奥尼扬建筑
提交作业
(1)将程序打包成jar包,在客户端运行hadoop jar命令,将作业提交给集群进行操作。
job.waitForCompletion(true)中调用Job的submit()方法,该方法中调用JobSubmitter的submitJobInternal()方法;
submitClient.getNewJobid()向resourcemanager请求一个MR作业id。
检查输出目录:如果未指定输出目录或目录已经存在,将报告错误。
计算作业碎片;如果无法计算碎片,也会报告错误。
与运行作业相关的资源,如jar包、配置文件和作业的输入片段,上传到HDFS上以作业ID命名的目录中(jar包的副本默认为10个,运行作业时可以从这10个副本中读取jar包,如映射任务和减少任务)
调用resourcemanager的submitApplication()提交作业。
客户端每秒查询作业进度(映射50%减少0%),如果进度有任何变化,会在控制台上打印进度报告;
如果作业成功执行,将打印相关的计数器。
但是如果失败,请在控制台上打印作业失败的原因。
初始化作业
当ResourceManager(简称RM)收到submitApplication()方法的调用通知时,请求会传递给RM的调度程序。调度程序分配容器。
远程管理器与指定的节点管理器通信,通知节点管理器启动容器;收到通知后,节点管理器创建一个容器;占用特定资源;
然后在容器中运行MRAppMaster进程
MRAppMaster需要接收任务的进度和完成情况报告(每个映射任务和缩减任务),因此AppMaster需要创建多个记账对象来记录这些信息。
从HDFS获取客户端计算的输入切片分割。
为每个切片分割创建一个地图任务
通过MapReduce . job . reduce的属性值(编程时由jog.setNumReduceTasks()指定),我们知道MR目前会创建多少个reduce任务。
每个任务(映射、缩减)都有一个任务id。
Task 任务分配
在小作业的情况下,appMaster会以==Uber化===的方式运行这个MR作业;appMaster将决定在其JVM中顺序执行该MR的任务;
"md-list-item">
原因是,若每个任务运行在一个单独的JVM时,都需要单独启动JVM,分配资源(内存、CPU),需要时间;多个JVM中的任务再在各自的JVM中并行运行
若将所有任务在appMaster的JVM中==顺序执行==的话,更高效,那么appMaster就会这么做 ,任务作为uber任务运行
小作业判断依据:①小于10个map任务;②只有一个reduce任务;③MR输入大小小于一个HDFS块大小
如何开启uber设置属性 mapreduce.job.ubertask.enable 值为true
在运行任何task之前,appMaster调用setupJob()方法,创建OutputCommitter,创建作业的最终输出目录(一般为HDFS上的目录)及任务输出的临时目录(如map任务的中间结果输出目录)
⑧若作业不以uber任务方式运行,那么appMaster会为作业中的每一个任务(map任务、reduce任务)向RM请求container
-
由于reduce任务在进入排序阶段之前,所有的map任务必须执行完成;所以,为map任务申请容器要优先于为reduce任务申请容器
-
5%的map任务执行完成后,才开始为reduce任务申请容器
-
为map任务申请容器时,遵循==数据本地化==,调度器尽量将容器调度在map任务的输入分片所在的节点上(==移动计算,不移动数据==)
-
reduce任务能在集群任意计算节点运行
-
默认情况下,为每个map任务、reduce任务分配1G内存、1个虚拟内核,由属性决定mapreduce.map.memory.mb、mapreduce.reduce.memory.mb、mapreduce.map.cpu.vcores、mapreduce.reduce.reduce.cpu.vcores
Task 任务执行
-
当调度器为当前任务分配了一个NodeManager(暂且称之为NM01)的容器,并将此信息传递给appMaster后;appMaster与NM01通信,告知NM01启动一个容器,并此容器占据特定的资源量(内存、CPU)
-
NM01收到消息后,启动容器,此容器占据指定的资源量
-
容器中运行YarnChild,由YarnChild运行当前任务(map、reduce)
-
⑩在容器中运行任务之前,先将运行任务需要的资源拉取到本地,如作业的JAR文件、配置文件、分布式缓存中的文件
作业运行进度与状态更新
-
作业job以及它的每个task都有状态(running、successfully completed、failed),当前任务的运行进度、作业计数器
-
任务在运行期间,每隔==3秒==向appMaster汇报执行进度、状态(包括计数器)
-
appMaster汇总目前运行的所有任务的上报的结果
-
客户端每隔1秒,轮询访问appMaster获得作业执行的最新状态,若有改变,则在控制台打印出来
完成作业
-
appMaster收到最后一个任务完成的报告后,将作业状态设置为成功
-
客户端轮询appMaster查询进度时,发现作业执行成功,程序从waitForCompletion()退出
-
作业的所有统计信息打印在控制台
-
appMaster及运行任务的容器,清理中间的输出结果,释放资源
-
作业信息被历史服务器保存,留待以后用户查询
内容来源网络,如有侵权,联系删除,本文地址:https://www.230890.com/zhan/132070.html