Yarn简介
Apache Yarn(Yet another Resource Negotiator)是Hadoop集群的资源管理器，负责为上层应用提供资源管理和调度。Yarn在Hadoop集群中充当资源管理和任务调度的框架。
Yarn被引入Hadoop2.0，最初是为了改善MapReduce的实现，但是因为具有足够的通用性，同样也可以支持其他的分布式计算模式，比如Spark，Tez等计算框架。
Yarn的设计思想
Yarn的基本思想是将资源管理和作业调度/监视功能划分为单独的守护进程。它的思想是拥有一个全局的ResourceManager(RM),以及每个应用程序拥有一个Application(AM)。应用程序可以是单个作业，也可以是一组的作业。
一个ResourceManager和多个NodeManager构成了Yarn资源管理框架。它们是yarn启动后长期运行守护进程，来提供核心服务的。
ResourceManager，管理整个集群上所有资源的分配，内部有一个Scheduler(资源调度器)。
NodeManager,是每台机器的资源管理器，也是单个节点的管理者，负责监视容器(container)资源使用情况，并向 ResourceManager及其Scheduler报告使用情况。
container:集群上的可使用资源，包括cpu，内存，磁盘，网络等
ApplicationMaster（简称AM）实际上是框架特定的库，每启动一个应用程序，都会启动一个AM，它的任务是与ResourceManager协商资源，并与NodeManager一起执行和监视任务。
Yarn的架构
1，ResourceManager：ResourceManager负责集群中所有资源的统一管理和作业调度
-
与客户端交互，处理来自客户端的请求
-
启动和管理ApplicationMaster，并在它运行失败时重新启动它
-
管理NodeManager，接收来自NodeManager的资源汇报信息，并向NodeManager下达管理指令(杀死container等)
-
资源管理和调度，接收来自ApplicationMaster的资源申请，并为之分配资源
2，NodeManager： NodeManager是Yarn每个具体节点的资源和任务管理者
-
定时向ResourceManager汇报本节点上资源使用情况和各个Container的运行状况
-
接收并处理ApplicationMaster对container的启动、停止等各种请求
-
管理Container的生命周期，监控Contariner的资源使用
-
管理任务日志和不同应用程序用到的附属服务(auxiliary service)
3，ApplicationMaster：用户提交的每个应用程序均包含一个ApplicationMaster
-
与ResourceManager调度器协商以及获取资源
-
将得到的资源进一步分配给内部的任务
-
与NodeManager通信以启动和停止服务
-
监控所有任务的运行状态，并在任务运行失败时，负责进行容错处理
4，Container
Container是Yarn的资源抽象，它封装了某个节点上的多个维度的资源，如CPU、内存、磁盘、网络等。当ApplicationMaster申请资源时，ResourceManager为ApplicationMaster返回的资源是用Container表示的。
提交Application到Yarn的流程
1，作业提交
第一步：
client读取作业配置信息并创建Job的环境，调用job.waitForCompletion方法，向集群提交一个MapReduce作业。
第二步：
资源管理器给任务分配一个新的作业ID
第三步：
计算输入文件的分片，将作业的资源(包括Jar包、配置文件、split信息)拷贝到HDFS集群上的作业提交目录
第四步：
通过调用资源管理器的submitApplication()来提交作业
2，作业初始化
第五步：
当资源管理器收到submitApplication()的请求时，就将该请求发送给调度器(scheduler)，调度器向NodeManager发送一个启动container的请求
第六步：
节点管理器NodeManager启动Container，内部运行着一个主类为MRAppMaster的Java应用。其通过创造一些对象来监控作业的进度，得到各个task的进度和完成报告。
第七步：
通过分布式文件系统HDFS来获取由客户端提前算好的输入split，然后为每个输入split创建一个Map任务，根据mapreduce.job.reduces创建reduce任务对象
3，任务分配
如果作业很小，为了降低延迟，可以采用Uber模式。在该模式下，所有的Map Task和Reduce Task都在ApplicationMaster所在的Container中运行。
第八步：
如果不是小作业，那么应用管理器向资源管理器请求container来运行所有的map和reduce任务
这些请求是通过心跳来传输的，包括每个map任务的数据位置，比如：存放输入split的主机名和机架(rack)，调度器利用这些信息来调度任务，尽量将任务分配给数据的节点和相同机架的节点。
4，任务运行
第九步：
当一个任务是由资源管理器的调度器分配给一个container后，AppMaster通过联系NodeManager来启动container
第十步：
任务由一个主类为YarnChild的Java应用程序执行后，在运行任务之前先本地化需要的资源。
第十一步：
启动并运行map和reduce任务
5，进度和状态更新
Yarn中任务将其进度和状态返回给ApplicationMaster。
客户端每秒向ApplicationMaster请求进度更新，展示给用户。
6，作业完成
除了向Application请求作业进度外，客户端会通过waitForCompletion()检查作业是否完成。
作业完成之后，应用管理器和Container会清理工作状态、作业的执行详情记录文件会被转移到历史服务器目录、container的执行日志会被nodemanager会被上传到hdfs集群供用户长期查询，
Yarn的三种调度器（Scheduler）
Scheduler(调度器)，根据容量、队列等限制条件(如每个队列分配一定的资源，最多执行一定数量的作业等)，将系统中的资源分配给各个正在运行的应用程序。
- FIFO Scheduler（FIFO调度器）：FIFO调度器将应用放在一个队列中，按照先后顺序运行应用。这种策略较为简单，但是不适合共享集群。因为大的应用会占用集群的所有资源，每个应用必须等待直到轮到自己。
- Capacity Scheduler(容量调度器)：允许多个组织共享一个Hadoop集群，使用容量调度器时，一个独立的专门队列保证小作业一提交就可以运行。这个策略是以整个集群利用率为代价的，大作业的执行事件会长一些
- Fair Scheduler(公平调度器)：公平调度器的目的是为所有运行的应用公平的分配资源。使用公平调度器时，不需要预留一定量的资源，因为公平调度器会在所有运行的作业之间动态平衡资源。每个作业启动后，都会分到相同的集群中的资源。
