大数据技术之Hadoop：MapReduce与Yarn概述（六）

目录

一、分布式计算

二、分布式资源调度

2.1 什么是分布式资源调度

2.2 yarn的架构

2.2.1 核心架构

2.2.2 辅助架构

---

前面我们提到了Hadoop的三大核心功能：分布式存储、分布式计算和资源调度，分别由Hadoop的三大核心组件可以担任。

即HDFS是分布式存储组件，MapReduce是分布式计算组件，Yarn则是资源调度组件。

本章我们就分布式计算和资源调度进行简单讲解。

一、分布式计算

那么什么是分布式计算呢？

以前我们开发过程中，要进行计算通常都是在一台电脑上完成的。这从某种意义上说，计算的数据量不算特别大。单台机器能够胜任。

但是假如现在有一个1PB的数据需要进行计算，那么单台机器能完成吗？先不说存储的事情，就算能完成，拿现在最强性能的cpu，那也要计算到猴年马月了。

所以单台不够，我们就多台机器同时计算，这就衍生出了分布式计算。

分布式计算的两种模式

分散汇总模式

1. 将数据分片，多台服务器各自负责一部分数据处理

2. 然后将各自的结果，进行汇总处理

3. 最终得到想要的计算结果

中心调度->步骤执行模式

中心调度、步骤执行模式 

1. 由一个节点作为中心调度管理者

2. 将任务划分为几个具体步骤

3. 管理者安排每个机器执行任务

4. 最终得到结果数据

中心调度->步骤执行模式

MapReduce

MapReduce是“分散->汇总”模式的分布式计算框架，可供开发人员开发相关程序进行分布式数据计算。

MapReduce提供了2个编程接口：Map和Reduce

Map功能接口提供了“分散”的功能， 由服务器分布式对数据进行处理

Reduce功能接口提供了“汇总（聚合）”的功能，将分布式的处理结果汇总统计

用户如需使用MapReduce框架完成自定义需求的程序开发。只需要使用Java、Python等编程语言，实现Map Reduce功能接口即可。

注：MapReduce尽管可以通过Java、Python等语言进行程序开发，但当下年代基本没人会写它的代码了，因为太过时了。   尽管MapReduce很老了，但现在仍旧活跃在一线，主要是Apache Hive框架非常火，而Hive底层就是使用的MapReduce。 所以对于MapReduce的代码开发，课程会简单扩展一下，但不会深入讲解，对MapReduce的底层原理会放在Hive之后，基于Hive做深入分析。

MapReduce的运行机制：

• 将要执行的需求，分解为多个Map Task和Reduce Task
• 将Map Task 和 Reduce Task分配到对应的服务器去执行

二、分布式资源调度

MapReduce是基于YARN运行的，即没有YARN”无法”运行MapReduce程序。

这里“无法”是加了引号的，这是因为绝大多数的场景都是通过yarn运行MapReduce任务的，不是说没有yarn完全不行，而是非常不方便。离开了它需要我们自行管理资源，自行管理就显得麻烦了。所以95%以上的用户都会选择使用YARN运行MapReduce任务。

2.1 什么是分布式资源调度

那么Yarn作为分布式资源调度组件，它具体有啥作用呢？换句话说什么是资源调度？ 我们为什么需要资源调度？

服务器会运行多个程序， 每个程序对资源（CPU内存等）的使用都不同

程序没有节省的概念，有多少就会用多少。

所以，为了提高资源利用率，进行调度就非常有必要了。

YARN 管控整个集群的资源进行调度， 那么应用程序在运行时，就是在YARN的监管（管理）下去运行的。

这就像：全部资源都是公司（YARN）的，由公司分配给个人（具体的程序）去使用。比如，一个具体的MapReduce程序。 我们知道， MapReduce程序会将任务分解为若干个Map任务和Reduce任务。假设，有一个MapReduce程序， 分解了3个Map任务，和1个Reduce任务，那么如何在YARN的监管（管理）下运行呢？

我们直接看下面的动图：

2.2 yarn的架构

yarn分为核心架构和辅助架构

2.2.1 核心架构

类比于HDFS:

HDFS， 主从架构，有2个角色

• 主（Master）角色：NameNode
• 从（Slave）角色 ：DataNode

YARN，主从架构，有2个角色 

• 主（Master）角色：ResourceManager
• 从（Slave） 角色：NodeManager

ResourceManager：整个集群的资源调度者， 负责协调调度各个程序所需的资源

NodeManager：单个服务器的资源调度者，负责调度单个服务器上的资源提供给应用程序使用。

如何实现服务器上精准分配如下的硬件资源呢？

答：开辟的空间，称之为：容器

2.2.2 辅助架构

Yarn的架构中处理核心角色，ResourceManager和NodeManager外，还可以搭配2个辅助角色使得YARN集群运行更加稳定。

代理服务器(ProxyServer)：Web Application Proxy Web应用程序代理

历史服务器(JobHistoryServer)： 应用程序历史信息记录服务

代理服务器

代理服务器，即Web应用代理是 YARN 的一部分。默认情况下，它将作为资源管理器(RM)的一部分运行，但是可以配置为在独立模式下运行。使用代理的原因是为了减少通过 YARN 进行基于网络的攻击的可能性。

这是因为， YARN在运行时会提供一个WEB UI站点（同HDFS的WEB UI站点一样）可供用户在浏览器内查看YARN的运行信息。

对外提供WEB 站点会有安全性问题， 而代理服务器的功能就是最大限度保障对WEB UI的访问是安全的。

比如：

• 警告用户正在访问一个不受信任的站点
• 剥离用户访问的Cookie等
• 开启代理服务器，可以提高YARN在开放网络中的安全性 （但不是绝对安全只能是辅助提高一些）

代理服务器默认集成在了ResourceManager中

也可以将其分离出来单独启动，如果要分离代理服务器

1. 在yarn-site.xml中配置 yarn.web-proxy.address 参数即可 （部署环节会使用到）

2. 并通过命令启动它即可 $HADOOP_YARN_HOME/sbin/yarn-daemon.sh start proxyserver（部署环节会使用到）

历史服务器

历史服务器的功能很简单： 记录历史运行的程序的信息以及产生的日志并提供WEB UI站点供用户使用浏览器查看。

程序看日志不是日常操作吗？ 为何需要一个单独的历史服务器？

回答这个问题要从YARN的运行机制说起。

具体如何使用，我们将在下一章节（yarn部署）讲解。✨