Apache Hadoop YARN （Yet Another Resource Negotiator，另一种资源协调者）是一
种新的 Hadoop 资源管理器，它是一个通用资源管理系统和调度平台，可为上层应用提供统
一的资源管理和调度，它的引入为集群在利用率、资源统一管理和数据共享等方面带来了巨
大好处。

    可以把 yarn 理解为相当于一个分布式的操作系统平台，而 mapreduce 等运算程序则相

?  yarn 并不清楚用户提交的程序的运行机制
?  yarn 只提供运算资源的调度（用户程序向 yarn 申请资源，yarn 就负责分配资源）
?  yarn 中的主管角色叫 ResourceManager
?  yarn 中具体提供运算资源的角色叫 NodeManager
?  yarn与运行的用户程序完全解耦，意味着yarn上可以运行各种类型的分布式运算程序，
比如 mapreduce、storm，spark，tez ……
?  spark、storm 等运算框架都可以整合在 yarn 上运行，只要他们各自的框架中有符合
yarn 规范的资源请求机制即可
?  yarn 成为一个通用的资源调度平台.企业中以前存在的各种运算集群都可以整合在一

YARN 是一个资源管理、任务调度的框架，主要包含三大模块：ResourceManager（RM）、
NodeManager（NM）、ApplicationMaster（AM）。
ResourceManager 负责所有资源的监控、分配和管理；
ApplicationMaster 负责每一个具体应用程序的调度和协调；
NodeManager 负责每一个节点的维护。
对于所有的 applications，RM 拥有绝对的控制权和对资源的分配权。而每个 AM 则会和
RM 协商资源，同时和 NodeManager 通信来执行和监控 task。
net/qq_33624952/article/details/79341034

1 ?  ResourceManager 负责整个集群的资源管理和分配，是一个全局的资源管理系统。
2 ?  NodeManager 以心跳的方式向 ResourceManager 汇报资源使用情况（目前主要是 CPU 和
3 内存的使用情况）。RM 只接受 NM 的资源回报信息，对于具体的资源处理则交给 NM 自己
4 处理。
5 ?  YARN Scheduler 根据 application 的请求为其分配资源，不负责 application job 的
6 监控、追踪、运行状态反馈、启动等工作。

  NodeManager 是每个节点上的资源和任务管理器，它是管理这台机器的代理，负责该节
点程序的运行，以及该节点资源的管理和监控。YARN 集群每个节点都运行一个
NodeManager。
?  NodeManager 定时向 ResourceManager 汇报本节点资源（CPU、内存）的使用情况和
Container 的运行状态。当 ResourceManager 宕机时 NodeManager 自动连接 RM 备用节
点。
?  NodeManager 接收并处理来自 ApplicationMaster 的 Container 启动、停止等各种请
求。

 1 ?  用 户 提 交 的 每 个 应 用 程 序 均 包 含 一 个 ApplicationMaster ， 它 可 以 运 行 在
 2 ResourceManager 以外的机器上。
 3 ?  负责与 RM 调度器协商以获取资源（用 Container 表示）。
 4 ?  将得到的任务进一步分配给内部的任务(资源的二次分配)。
 5 ?  与 NM 通信以启动/停止任务。
 6 ?  监控所有任务运行状态，并在任务运行失败时重新为任务申请资源以重启任务。
 7 ?  当前 YARN 自带了两个 ApplicationMaster 实现，一个是用于演示 AM 编写方法的实例
 8 
 9     程序 DistributedShell，它可以申请一定数目的 Container 以并行运行一个 Shell 命
10 令或者 Shell 脚本；另一个是运行 MapReduce 应用程序的 AM—MRAppMaster。
11 注：RM 只负责监控 AM，并在 AM 运行失败时候启动它。RM 不负责 AM 内部任务的容错，
12 任务的容错由 AM 完成。

步骤1　用户向YARN中提交应用程序，其中包括ApplicationMaster程序、启动ApplicationMaster的命令、用户程序等。

步骤2　ResourceManager为该应用程序分配第一个Container，并与对应的Node-Manager通信，要求它在这个Container中启动应用程序的ApplicationMaster。

步骤3　ApplicationMaster首先向ResourceManager注册，这样用户可以直接通过ResourceManager查看应用程序的运行状态，然后它将为各个任务申请资源，并监控它的运行状态，直到运行结束，即重复步骤4~7。

步骤4　ApplicationMaster采用轮询的方式通过RPC协议向ResourceManager申请和领取资源。

步骤5　一旦ApplicationMaster申请到资源后，便与对应的NodeManager通信，要求它启动任务。

步骤6　NodeManager为任务设置好运行环境（包括环境变量、JAR包、二进制程序等）后，将任务启动命令写到一个脚本中，并通过运行该脚本启动任务。

步骤7　各个任务通过某个RPC协议向ApplicationMaster汇报自己的状态和进度，以让ApplicationMaster随时掌握各个任务的运行状态，从而可以在任务失败时重新启动任务。

  在应用程序运行过程中，用户可随时通过RPC向ApplicationMaster查询应用程序的当前运行状态。

步骤8　应用程序运行完成后，ApplicationMaster向ResourceManager注销并关闭自己。

   理想情况下，我们应用对 Yarn 资源的请求应该立刻得到满足，但现实情况资源往往是
有限的，特别是在一个很繁忙的集群，一个应用资源的请求经常需要等待一段时间才能的到
相应的资源。在 n Yarn  中，负责给应用分配资源的就是  Scheduler。其实调度本身就是一个
难题，很难找到一个完美的策略可以解决所有的应用场景。为此，Yarn 提供了多种调度器
和可配置的策略供我们选择。

    在 Yarn 中有三种调度器可以选择：FIFO Scheduler ，Capacity Scheduler，Fair
Scheduler。

FIFO Scheduler 把应用按提交的顺序排成一个队列，这是一个 先进先出队列，在进行
资源分配的时候，先给队列中最头上的应用进行分配资源，待最头上的应用需求满足后再给
下一个分配，以此类推。

 FIFO Scheduler 是最简单也是最容易理解的调度器，也不需要任何配置，但它并不适
用于共享集群。大的应用可能会占用所有集群资源，这就导致其它应用被阻塞。在共享集群
中，更适合采用 Capacity Scheduler 或 Fair Scheduler，这两个调度器都允许大任务和小
任务在提交的同时获得一定的系统资源。
.net/qq_33624952/article/details/79341034

  Capacity 调度器允许多个组织共享整个集群，每个组织可以获得集群的一部分计算能
力。通过为每个组织分配专门的队列，然后再为每个队列分配一定的集群资源，这样整个集
群就可以通过设置多个队列的方式给多个组织提供服务了。除此之外，队列内部又可以垂直
划分，这样一个组织内部的多个成员就可以共享这个队列资源了，在一个队列内部，资源的
调度是采用的是先进先出(FIFO)策略。

    在 Fair 调度器中，我们不需要预先占用一定的系统资源，Fair 调度器会为所有运行的
job 动态的调整系统资源。如下图所示，当第一个大 job 提交时，只有这一个 job 在运行，
此时它获得了所有集群资源；当第二个小任务提交后，Fair 调度器会分配一半资源给这个
小任务，让这两个任务公平的共享集群资源。

    需要注意的是，在下图 Fair 调度器中，从第二个任务提交到获得资源会有一定的延
迟，因为它需要等待第一个任务释放占用的 Container。小任务执行完成之后也会释放自
己占用的资源，大任务又获得了全部的系统资源。最终效果就是 Fair 调度器即得到了高的
资源利用率又能保证小任务及时完成。

调度器的使用是通过 yarn-site.xml 配置文件中的
yarn.resourcemanager.scheduler.class 参数进行配置的， 默认采用 Capacity
Scheduler 调度器。

下面是一个简单的 Capacity 调度器的配置文件，文件名为 capacity-scheduler.xml。
在这个配置中，在 root 队列下面定义了两个子队列 prod 和 dev，分别占 40%和 60%的容量。
需要注意，一个队列的配置是通过属性 yarn.sheduler.capacity.<queue-path>.<sub-
property>指定的，<queue-path>代表的是队列的继承树，如 root.prod 队列，<sub-property>
一般指 capacity 和 maximum-capacity。
t/qq_33624952/article/details/79341034

<configuration>
<property>
<name>yarn.scheduler.capacity.root.queues</name>
<value>prod,dev</value>
</property>
<property>
<name>yarn.scheduler.capacity.root.dev.queues</name>
<value>mapreduce,spark</value>
</property>
<property>
<name>yarn.scheduler.capacity.root.prod.capacity</name>
<value>40</value>
</property>
<property>
<name>yarn.scheduler.capacity.root.dev.capacity</name>
<value>60</value>
</property>
<property>
<name>yarn.scheduler.capacity.root.dev.maximum-capacity</name>
<value>75</value>
</property>
<property>
<name>yarn.scheduler.capacity.root.dev.mapreduce.capacity</name>
<value>50</value>
</property>
<property>
<name>yarn.scheduler.capacity.root.dev.spark.capacity</name>
<value>50</value>
</property>
</configuration>

   dev 队列又被分成了 mapreduce 和 spark 两个相同容量的子队列。dev
的 maximum-capacity 属性被设置成了 75%，所以即使 prod 队列完全空闲 dev 也不会占用全
部集群资源，也就是说，prod 队列仍有 25%的可用资源用来应急。我们注意到，mapreduce
和 spark 两个队列没有设置 maximum-capacity 属性，也就是说 mapreduce 或 spark 队列中
的 job 可能会用到整个 dev 队列的所有资源（最多为集群的 75%）。而类似的，prod 由于没
有设置 maximum-capacity 属性，它有可能会占用集群全部资源。

    关于队列的设置，这取决于我们具体的应用。比如，在 MapReduce 中，我们可以通过
mapreduce.job.queuename 属性指定要用的队列。如果队列不存在，我们在提交任务时就
会收到错误。如果我们没有定义任何队列，所有的应用将会放在一个 default 队列中。

    注意：对于 Capacity 调度器，我们的队列名必须是队列树中的最后一部分，如果我们
使用队列树则不会被识别。比如，在上面配置中，我们使用 prod 和 mapreduce 作为队列名
是可以的，但是如果我们用 root.dev.mapreduce 或者 dev. mapreduce 是无效的。