HaDoop 0.23.0 学习笔记
0.23 介绍
Hadoop MapReduceV2(Yarn) 框架简介
原 Hadoop MapReduce 框架的问题
对于业界的大数据存储及分布式处理系统来说，Hadoop 是耳熟能详的卓越开源分布式文件存储及处理框架，对于 Hadoop 框架的介绍在此不再累述，读者可参考 Hadoop 官方简介。使用和学习过老 Hadoop 框架（0.20.0 及之前版本）的同仁应该很熟悉如下的原 MapReduce 框架图：
图 1.Hadoop 原 MapReduce 架构
![wKiom1NPcQqTTlmlAAF7Kike63c701.jpg]( "1.jpg")
从上图中可以清楚的看出原 MapReduce 程序的流程及设计思路：
首先用户程序 (JobClient) 提交了一个 job，job 的信息会发送到 Job Tracker 中，Job Tracker 是 Map-reduce 框架的中心，他需要与集群中的机器定时通信 (heartbeat), 需要管理哪些程序应该跑在哪些机器上，需要管理所有 job 失败、重启等操作。
TaskTracker 是 Map-reduce 集群中每台机器都有的一个部分，他做的事情主要是监视自己所在机器的资源情况。
TaskTracker 同时监视当前机器的 tasks 运行状况。TaskTracker 需要把这些信息通过 heartbeat 发送给 JobTracker，JobTracker 会搜集这些信息以给新提交的 job 分配运行在哪些机器上。上图虚线箭头就是表示消息的发送 - 接收的过程。
可以看得出原来的 map-reduce 架构是简单明了的，在最初推出的几年，也得到了众多的成功案例，获得业界广泛的支持和肯定，但随着分布式系统集群的规模和其工作负荷的增长，原框架的问题逐渐浮出水面，主要的问题集中如下：
JobTracker 是 Map-reduce 的集中处理点，存在单点故障。
JobTracker 完成了太多的任务，造成了过多的资源消耗，当 map-reduce job 非常多的时候，会造成很大的内存开销，潜在来说，也增加了 JobTracker fail 的风险，这也是业界普遍总结出老 Hadoop 的 Map-Reduce 只能支持 4000 节点主机的上限。
在 TaskTracker 端，以 map/reduce task 的数目作为资源的表示过于简单，没有考虑到 cpu/ 内存的占用情况，如果两个大内存消耗的 task 被调度到了一块，很容易出现 OOM。
在 TaskTracker 端，把资源强制划分为 map task slot 和 reduce task slot, 如果当系统中只有 map task 或者只有 reduce task 的时候，会造成资源的浪费，也就是前面提过的集群资源利用的问题。
源代码层面分析的时候，会发现代码非常的难读，常常因为一个 class 做了太多的事情，代码量达 3000 多行，，造成 class 的任务不清晰，增加 bug 修复和版本维护的难度。
从操作的角度来看，现在的 Hadoop MapReduce 框架在有任何重要的或者不重要的变化 ( 例如 bug 修复，性能提升和特性化 ) 时，都会强制进行系统级别的升级更新。更糟的是，它不管用户的喜好，强制让分布式集群系统的每一个用户端同时更新。这些更新会让用户为了验证他们之前的应用程序是不是适用新的 Hadoop 版本而浪费大量时间。
新 Hadoop Yarn 框架原理及运作机制
从业界使用分布式系统的变化趋势和 hadoop 框架的长远发展来看，MapReduce 的 JobTracker/TaskTracker 机制需要大规模的调整来修复它在可扩展性，内存消耗，线程模型，可靠性和性能上的缺陷。在过去的几年中，hadoop 开发团队做了一些 bug 的修复，但是最近这些修复的成本越来越高，这表明对原框架做出改变的难度越来越大。
为从根本上解决旧 MapReduce 框架的性能瓶颈，促进 Hadoop 框架的更长远发展，从 0.23.0 版本开始，Hadoop 的 MapReduce 框架完全重构，发生了根本的变化。新的 Hadoop MapReduce 框架命名为 MapReduceV2 或者叫 Yarn，其架构图如下图所示：
图 2. 新的 Hadoop MapReduce 框架（Yarn）架构
![wKioL1NPcOuT2QonAAELoeCHiOQ598.jpg]( "2.jpg")
重构根本的思想是将 JobTracker 两个主要的功能分离成单独的组件，这两个功能是资源管理和任务调度 / 监控。新的资源管理器全局管理所有应用程序计算资源的分配，每一个应用的 ApplicationMaster 负责相应的调度和协调。一个应用程序无非是一个单独的传统的 MapReduce 任务或者是一个 DAG( 有向无环图 ) 任务。ResourceManager 和每一台机器的节点管理服务器能够管理用户在那台机器上的进程并能对计算进行组织。
事实上，每一个应用的 ApplicationMaster 是一个详细的框架库，它结合从 ResourceManager 获得的资源和 NodeManager 协同工作来运行和监控任务。
上图中 ResourceManager 支持分层级的应用队列，这些队列享有集群一定比例的资源。从某种意义上讲它就是一个纯粹的调度器，它在执行过程中不对应用进行监控和状态跟踪。同样，它也不能重启因应用失败或者硬件错误而运行失败的任务。
ResourceManager 是基于应用程序对资源的需求进行调度的 ; 每一个应用程序需要不同类型的资源因此就需要不同的容器。资源包括：内存，CPU，磁盘，网络等等。可以看出，这同现 Mapreduce 固定类型的资源使用模型有显著区别，它给集群的使用带来负面的影响。资源管理器提供一个调度策略的插件，它负责将集群资源分配给多个队列和应用程序。调度插件可以基于现有的能力调度和公平调度模型。
上图中 NodeManager 是每一台机器框架的代理，是执行应用程序的容器，监控应用程序的资源使用情况 (CPU，内存，硬盘，网络 ) 并且向调度器汇报。
每一个应用的 ApplicationMaster 的职责有：向调度器索要适当的资源容器，运行任务，跟踪应用程序的状态和监控它们的进程，处理任务的失败原因。
新旧 Hadoop MapReduce 框架比对
让我们来对新旧 MapReduce 框架做详细的分析和对比，可以看到有以下几点显著变化：
首先客户端不变，其调用 API 及接口大部分保持兼容，这也是为了对开发使用者透明化，使其不必对原有代码做大的改变 ( 详见 2.3 Demo 代码开发及详解)，但是原框架中核心的 JobTracker 和 TaskTracker 不见了，取而代之的是 ResourceManager, ApplicationMaster 与 NodeManager 三个部分。
我们来详细解释这三个部分，首先 ResourceManager 是一个中心的服务，它做的事情是调度、启动每一个 Job 所属的 ApplicationMaster、另外监控 ApplicationMaster 的存在情况。细心的读者会发现：Job 里面所在的 task 的监控、重启等等内容不见了。这就是 AppMst 存在的原因。ResourceManager 负责作业与资源的调度。接收 JobSubmitter 提交的作业，按照作业的上下文 (Context) 信息，以及从 NodeManager 收集来的状态信息，启动调度过程，分配一个 Container 作为 App Mstr
NodeManager 功能比较专一，就是负责 Container 状态的维护，并向 RM 保持心跳。
ApplicationMaster 负责一个 Job 生命周期内的所有工作，类似老的框架中 JobTracker。但注意每一个 Job（不是每一种）都有一个 ApplicationMaster，它可以运行在 ResourceManager 以外的机器上。
Yarn 框架相对于老的 MapReduce 框架什么优势呢？我们可以看到：
这个设计大大减小了 JobTracker（也就是现在的 ResourceManager）的资源消耗，并且让监测每一个 Job 子任务 (tasks) 状态的程序分布式化了，更安全、更优美。
在新的 Yarn 中，ApplicationMaster 是一个可变更的部分，用户可以对不同的编程模型写自己的 AppMst，让更多类型的编程模型能够跑在 Hadoop 集群中，可以参考 hadoop Yarn 官方配置模板中的 mapred-site.xml 配置。
对于资源的表示以内存为单位 ( 在目前版本的 Yarn 中，没有考虑 cpu 的占用 )，比之前以剩余 slot 数目更合理。
老的框架中，JobTracker 一个很大的负担就是监控 job 下的 tasks 的运行状况，现在，这个部分就扔给 ApplicationMaster 做了，而 ResourceManager 中有一个模块叫做 ApplicationsMasters( 注意不是 ApplicationMaster)，它是监测 ApplicationMaster 的运行状况，如果出问题，会将其在其他机器上重启。
Container 是 Yarn 为了将来作资源隔离而提出的一个框架。这一点应该借鉴了 Mesos 的工作，目前是一个框架，仅仅提供 java 虚拟机内存的隔离 ,hadoop 团队的设计思路应该后续能支持更多的资源调度和控制 , 既然资源表示成内存量，那就没有了之前的 map slot/reduce slot 分开造成集群资源闲置的尴尬情况。
表 1. 新旧 Hadoop 脚本 / 变量 / 位置变化表
| 改变项 |
原框架中 |
新框架中（Yarn） |
备注 |
| 配置文件位置 |
${hadoop_home_dir}/conf |
${hadoop_home_dir}/etc/hadoop/ |
Yarn 框架也兼容老的 ${hadoop_home_dir}/conf 位置配置，启动时会检测是否存在老的 conf 目录，如果存在将加载 conf 目录下的配置，否则加载 etc 下配置 |
| 启停脚本 |
${hadoop_home_dir}/bin/start（stop）-all.sh |
${hadoop_home_dir}/sbin/start（stop）-dfs.sh
${hadoop_home_dir}/bin/start(stop)-all.sh |
新的 Yarn 框架中启动分布式文件系统和启动 Yarn 分离，启动 / 停止分布式文件系统的命令位于 ${hadoop_home_dir}/sbin 目录下，启动 / 停止 Yarn 框架位于 ${hadoop_home_dir}/bin/ 目录下 |
| JAVA_HOME 全局变量 |
${hadoop_home_dir}/bin/start-all.sh 中 |
${hadoop_home_dir}/etc/hadoop/hadoop-env.sh
${hadoop_home_dir}/etc/hadoop/Yarn-env.sh |
Yarn 框架中由于启动 hdfs 分布式文件系统和启动 MapReduce 框架分离，JAVA_HOME 需要在 hadoop-env.sh 和 Yarn-env.sh 中分别配置 |
| HADOOP_LOG_DIR 全局变量 |
不需要配置 |
${hadoop_home_dir}/etc/hadoop/hadoop-env.sh |
老框架在 LOG，conf，tmp 目录等均默认为脚本启动的当前目录下的 log,conf，tmp 子目录
Yarn 新框架中 Log 默认创建在 Hadoop 用户的 home 目录下的 log 子目录，因此最好在 ${hadoop_home_dir}/etc/hadoop/hadoop-env.sh 配置 HADOOP_LOG_DIR，否则有可能会因为你启动 hadoop 的用户的 .bashrc 或者 .bash_profile 中指定了其他的 PATH 变量而造成日志位置混乱，而该位置没有访问权限的话启动过程中会报错 |
由于新的 Yarn 框架与原 Hadoop MapReduce 框架相比变化较大，核心的配置文件中很多项在新框架中已经废弃，而新框架中新增了很多其他配置项，看下表所示会更加清晰：
表 2. 新旧 Hadoop 框架配置项变化表
| 配置文件 |
配置项 |
Hadoop 0.20.X 配置 |
Hadoop 0.23.X 配置 |
说明 |
| core-site.xml |
系统默认分布式文件 URI |
fs.default.name |
fs.defaultFS |
|
| hdfs-site.xml |
DFS name node 存放 name table 的目录 |
dfs.name.dir |
dfs.namenode.name.dir |
新框架中 name node 分成 dfs.namenode.name.dir( 存放 naname table 和dfs.namenode.edits.dir（存放 edit 文件），默认是同一个目录 |
|
DFS data node 存放数据 block 的目录 |
dfs.data.dir |
dfs.datanode.data.dir |
新框架中 DataNode 增加更多细节配置，位于 dfs.datanode. 配置项下，如dfs.datanode.data.dir.perm（datanode local 目录默认权限）；dfs.datanode.address（datanode 节点监听端口）；等 |
|
分布式文件系统数据块复制数 |
dfs.replication |
dfs.replication |
新框架与老框架一致，值建议配置为与分布式 cluster 中实际的 DataNode 主机数一致 |
| mapred-site.xml |
Job 监控地址及端口 |
mapred.job.tracker |
无 |
新框架中已改为 Yarn-site.xml 中的 resouceManager 及 nodeManager 具体配置项，新框架中历史 job 的查询已从 Job tracker 剥离，归入单独的mapreduce.jobtracker.jobhistory 相关配置， |
|
第三方 MapReduce 框架 |
无 |
mapreduce.framework.name |
新框架支持第三方 MapReduce 开发框架以支持如 SmartTalk/DGSG 等非 Yarn 架构，注意通常情况下这个配置的值都设置为 Yarn，如果没有配置这项，那么提交的 Yarn job 只会运行在 locale 模式，而不是分布式模式。 |
|
|
|
|
|
| Yarn-site.xml |
The address of the applications manager interface in the RM |
无 |
Yarn.resourcemanager.address |
新框架中 NodeManager 与 RM 通信的接口地址 |
|
The address of the scheduler interface |
无 |
Yarn.resourcemanager.scheduler.address |
同上，NodeManger 需要知道 RM 主机的 scheduler 调度服务接口地址 |
|
The address of the RM web application |
无 |
Yarn.resourcemanager.webapp.address |
新框架中各个 task 的资源调度及运行状况通过通过该 web 界面访问 |
|
The address of the resource tracker interface |
无 |
Yarn.resourcemanager.resource-tracker.address |
新框架中 NodeManager 需要向 RM 报告任务运行状态供 Resouce 跟踪，因此 NodeManager 节点主机需要知道 RM 主机的 tracker 接口地址 |
实验环境：
操作系统：Gentoo-linux-3.8.13 i686
主机名IP：
Namenode192.168.254.81
Datanode1192.168.254.91
Datanode2192.168.254.92
需要软件：
Javajdk-8-linux-i586.tar.gz
Hadoophadoop-2.3.0.tar.gz
SshOpenSSH_5.9p1-hpn13v11## 系统自带emerge openssh-client –av
结构介绍：
Namenode上部署namenode,resourcemanager,secondarynamenode
Datanode1/2上部署datanode,nodemanager
Java路径/home/hadoop/java
Hadoop路径/home/hadoop/hadoop
DFS路径/home/hadoop/DFS
Hadoop tmp路径/temp/hadoor-${user}
实验步骤：
创建用户---在81,91-92下（root）：
Useradd hadoop –d /home/hadoop
Mkdir /home/hadoop
Chown –R hadoop:hadoop /home/hadoop
Chmod –R 750 /home/hadoop
Passwd hadoop
做hadoop账号ssh免验证---在81,91-92下（hadoop）:
Su – hadoop
Ssh-keygen##全部默认
在81下（hadoop）
Su - hadoop
Cd ~/.ssh
Cp id_rsa.pub authorized_keys
For i in `echo 81 91 92`;do scp hadoop@192.168.254.$i:/home/hadoop/.ssh/ ; done
测试
![wKioL1NPcQqBrI5jAABtqJoLwu4598.jpg]( "3.png")
如图：免验证打开
注意：第一次使用会有安全提示，确认yes
Java的安装(hadoop)：
# Su - hadoop
Tar zxvf jdk1.8.0.tar.gz –C /home/hadoop/
Mv /home/hadoop/jdk1.8.0 /home/hadoop/java
Hadoop的安装(hadoop)：
# Su – hadoop
Tar zxvf hadoop-2.3.0.tar.gz –C /home/hadoop
Mv /home/hadoop/hadoop-2.3.0 /home/hadoop/hadoop
Java和hadoop权限变更(root)
# su – root
Chown –R hadoop:hadoop /home/hadoop/
设置变量---在81,91-92下
Echo “export JAVA_HOME=/home/hadoop/java” >> /etc/profile
Echo “export PATH=$PATH:$JAVA_HOME/bin” >> /etc/profile
Echo “export CLASSPATH=$JAVA_HOME/lib/dt.jar:$JAVA_HOME/lib/tools.jar:./” >> /etc/profile
Echo “HADOOP_HOME=/home/hadoop/hadoop” >> /etc/profile
Echo “PATH=$PATH:$HADOOP_HOME/bin” >> /etc/profile
Echo “JAVA_LIBRARY_PATH=$HADOOP_HOME/lib/native” >> /etc/profile
Source /etc/profile
Hadoop配置---在81上：
Cd $HADOOP_HOME/etc/hadoop/
Vi hadoop.env.xml
修改JAVA_HOME路径（考虑全局变量里面我们刚设置了JAVA_HOME，所以这里可以注销）
，如果修改，修改为：
Export JAVA_HOME=/home/hadoop/java
Vi core-site.xml
<configuration>
<property>
<name>fs.defaultFS</name>
<value>hdfs://192.168.254.81:9000</value>
</property>
<property>
<name>hadoop.tmp.dir</name>
<value>/home/hadoop/DFS/hadoop-${user.name}</value>
<description>A base for other temporary directories.</description>
</property>
</configuration>
Vi hdfs-site.xml
<configuration>
<property>
<name>dfs.namenode.name.dir</name>
<value>/home/hadoop/DFS/hadoop/name1,/home/hadoop/DFS/hadoop/name2</value>
<description>Name dir</description>
</property>
<property>
<name>dfs.namenode.edit.dir</name>
<value>/home/hadoop/DFS/hadoop/edit1,/home/hadoop/DFS/hadoop/edit2</value>
<description>Edit dir</description>
</property>
<property>
<name>dfs.datanode.data.dir</name>
<value>/home/hadoop/DFS/hadoop/data1,/home/hadoop/DFS/hadoop/data2</value>
<description>Data dir</description>
</property>
<property>
<name>dfs.datanode.data.http.address</name>
<value>0.0.0.0:50075</value>
<description>The datanode http server address and port</description>
</property>
<property>
<name>dfs.replication</name>
<value>2</value>
<description>dfs values</description>
</property>
</configuration>
Vi mapred-site.xml
<configuration>
<property>
<name>mapreduce.framework.name</name>
<value>yarn</value>
</property>
</configuration>
Vi yarn-site.xml
<?xml version="1.0"?>
<configuration>
<!-- site specific YARN configuration proterties -->
<property>
<name>yarn.nodemanager.aux-serivice</name>
<value>mapreduce.shuffle</value>
</property>
<property>
<description>The address of the applications manager interface in the RM.</description>
<name>yarn.resourcemanager.address</name>
<value>192.168.254.81:18040</value>
</property>
<property>
<description>The address of the scheduler interface.</description>
<name>yarn.resourcemanager.scheduler.address</name>
<value>192.168.254.81:18030</value>
</property>
<property>
<description>The address of the RM web application.</description>
<name>yarn.resourcemanager.webapp.address</name>
<value>192.168.254.81:18088</value>
</property>
<property>
<description>The address of the resource tracker interfacce.</description>
<name>yarn.resourcemanager.resource-tracker.address</name>
<value>192.168.254.81:8025</value>
</property>
</configuration>
Vi slaves
192.168.254.91
192.168.254.92
Vi masters
192.168.254.81
将81上面的/home/hadoop/java&hadoop同步到91-92下（hadoop）
# su – hadoop
Cd
For i in `seq 91 92`;do scp –r /home/hadoop/* hadoop@192.168.254.$i:/home/hadoop/ ;done
添加hosts解析---81,91-92(root)
echo “192.168.254.81namenode” >>/etc/hosts
echo “192.168.254.91datanode1” >>/etc/hosts
echo “192.168.254.92datanode2”>> /etc/hosts
本文转自 chengchow 51CTO博客，原文链接：http://blog.51cto.com/chengchow/1397147，如需转载请自行联系原作者
