什么是YARN？
YARN（Yet Another Resource Negotiator）是Apache Hadoop生态系统中的一个重要组件，用于资源管理和作业调度。它是Hadoop 2.x版本中的一个关键特性，取代了旧版本中的JobTracker和TaskTracker。YARN的设计目标是使Hadoop能够处理更广泛的工作负载，包括批处理、交互式查询、流处理以及其他类型的工作负载。
为什么需要YARN？
YARN的引入解决了Hadoop 1.x版本中存在的一些限制和不足，提供了更灵活、更高效的资源管理和作业调度。以下是一些需要YARN的主要原因：
- 多样化的工作负载支持：
-Hadoop 1.x版本中的MapReduce框架适用于批处理作业，但不太适合处理交互式查询、流处理等多样化的工作负载。YARN的出现使得Hadoop可以同时运行多种类型的应用程序，包括批处理、交互式查询（如Apache Hive、Apache Tez）、流处理（如Apache Storm、Apache Flink）等。 - 资源隔离和多租户支持：
YARN支持在同一集群上运行多个应用程序，并能够对资源进行有效的隔离，防止一个应用程序的资源消耗影响其他应用程序的性能。这种多租户支持使得企业可以更高效地共享集群资源，并在不同的团队、部门或业务单位之间进行资源划分和管理。 - 动态资源分配： YARN允许应用程序根据需要动态申请和释放资源，而不是像Hadoop 1.x版本那样静态地将资源分配给作业。这种动态资源分配机制可以提高集群资源的利用率，并更好地适应不同作业的资源需求变化。
- 支持更大规模的集群：
YARN的架构设计更适合处理大规模集群，能够有效地管理数千甚至数万个节点的资源和作业。这使得Hadoop可以在更大规模的数据集上进行处理和分析，满足日益增长的数据处理需求。 - 更灵活的作业调度：
YARN提供了灵活的作业调度框架，可以支持多种调度策略和调度器插件。这使得用户可以根据自己的需求选择最适合的调度器，并对调度策略进行定制，以满足不同作业的性能和资源需求。
YARN的基本核心思想
YARN的基本核心思想是将资源管理和作业调度从特定的计算框架（如MapReduce）中分离出来使其成为单独的守护进程，使得Hadoop集群能够更通用地支持多种类型的应用程序和工作负载。
这个想法是拥有一个全局的 ResourceManager ( RM ) 和每个应用程序的 ApplicationMaster ( AM )。应用程序可以是单个作业，也可以是作业的 DAG。ResourceManager 和 NodeManager 构成了数据计算框架。 ResourceManager是系统中所有应用程序之间资源仲裁的最终权威。 NodeManager 是每台机器的框架代理，负责容器、监视其资源使用情况（CPU、内存、磁盘、网络）并将其报告给ResourceManager/Scheduler。每个应用程序的 ApplicationMaster 实际上是一个特定于框架的库，其任务是与 ResourceManager 协商资源并与 NodeManager 一起执行和监视任务。
在Hadoop集群中，YARN主要有以下几个核心组件：
- ResourceManager（资源管理器）：ResourceManager是YARN集群中的主节点，负责管理整个集群的资源分配和作业调度。它跟踪可用资源，并为提交到集群的应用程序分配资源。
- NodeManager（节点管理器）：NodeManager运行在每个集群节点上，负责管理该节点上的资源，并与ResourceManager通信以报告节点的资源使用情况和可用性。
- ApplicationMaster（应用程序管理器）：每个提交到YARN集群的应用程序都有一个对应的ApplicationMaster。ApplicationMaster负责与ResourceManager协商资源、监控作业进度，并向ResourceManager请求更多资源或报告作业完成情况。
ResourceManager 有两个主要组件：Scheduler 和ApplicationsManager。
调度程序负责将资源分配给受熟悉的容量、队列等约束的各种正在运行的应用程序。调度程序是纯粹的调度程序，因为它不执行应用程序状态的监视或跟踪。此外，它不保证重新启动由于应用程序故障或硬件故障而失败的任务。 Scheduler根据应用程序的资源需求执行其调度功能；它是基于资源容器的抽象概念来实现的，资源容器包含内存、CPU、磁盘、网络等元素。
调度程序具有可插入策略，负责在各种队列、应用程序等之间划分集群资源。当前的调度程序（例如CapacityScheduler和FairScheduler）就是插件的一些示例。
ApplicationsManager 负责接受作业提交、协商第一个容器来执行应用程序特定的 ApplicationMaster 并提供在失败时重新启动 ApplicationMaster 容器的服务。每个应用程序的 ApplicationMaster 负责与 Scheduler 协商适当的资源容器，跟踪其状态并监控进度。
hadoop-2.x 中的 MapReduce 保持了与之前稳定版本 (hadoop-1.x) 的API 兼容性。这意味着所有 MapReduce 作业仍应在 YARN 之上运行，只需重新编译即可。
YARN通过ReservationSystem支持资源预留的概念，ReservationSystem 是一个组件，允许用户指定随时间和时间限制（例如截止日期）的资源配置文件，并预留资源以确保重要作业的可预测执行。ReservationSystem跟踪资源随着时间的推移，对预留进行准入控制，并动态指示底层调度程序以确保预留得到满足。
为了将 YARN 扩展至数千个节点以上，YARN通过YARN Federation功能支持联合概念。联合允许透明地将多个纱线（子）集群连接在一起，并使它们显示为单个大型集群。这可用于实现更大的规模，和/或允许多个独立集群一起用于非常大的作业，或用于具有跨所有集群的容量的租户。
在 YARN 上运行的应用程序
- 批处理应用程序：
批处理作业是Hadoop最常见的用例之一，它们通常涉及对大规模数据集进行分析和处理。使用YARN，批处理作业可以通过MapReduce框架或其他批处理引擎（如Apache Spark、Apache Flink等）来运行。 - 交互式查询：
交互式查询通常用于对数据进行即席查询和分析。通过YARN，可以在集群上运行诸如Apache Hive、Apache Impala、Apache Drill等交互式查询引擎，这些引擎能够实时响应用户的查询请求。 - 流处理应用程序：
流处理应用程序用于对实时数据流进行处理和分析。通过YARN，可以在集群上运行流处理引擎，如Apache Storm、Apache Flink、Apache Kafka Streams等，以实时处理数据流并生成相应的输出。 - 机器学习和数据挖掘：
YARN也可以支持运行机器学习和数据挖掘算法。例如，可以使用Apache Spark的机器学习库（MLlib）或Apache Flink的机器学习库来在集群上训练和部署机器学习模型。 - 图计算：
图计算应用程序用于在图结构数据上执行复杂的分析和计算。通过YARN，可以在集群上运行图计算引擎，如Apache Giraph、Apache Spark GraphX等，来处理大规模的图数据。 - 其他类型的应用程序：
此外，YARN还可以支持各种其他类型的应用程序，包括ETL（Extract-Transform-Load）作业、数据流处理、实时分析等。YARN的通用性和灵活性使得它能够满足不同类型应用程序的运行需求。
应用程序如何在 YARN 上运行？
- 应用程序提交：
用户通过YARN客户端提交应用程序。在提交过程中，用户需要指定应用程序的资源需求、启动命令、应用程序类型等信息。通常，应用程序的启动命令会包括指定应用程序的jar包或可执行文件、主类名（对于Java应用程序）、应用程序的输入和输出路径等信息。 - ResourceManager分配资源：
ResourceManager接收到用户提交的应用程序后，会根据应用程序的资源需求和集群中的资源情况进行资源分配。ResourceManager会为应用程序分配所需的计算资源（如CPU和内存资源）以及其他必要的资源（如网络带宽）。 - NodeManager启动容器：
一旦资源分配完成，ResourceManager会通知集群中相应的NodeManager，在相应的节点上启动一个或多个容器（Container）。容器是YARN中的基本执行单位，它包含了运行应用程序所需的计算资源、环境变量等信息。 - 应用程序启动：
一旦容器启动完成，应用程序的启动命令将被执行。这可能涉及启动应用程序的主进程，例如执行Java的main()方法或运行可执行文件。 - ApplicationMaster启动：
应用程序的启动过程通常会涉及到一个特殊的组件，称为ApplicationMaster。ApplicationMaster负责与ResourceManager通信，协商资源、监控作业进度，并向ResourceManager请求更多资源或报告作业完成情况。ApplicationMaster运行在集群中的一个容器中，并由ResourceManager负责启动和监控。 - 作业执行：一旦ApplicationMaster启动，应用程序就可以开始在容器中执行。根据应用程序的类型和逻辑，它可能会涉及到数据的读取、处理、计算以及生成结果等过程。
- 作业完成：
一旦应用程序执行完成，ApplicationMaster会向ResourceManager报告作业完成情况，并请求释放所占用的资源。 - 资源释放
ResourceManager会相应地释放容器所占用的资源，并通知NodeManager停止相应的容器。至此，应用程序的执行过程结束，集群资源被释放，可以被其他应用程序使用。