大数据计算引擎 EasyMR 如何简单高效管理 Yarn 资源队列

news2024/11/15 8:28:31

设想一下，作为一个开发人员，你现在所在的公司有一套线上的 Hadoop 集群。A部门经常做一些定时的 BI 报表，B部门则经常使用软件做一些临时需求。那么他们肯定会遇到同时提交任务的场景，这个时候到底应该如何分配资源满足这两个任务呢？是先执行A的任务，再执行B的任务，还是同时跑两个？

如果你存在上述的困惑，可以多了解一些 Yarn 的资源调度器。

Yarn 的三种调度器

从 Hadoop2 开始，官方把资源管理单独剥离出来，主要是为了考虑后期作为一个公共的资源管理平台，任何满足规则的计算引擎都可以在它上面执行。Yarn 作为一款 Hadoop 集群的资源共享，不仅可以跑 MapReduce，还可以跑 Spark，Flink。

在 Yarn 框架中，调度器是一块很重要的内容。有了合适的调度规则，就可以保证多个应用在同一时间有条不紊的工作。

最原始的调度规则就是 FIFO，即按照用户提交任务的时间来决定哪个任务先执行，但是这样很可能一个大任务独占资源，其他的资源需要不断的等待，也可能一堆小任务占用资源，大任务一直无法得到适当的资源，造成饥饿。所以 FIFO 虽然很简单，但是并不能满足我们的需求。

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

file

FIFO Scheduler

把应用按提交的顺序排成一个先进先出队列，在进行资源分配的时候，先给队列中最头部的应用进行分配资源，等到最头部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，它不需要任何配置，但不适用于共享集群中。大的应用可能会占用所有集群资源，从而导致其它应用被阻塞。

Capacity 调度器

允许多租户安全的共享集群资源，提供的核心理念就是 Queues（队列），它支持多个队列，每个队列可配置一定的资源量，以确保在其他 queues 允许使用空闲资源之前，资源可以在一个组织的 sub-queues 之间共享，且每个队列采用 FIFO 调度策略。为了在共享资源上，提供更多的控制和预见性，applications 在容量限制之下，可以及时的分配资源。

Fair 调度器

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。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，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。最终的效果就是 Fair 调度器既得到了高的资源利用率又能保证小任务及时完成。

EasyMR 如何管理 Yarn 资源队列

最原始的调度规则就是 FIFO，即按照用户提交任务的时间来决定哪个任务先执行，但是这样可能会导致一个大任务独占资源，其他的资源需要不断的等待，也可能导致一堆小任务占用资源，大任务一直无法得到适当的资源，造成饥饿。

所以 FIFO 虽然很简单，但是并不能满足我们的需求。最常使用的是容量调度策略，但是运维人员在配置容量队列时，需要考虑队列资源利用率，队列的状态，修改完成后，亦无法校验配置是否正确。

EasyMR 出于简单高效原则，开放了资源队列管理功能。

以容量调度为例，为大家简单演示 EasyMR 中队列的使用。假设公司有个大数据部门，该部门下有个做数据同步的小组，队列树形图如下：

root 
├── bigdata
    |---dataSync

要创建这样层次的队列，首先需要在父级别下面创建 bigdata 队列，然后在 bigdata 下面划分一个子队列 dataSync，下文进行详细介绍。

创建队列

首先创建父队列 bigdata，设置最小容量20%，最大容量50%。

file

在父队列中添加 bigdata 队列名称。

 <property>
   <!-- root队列中有哪些子队列-->
   <name>yarn.scheduler.capacity.root.queues</name>
   <value>default,bigdata</value>
   <description></description>
 </property>

设置 bigdata 的容量调度配置。

   <property>
     <!-- bigdata队列占用的容量百分比-->
     <name>yarn.scheduler.capacity.root.bigdata.capacity</name>
     <value>20</value>
     <description></description>
   </property>
   <property>
     <!-- root队列中bigdata队列占用的容量百分比的最大值-->
     <name>yarn.scheduler.capacity.root.bigdata.maximum-capacity</name>
     <value>50</value>
     <description></description>
   </property>
   <property>
     <!-- queue容量的倍数，用来设置一个user可以获取更多的资源。默认值为1-->
     <name>yarn.scheduler.capacity.root.bigdata.user-limit-factor</name>
     <value>1</value>
     <description></description>
   </property>
   <property>
     <!--设置bigdata队列的状态-->
     <name>yarn.scheduler.capacity.root.bigdata.state</name>
     <value>RUNNING</value>
     <description></description>
   </property>

创建子队列

在 bigdata 父队列下面，选择创建子队列，设置最小容量10%，最大容量30%。

file

在 bigdata 队列中添加 dataSync 队列名。

   <property>
     <!-- bigdata队列中有哪些子队列-->
     <name>yarn.scheduler.capacity.root.bigdata.queues</name>
     <value>dataSync</value>
     <description></description>
   </property>

设置 dataSync 队列的容量调度配置。

   <property>
     <!-- bigdata队列dataSync子队列的容量百分比-->
     <name>yarn.scheduler.capacity.root.bigdata.dataSync.capacity</name>
     <value>10</value>
     <description></description>
   </property>
   <property>
     <!-- bigdata队列中bigdata队列占用的容量百分比的最大值-->
     <name>yarn.scheduler.capacity.root.bigdata.dataSync.maximum-capacity</name>
     <value>30</value>
     <description></description>
   </property>
   <property>
     <!-- queue容量的倍数，用来设置一个user可以获取更多的资源。默认值为1-->
     <name>yarn.scheduler.capacity.root.bigdata.dataSync.user-limit-factor</name>
     <value>1</value>
     <description></description>
   </property>
   <property>
     <!--设置子队列dataSync队列的状态-->
     <name>yarn.scheduler.capacity.root.bigdata.dataSync.state</name>
     <value>RUNNING</value>
     <description></description>
   </property>