
|---queueA 20% 
|---queueB 50% 
|---queueC 30%
    |---ss 50% 
    |---cls 50%
1
2
3
4
5
6

(1) 队列资源分配

需求:集群总资源100,有三个队列,对资源的 需求分别是:
queueA -> 20, queueB ->50, queueC -> 30

第一次算:100 / 3 = 33.33 
queueA:分33.33 → 多13.33 
queueB:分33.33 → 少16.67 
queueC:分33.33 → 多3.33

第二次算: (13.33 + 3.33)/ 1 = 16.66 把多的计算出来给小的分 
queueA:分20
queueB:分33.33 + 16.66 = 50 
queueC:分30
1
2
3
4
5
6
7
8
9
10
11
12

(2) 作业资源分配

(a)不加权(关注点是Job的个数):

需求:有一条队列总资源12个, 有4个job,对资源的 需求分别是:
job1->1,  job2->2 , job3->6,  job4->5

第一次算: 12/4=3 
job1: 分3 --> 多2个 
job2: 分3 --> 多1个 
job3: 分3 --> 差3个 
job4: 分3 --> 差2个

第二次算:3/2 =1.5 
job1: 分1
job2: 分2
job3: 分3 --> 差3个 --> 分1.5 --> 最终: 4.5
job4: 分3 --> 差2个 --> 分1.5 --> 最终: 4.5

第n次算: 一直算到没有空闲资源

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
(b)加权(关注点是Job的权重):

需求:有一条队列总资源16,有4个job
对资源的需求分别是:
job1->4 job2->2 job3->10 job4->4 
每个job的权重为:
job1->5 job2->8  job3->1 job4->2

第一次算: 16 / (5+8+1+2) = 1 (总资源除以权重)
job1: 分5 --> 多1
job2: 分8 --> 多6
job3: 分1 --> 少9
job4: 分2 --> 少2

第二次算: 7 / (1+2) = 7/3 
job1: 分4
job2: 分2
job3: 分1 --> 分7/3(2.33) -->少6.67 
job4: 分2 --> 分14/3(4.66) -->多2.66

第三次算:2.66/1=2.66 
job1: 分4
job2: 分2
job3: 分1 --> 分2.66/1 --> 分2.66 
job4: 分4
第n次算: 一直算到没有空闲资源
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
  1. DRF策略

DRF(Dominant Resource Fairness),我们之前说的资源,都是单一标准,例如只考虑内存(也是Yarn默认的情况)。但是很多时候我们资源有很多种,例如内存,CPU,网络带宽等,这样我们很难衡量两个应用应该分配的资源比例。
那么在YARN中,我们用DRF来决定如何调度:
假设集群一共有100 CPU和10T 内存,而应用A需要(2 CPU, 300GB),应用B需要(6 CPU,100GB)。 则两个应用分别需要A(2%CPU, 3%内存)和B(6%CPU, 1%内存)的资源,这就意味着A是内存主导的, B是 CPU主导的,针对这种情况,我们可以选择DRF策略对不同应用进行不同资源(CPU和内存)的一个不同比例的限制。

# 四、Yarn常用命令

# 4.1 yarn application 查看任务

# 查看所有任务
[tpxcer@master01 root]$ yarn application -list

# 根据状态查看任务 (所有状态:ALL、NEW、 NEW_SAVING、SUBMITTED、ACCEPTED、RUNNING、FINISHED、FAILED、KILLED)
[tpxcer@master01 root]$ yarn application -list -appStates FINISHED

# kill任务
yarn application -kill application_1612577921195_0001
1
2
3
4
5
6
7
8

# 4.2 yarn logs 查看日志

# 查询 Application 日志:
yarn logs -applicationId application_1612577921195_0001

# 查询 Container 日志
yarn logs -applicationId application_1612577921195_0001 -containerId container_1612577921195_0001_01_000001
1
2
3
4
5

# 4.3 yarn applicationattempt 查看尝试运行的任务

就是正在运行的任务

# 列出所有 Application 尝试的列表
yarn applicationattempt -list application_1612577921195_0001

# 打印 ApplicationAttemp 状态
yarn   applicationattempt   -status appattempt_1612577921195_0001_000001
1
2
3
4
5

# 4.3 yarn container 查看容器

# 列出所有 Container
yarn container -list appattempt_1612577921195_0001_000001

# 打印 Container 状态
yarn container -status container_1612577921195_0001_01_000001
1
2
3
4
5

# 4.4 yarn node 查看节点状态

yarn node -list -all
1

# 4.5 yarn rmadmin 更新配置

# 加载队列配置
yarn rmadmin -refreshQueues
1
2

# 4.6 yarn queue 查看队列

# 打印队列信息
yarn queue -status default
1
2

# 五、Yarn核心参数

  1. ResourceManager相关
    • yarn.resourcemanager.scheduler.class 配置调度器,默认容量
    • yarn.resourcemanager.scheduler.client.thread-count ResourceManager处理调度器请求的线程数量,默认50 (就是客户端同时提交任务的数量)
  2. NodeManager相关
    • yarn.nodemanager.resource.detect-hardware-capabilities 是否让yarn自己检测硬件进行配置,默认false
    • yarn.nodemanager.resource.count-logical-processors-as-cores 是否将虚拟核数当作CPU核数,默认false
    • yarn.nodemanager.resource.pcores-vcores-multiplier 虚拟核数和物理核数乘数,例如:4核8线程,该参数就应设为2,默认1.0
    • yarn.nodemanager.resource.memory-mb NodeManager使用内存,默认8G 必调整
    • yarn.nodemanager.resource.system-reserved-memory-mb NodeManager为系统保留多少内存
    • 以上二个参数配置一个即可
    • yarn.nodemanager.resource.cpu-vcores NodeManager使用CPU核数,默认8个
    • yarn.nodemanager.pmem-check-enabled 是否开启物理内存检查限制container,默认打开
    • yarn.nodemanager.vmem-check-enabled 是否开启虚拟内存检查限制container,默认打开
    • yarn.nodemanager.vmem-pmem-ratio 虚拟内存物理内存比例,默认2.1
  3. Container相关
    • yarn.scheduler.minimum-allocation-mb 容器最最小内存,默认1G
    • yarn.scheduler.maximum-allocation-mb 容器最最大内存,默认8G 不能超过nodemanager节点内存
    • yarn.scheduler.minimum-allocation-vcores 容器最小CPU核数,默认1个
    • yarn.scheduler.maximum-allocation-vcores 容器最大CPU核数,默认4个

# 六、 Yarn案例实操

# 6.1 Yarn 生产环境核心参数配置案例

  1. 需求:从 1G 数据中,统计每个单词出现次数。服务器 3 台,每台配置 4G 内存,4 核 CPU,4 线程。
  2. 需求分析:
    1G / 128m = 8 个 MapTask;
    1 个 ReduceTask;
    1 个 mrAppMaster
    平均每个节点运行10个 / 3台 ≈ 3个任务(4 3 3)
  3. 修改 yarn-site.xml 配置参数如下:
<!-- 选择调度器,默认容量 --> 
<property>
    <description>The class to use as the resource scheduler.</description> 
    <name>yarn.resourcemanager.scheduler.class</name> 
    <value>org.apache.hadoop.yarn.server.resourcemanager.scheduler.capacity.CapacityScheduler</value>
</property>

<!-- ResourceManager处理调度器请求的线程数量,默认50;如果提交的任务数大于50,可以 增加该值,但是不能超过 3 台 * 4 线程 = 12 线程(去除其他应用程序实际不能超过 8) --> 
<property>
    <description>Number of threads to handle scheduler interface.</description>
    <name>yarn.resourcemanager.scheduler.client.thread-count</name>
    <value>8</value>
</property>

<!-- 是否让 yarn 自动检测硬件进行配置,默认是 false,如果该节点有很多其他应用程序,建议 手动配置。如果该节点没有其他应用程序,可以采用自动 -->
<property>
    <description>Enable auto-detection of node capabilities such as memory and CPU.</description>
    <name>yarn.nodemanager.resource.detect-hardware-capabilities</name>
    <value>false</value>
</property>

<!-- 是否将虚拟核数当作 CPU 核数,默认是 false,采用物理 CPU 核数 --> 
<property>
    <description>Flag to determine if logical processors(such as hyperthreads) should be counted as cores. Only applicable on Linux when yarn.nodemanager.resource.cpu-vcores is set to -1 and yarn.nodemanager.resource.detect-hardware-capabilities is true.</description>
    <name>yarn.nodemanager.resource.count-logical-processors-as-cores</name>
    <value>false</value>
</property>

<!-- 虚拟核数和物理核数乘数,默认是 1.0 --> 
<property>
    <description>Multiplier to determine how to convert phyiscal cores to vcores. This value is used if yarn.nodemanager.resource.cpu-vcores is set to -1(which implies auto-calculate vcores) and yarn.nodemanager.resource.detect-hardware-capabilities is set to true.The number of vcores will be calculated as number of CPUs * multiplier. </description>
    <name>yarn.nodemanager.resource.pcores-vcores-multiplier</name>
    <value>1.0</value>
</property>

<!-- NodeManager 使用内存数,默认 8G,修改为 4G 内存 --> 
<property>
    <description>Amount of physical memory, in MB, that can be allocated for containers. If set to -1 and yarn.nodemanager.resource.detect-hardware-capabilities is true, it is automatically calculated(in case of Windows and Linux). In other cases, the default is 8192MB.</description>
    <name>yarn.nodemanager.resource.memory-mb</name>
    <value>4096</value>
</property>
        
<!-- nodemanager 的 CPU 核数,不按照硬件环境自动设定时默认是 8 个,修改为 4 个 -->
<property>
    <description>Number of vcores that can be allocated for containers. This is used by the RM scheduler when allocating resources for containers. This is not used to limit the number of CPUs used by YARN containers. If it is set to -1 and yarn.nodemanager.resource.detect-hardware-capabilities is true, it is automatically determined from the hardware in case of Windows and Linux. In other cases, number of vcores is 8 by default.</description>
    <name>yarn.nodemanager.resource.cpu-vcores</name>
    <value>4</value>
</property>
        
<!-- 容器最小内存,默认 1G --> 
<property>
    <description>The minimum allocation for every container request at theRM in MBs. Memory requests lower than this will be set to the value of this property. Additionally, a node manager that is configured to have less memory than this value will be shut down by the resource manager.</description>
    <name>yarn.scheduler.minimum-allocation-mb</name>
    <value>1024</value>
</property>
        
<!-- 容器最大内存,默认 8G,修改为 2G --> 
<property>
    <description>The maximum allocation for every container request at the RM in MBs. Memory requests higher than this will throw an InvalidResourceRequestException.</description>
    <name>yarn.scheduler.maximum-allocation-mb</name>
    <value>2048</value>
</property>

<!-- 容器最小 CPU 核数,默认 1 个 --> 
<property>
    <description>The minimum allocation for every container request at the RM in terms of virtual CPU cores. Requests lower than this will be set to the value of this property. Additionally, a node manager that is configured to have fewer virtual cores than this value will be shut down by the resource manager.</description>
    <name>yarn.scheduler.minimum-allocation-vcores</name>
    <value>1</value>
</property>

<!-- 容器最大 CPU 核数,默认 4 个,修改为 2 个 --> 
<property>
    <description>The maximum allocation for every container request at the RM in terms of virtual CPU cores. Requests higher than this will throw an InvalidResourceRequestException.</description>
    <name>yarn.scheduler.maximum-allocation-vcores</name>
    <value>2</value>
</property>

<!-- 虚拟内存检查,默认打开,修改为关闭 -->
<property>
    <description>Whether virtual memory limits will be enforced for containers.</description>
    <name>yarn.nodemanager.vmem-check-enabled</name>
    <value>false</value>
</property>

<!-- 虚拟内存和物理内存设置比例,默认 2.1 --> 
<property>
    <description>Ratio between virtual memory to physical memory when setting memory limits for containers. Container allocations are expressed in terms of physical memory, and virtual memory usage is allowed to exceed this allocation by this ratio.</description>
    <name>yarn.nodemanager.vmem-pmem-ratio</name>
    <value>2.1</value>
</property>
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90

# 6.2 容量调度器多队列提交案例

需求 1:default 队列占总内存的 40%,最大资源容量占总资源 60%,hive 队列占总内存 的 60%,最大资源容量占总资源 80%。 需求 2:配置队列优先级

  1. capacity-scheduler.xml 中配置如下:
<!-- 指定多队列,增加 hive 队列 --> 
<property>
   <name>yarn.scheduler.capacity.root.queues</name>
   <value>default,hive</value>
   <description>
     The queues at the this level (root is the root queue).
   </description>
</property>

<!-- 降低 default 队列资源额定容量为 40%,默认 100% --> 
<property>
   <name>yarn.scheduler.capacity.root.default.capacity</name>
   <value>40</value>
</property>

<!-- 降低 default 队列资源最大容量为 60%,默认 100% --> 
<property>
   <name>yarn.scheduler.capacity.root.default.maximum-capacity</name>
   <value>60</value>
</property>
        
<!-- 指定 hive 队列的资源额定容量 --> 
<property>
   <name>yarn.scheduler.capacity.root.hive.capacity</name>
   <value>60</value>
</property>

<!-- 用户最多可以使用队列多少资源,1 就是全部资源 --> 
<property>
   <name>yarn.scheduler.capacity.root.hive.user-limit-factor</name>
   <value>1</value>
</property>

<!-- 指定 hive 队列的资源最大容量 --> 
<property>
   <name>yarn.scheduler.capacity.root.hive.maximum-capacity</name>
   <value>80</value>
</property>

<!-- 启动 hive 队列 --> 
<property>
   <name>yarn.scheduler.capacity.root.hive.state</name>
   <value>RUNNING</value>
</property>

<!-- 哪些用户有权向队列提交作业 --> 
<property>
   <name>yarn.scheduler.capacity.root.hive.acl_submit_applications</name>
   <value>*</value>
</property>

<!-- 哪些用户有权操作队列,管理员权限(查看/杀死) -->
<property>
   <name>yarn.scheduler.capacity.root.hive.acl_administer_queue</name>
   <value>*</value>
</property>

<!-- 哪些用户有权配置提交任务优先级 --> 
<property>
    <name>yarn.scheduler.capacity.root.hive.acl_application_max_priority</name>
    <value>*</value>
</property>

<!-- 任务的超时时间设置:yarn application -appId appId -updateLifetime Timeout 参 考 资 料 : https://blog.cloudera.com/enforcing-application-lifetime-slas- yarn/ -->
<!-- 如果 application 指定了超时时间,则提交到该队列的 application 能够指定的最大超时 时间不能超过该值。-->
<property>
    <name>yarn.scheduler.capacity.root.hive.maximum-application-lifetime</name>
    <value>-1</value>
</property>
        
<!-- 如果application没指定超时时间,则用default-application-lifetime作为默认 值 -->
<property>
    <name>yarn.scheduler.capacity.root.hive.default-application-lifetime</name>
    <value>-1</value>
</property>
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
  1. 向Hive队列提交任务

hadoop jar的方式

# -D 表示运行时改变参数值
hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-3.3.1.jar  wordcount  -D mapreduce.job.queuename=hive /input /output
1
2

打jar包的方式

默认的任务提交都是提交到 default 队列的。如果希望向其他队列提交任务,需要在 Driver 中声明:

public class WcDrvier {
public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
       Configuration conf = new Configuration();
       conf.set("mapreduce.job.queuename","hive");
      //1. 获取一个 Job 实例
      Job job = Job.getInstance(conf);
      。。。 。。。
      //6. 提交 Job
      boolean b = job.waitForCompletion(true); System.exit(b ? 0 : 1);
} }
1
2
3
4
5
6
7
8
9
10
  1. 任务优先级

容量调度器,支持任务优先级的配置,在资源紧张时,优先级高的任务将优先获取资源。 默认情况,Yarn 将所有任务的优先级限制为 0,若想使用任务的优先级功能,须开放该限制。

修改 yarn-site.xml 文件,增加以下参数

<property>
   <name>yarn.cluster.max-application-priority</name>
   <value>5</value>
</property>
1
2
3
4

模拟资源紧张环境,可连续提交以下任务,直到新提交的任务申请不到资源为止。

hadoop jar /opt/module/hadoop-3.3.1/share/hadoop/mapreduce/hadoop-mapreduce-examples-3.3.1.jar pi 5 2000000
1

再次重新提交优先级高的任务

hadoop jar /opt/module/hadoop-3.3.1/share/hadoop/mapreduce/hadoop-mapreduce-examples-3.3.1.jar pi -D mapreduce.job.priority=5 5 2000000
1

也可以通过以下命令修改正在执行的任务的优先级。

yarn application -appID application_1611133087930_0009 -updatePriority 5
1

# 6.3 公平调度器案例

创建两个队列,分别是 test 和 tpxcer(以用户所属组命名)。期望实现以下效果:若用 户提交任务时指定队列,则任务提交到指定队列运行;若未指定队列,test 用户提交的任务 到 root.group.test 队列运行,tpxcer 提交的任务到 root.group.tpxcer 队列运行(注:group 为用户所属组)。 公平调度器的配置涉及到两个文件,一个是 yarn-site.xml,另一个是公平调度器队列分配文件 fair-scheduler.xml(文件名可自定义)。

(1)配置文件参考资料: https://hadoop.apache.org/docs/r3.3.1/hadoop-yarn/hadoop-yarn-site/FairScheduler.html (2)任务队列放置规则参考资料: https://blog.cloudera.com/untangling-apache-hadoop-yarn-part-4-fair-scheduler-queue- basics/

  1. 配置多队列的公平调度器

修改 yarn-site.xml 文件,加入以下参数

<property>
   <name>yarn.resourcemanager.scheduler.class</name>
    <value>org.apache.hadoop.yarn.server.resourcemanager.scheduler.fair.FairScheduler</value>
    <description>配置使用公平调度器</description> 
</property>
<property>
    <name>yarn.scheduler.fair.allocation.file</name> 
    <value>/opt/module/hadoop-3.3.1/etc/hadoop/fair-scheduler.xml</value> 
    <description>指明公平调度器队列分配配置文件</description>
</property>
<property> 
    <name>yarn.scheduler.fair.preemption</name> 
    <value>false</value> 
    <description>禁止队列间资源抢占</description>
</property>
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

配置 fair-scheduler.xml

<?xml version="1.0"?>
<allocations>
    <!-- 单个队列中 Application Master 占用资源的最大比例,取值 0-1 ,企业一般配置 0.1 -->
    <queueMaxAMShareDefault>0.5</queueMaxAMShareDefault>
    <!-- 单个队列最大资源的默认值 test tpxcer default --> 
    <queueMaxResourcesDefault>4096mb,4vcores</queueMaxResourcesDefault>
    <!-- 增加一个队列 test --> 
    <queue name="test">
       <!-- 队列最小资源 -->
       <minResources>2048mb,2vcores</minResources>
       <!-- 队列最大资源 -->
       <maxResources>4096mb,4vcores</maxResources>
       <!-- 队列中最多同时运行的应用数,默认 50,根据线程数配置 -->
       <maxRunningApps>4</maxRunningApps>
       <!-- 队列中 Application Master 占用资源的最大比例 -->
       <maxAMShare>0.5</maxAMShare>
       <!-- 该队列资源权重,默认值为 1.0 -->
       <weight>1.0</weight>
       <!-- 队列内部的资源分配策略 --> <schedulingPolicy>fair</schedulingPolicy>
    </queue>
   <!-- 增加一个队列 tpxcer -->
   <queue name="tpxcer" type="parent">
      <!-- 队列最小资源 --> 
      <minResources>2048mb,2vcores</minResources>
      <!-- 队列最大资源 --> 
      <maxResources>4096mb,4vcores</maxResources>
      <!-- 队列中最多同时运行的应用数,默认 50,根据线程数配置 --> 
      <maxRunningApps>4</maxRunningApps>
      <!-- 队列中 Application Master 占用资源的最大比例 --> 
      <maxAMShare>0.5</maxAMShare>
      <!-- 该队列资源权重,默认值为 1.0 -->
      <weight>1.0</weight>
      <!-- 队列内部的资源分配策略 --> <schedulingPolicy>fair</schedulingPolicy>
   </queue>
   <!-- 任务队列分配策略,可配置多层规则,从第一个规则开始匹配,直到匹配成功 --> 
   <queuePlacementPolicy>
      <!-- 提交任务时指定队列,如未指定提交队列,则继续匹配下一个规则; false 表示:如果指 定队列不存在,不允许自动创建-->
      <rule name="specified" create="false"/>
      <!-- 提交到 root.group.username 队列,若 root.group 不存在,不允许自动创建;若 root.group.user 不存在,允许自动创建 -->
      <rule name="nestedUserQueue" create="true">
         <rule name="primaryGroup" create="false"/>
      </rule>
      <!-- 最后一个规则必须为 reject 或者 default。Reject 表示拒绝创建提交失败, default 表示把任务提交到 default 队列 -->
      <rule name="reject" />
    </queuePlacementPolicy>
</allocations>
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46

提交测试

提交任务时指定队列,按照配置规则,任务会到指定的 root.test 队列

hadoop jar /opt/module/hadoop-3.3.1/share/hadoop/mapreduce/hadoop-mapreduce-examples-3.3.1.jar pi -Dmapreduce.job.queuename=root.test 1 1
1

提交任务时不指定队列,按照配置规则,任务会到 root.tpxcer.tpxcer 队列

hadoop jar /opt/module/hadoop-3.3.1/share/hadoop/mapreduce/hadoop-mapreduce-examples-3.3.1.jar pi 1 1
1
更新时间: 9/6/2021, 4:44:52 PM