hadoop3.x yarn 调度策略：Fair Scheduler（公平调度）根据linux登录名提交到队列 作者：马育民 • 2022-01-05 15:48 • 阅读：10311 # 修改yarn-site.xml配置 登录 `hadoop2` 修改 `yarn-site.xml` 文件： ``` vim /program/hadoop-3.0.3/etc/hadoop/yarn-site.xml ``` 增加下面内容： ### 指定公平调度方式 ``` <!-- 指定使用fairScheduler的调度方式 --> <property> <name>yarn.resourcemanager.scheduler.class</name> <value>org.apache.hadoop.yarn.server.resourcemanager.scheduler.fair.FairScheduler</value> </property> ``` ### 指定配置文件路径 ``` <!-- 指定配置文件路径 --> <property> <name>yarn.scheduler.fair.allocation.file</name> <value>fair-scheduler.xml</value> </property> ``` **解释：** - 默认是 `$HADOOP_HOME/etc/hadoop/` 路径，也可以写全路径 - 默认文件名是：`fair-scheduler.xml` - 也就是说，如果文件路径是：`$HADOOP_HOME/etc/hadoop/fair-scheduler.xml` ，即使不写上面配置，也会自动加载该文件 **提示：** `yarn.scheduler.fair.allocation.file` 指定的文件每隔 10秒 加载一次，所以修改此文件，不需要重启 yarn ### 指定 虚拟内存和物理内存比例 虚拟内存的比例，默认是 `2.1`，即每使用 `1G` 物理内存，分配 `2.1` 的虚拟内存。 虚拟内存不够也会报oom，在nodemanager的日志中可以看到。 ``` <!--虚拟内存和物理内存设置比例，默认2.1--> <property> <name>yarn.nodemanager.vmem-pmem-ratio</name> <value>4</value> </property> ``` ### 开启抢占 ``` <!-- 开启资源抢占,当队列资源使用 yarn.scheduler.fair.preemption.cluster-utilization-threshold 这么多比例的时候，就从其他空闲队列抢占资源，默认为false，即：不抢占 --> <property> <name>yarn.scheduler.fair.preemption</name> <value>true</value> </property> <property> <name>yarn.scheduler.fair.preemption.cluster-utilization-threshold</name> <value>0.8f</value> </property> ``` ### linux用户名作为队列名 ``` <property> <name>yarn.scheduler.fair.user-as-default-queue</name> <value>true</value> </property> ``` **解释：** - 默认true，提交任务未指定队列时，默认是将当前 **linux登录用户名** 作为队列名。可实现根据用户名自动分配队列 - 设置成false，当任务中未指定资源池的时候，将使用默认的队列，即：`root.default`，可在 `fair-scheduler.xml` 中配置默认队列 ### 禁止创建未定义的队列 ``` <property> <name>yarn.scheduler.fair.allow-undeclared-pools</name> <value>false</value> </property> ``` **解释：** - 默认为true，如果提交任务时指定 **没有** 的队列，会 **自动创建** 该队列。 - 设置为false，提交任务时应该指定 **已有** 的队列，如果指定的队列不存在，就会提交到 `root.default` 队列中 ### yarn.scheduler.fair.user-as-default-queue 和 yarn.scheduler.fair.allow-undeclared-pools 的关系 - 如果 `yarn.scheduler.fair.allow-undeclared-pools = true` ，`yarn.scheduler.fair.user-as-default-queue = true`，用 **linux登录用户名** 作为队列名，如果没有该队列，就会创建该队列（一般不这么操作） - 如果 `yarn.scheduler.fair.allow-undeclared-pools = false`，`yarn.scheduler.fair.user-as-default-queue = true`，用 **linux登录用户名** 作为队列名，那么： - 如果 **有 该队列**，会将该任务分配到 **该队列** - 如果 **没有 该队列**，会将该任务分配到 **默认队列**，一般为：`root.default` ### 关键 关键 关键 关键 不要有下面配置，如果有，要删除掉 或 注释掉： ``` <!-- nodemanager最大可用内存，不要超过物理内存 --> <property> <name>yarn.nodemanager.resource.memory-mb</name> <value>3072</value> </property> ``` 此配置会影响 公平调度器 队列内存，所以不要有该配置，详见 [链接](https://www.malaoshi.top/show_1IX4AUUdB8ST.html "链接") # 修改fair-scheduler.xml配置 新建 `fair-scheduler.xml` 文件： ``` vim /program/hadoop-3.0.3/etc/hadoop/fair-scheduler.xml ``` 内容如下： ``` <?xml version="1.0"?> <allocations> <!-- 定义根队列，所有队列都是root队列的子队列 --> <queue name="root"> <!-- 全局配置 --> <!-- 最小使用资源：2G内存，2个处理器核心 --> <minResources>2048mb,1vcores</minResources> <!-- 最大使用资源：4G内存，2个处理器核心 --> <maxResources>8192mb,4vcores</maxResources> <!-- 最大可同时运行的app数量：100--> <maxRunningApps>10</maxRunningApps> <!-- weight:资源池权重 --> <weight>1.0</weight> <!-- 调度模式：fair-scheduler --> <schedulingMode>fair</schedulingMode> <!-- 允许提交任务的用户名和组，格式为：用户名 用户组 --> <!-- 当有多个用户时候，格式为：用户名1,用户名2 用户名1所属组,用户名2所属组 --> <aclSubmitApps> </aclSubmitApps> <!-- 允许管理任务的用户名和组，格式同上 --> <aclAdministerApps> </aclAdministerApps> <!-- 当提交的任务没有指定队列时，都提交到该队列中 --> <queue name="default"> <!-- 该队列的局部配置 --> <minResources>2048mb,1vcores</minResources> <maxResources>8192mb,4vcores</maxResources> <maxRunningApps>5</maxRunningApps> <!-- 队列内部使用公平调度，也可以是fifo --> <schedulingMode>fair</schedulingMode> <!-- 权重，按照该比例抢夺资源 --> <weight>2.0</weight> <!-- 允许提交任务的用户名和组，格式为：用户名 用户组（只写用户名也行） --> <!-- 当有多个用户时候，格式为：用户名1,用户名2 用户名1所属组,用户名2所属组 --> <!-- *表示所有用户都可以运行 --> <aclSubmitApps>*</aclSubmitApps> </queue> <queue name="dev"> <minResources>2048mb,1vcores</minResources> <maxResources>8192mb,4vcores</maxResources> <maxRunningApps>10</maxRunningApps> <schedulingMode>fair</schedulingMode> <weight>1.0</weight> <!-- 允许提交任务的用户名和组 --> <aclSubmitApps>dev,flink</aclSubmitApps> <!-- 允许管理任务的用户名和组 --> <aclAdministerApps>dev,flink</aclAdministerApps> </queue> <queue name="test"> <minResources>2048mb,1vcores</minResources> <maxResources>8192mb,4vcores</maxResources> <maxRunningApps>5</maxRunningApps> <schedulingMode>fair</schedulingMode> <weight>1.0</weight> <!-- 允许提交任务的用户名和组 --> <aclSubmitApps>test</aclSubmitApps> <!-- 允许管理任务的用户名和组 --> <aclAdministerApps>test</aclAdministerApps> </queue> </queue> </allocations> ``` **解释：** - 全局配置：全局配置可以没有。其作用是：当队列配置项没有，但全局配置有此项，那么该队列就取该全局配置项 - 内存、核心：设置的最大资源是：`8192mb` 内存，`4个` 核心，但虚拟机 物理内存只有 `8G`，也就是说不是真的的物理内存（这里设置20G也可以生效） - weight：权重，资源不够，抢占资源时，按照比例进行分配 **注意：** - `<aclSubmitApps> </aclSubmitApps>`、`<aclAdministerApps> </aclAdministerApps>`如果是空，必须有空格，否则报空指针错 - 队列名 与 `aclSubmitApps` 名，linux用户要同名 ### 并发执行任务 的数量 执行 mapreduce 自带的 wordcount 时，需要的 **最小资源** 是 `2048mb` 内存 和 `1个` 核心，所以 **理论上** 最多能 **同时运行 `4个`** wordcount 程序。 **但实际上**，最多只能 **同时运行 `2个`** wordcount 程序，因为 **AM也需要内存** #### 注意 由于上面原因，运行一些程序（hive、spark、flink 等），如果没有指定运行内存，可能最多只能 **同时运行 `2个`** 程序 # 同步 登录 `hadoop2`，执行下面命令 同步配置文件： 同步到 hadoop1： ``` rsync -av /program/hadoop-3.0.3/etc/hadoop/* root@hadoop1:/program/hadoop-3.0.3/etc/hadoop/ ``` 同步到 hadoop3： ``` rsync -av /program/hadoop-3.0.3/etc/hadoop/* root@hadoop3:/program/hadoop-3.0.3/etc/hadoop/ ``` # 重启 yarn 登录 `hadoop2`，执行下面命令关闭 yarn： ``` stop-yarn.sh ``` ``` start-yarn.sh ``` # web 查看队列 访问：http://hadoop2:8088/ ，查看队列，显示界面如下： [](http://65242847.gitee.io/pic/hadoop/Snipaste_2022-01-05_23-25-34.png) 可以看到队列 `root.default`、`root.dev`、`root.spark` [](/upload/0/0/1IX4AVLNTopr.png) 可以看到配置项已生效 # 测试1 **同时** 在 `hadoop1`、`hadoop2`、`hadoop3` 执行下面命令： ### hadoop1 运行命令 ``` hadoop jar ${HADOOP_HOME}/share/hadoop/mapreduce/hadoop-mapreduce-examples-3.0.3.jar wordcount /test2/data.txt /yarn_result/1 ``` **参数解释：** - `/test2/data.txt`：读取 HDFS 文件 - `/result-1`：将结果写入到 HDFS上 ### hadoop2 运行命令 ``` hadoop jar ${HADOOP_HOME}/share/hadoop/mapreduce/hadoop-mapreduce-examples-3.0.3.jar wordcount /test2/data.txt /yarn_result/2 ``` ### hadoop3 运行命令 ``` hadoop jar ${HADOOP_HOME}/share/hadoop/mapreduce/hadoop-mapreduce-examples-3.0.3.jar wordcount /test2/data.txt /yarn_result/3 ``` # 访问 yarn http://hadoop2:8088/cluster/apps 可以看到 **同时只运行 2个 程序**，有 **1个 程序在等待分配资源**，如下图： [](/upload/0/0/1IX49iCavI6k.png) ### 查看队列 [](/upload/0/0/1IX49iSUqIzQ.png) 启动 MapReduce时，没有指定 队列，默认提交到 `root.default` 中 # 测试2 使用 spark 用户提交应用，以用户名作为队列名，自动提交到 `root.spark` 队列 ### 创建用户 必须在 hdfs服务器（即：hadoop1）上 创建 `spark` 用户，并指定 `supergroup` 用户组（因为是 HDFS的超级用户组），还要刷新 hdfs 用户、用户组映射 创建用户： ``` useradd spark ``` 设置密码： ``` passwd spark ``` 创建 `supergroup` 组（因为 HDFS 默认用户组就是`supergroup`）： ``` groupadd supergroup ``` 将 `spark` 用户追加到 `supergroup` 组 ``` usermod -a -G supergroup spark ``` 刷新 hdfs 用户、用户组映射 ``` hdfs dfsadmin -refreshUserToGroupsMappings ``` 执行结果： ``` Refresh user to groups mapping successful ``` ### 在 hdfs服务器（hadoop1） 测试 切换 `spark` 用户： ``` su spark ``` 执行命令： ``` yarn jar ${HADOOP_HOME}/share/hadoop/mapreduce/hadoop-mapreduce-examples-3.0.3.jar pi 2 2 ``` 访问：http://hadoop2:8088/ ，可以看到提交到 `root.spark` 队列 ### 在 非hdfs服务器（hadoop1） 测试 所在机器必须有 spark 用户，不需要有 `supergroup` 组 执行下面命令创建用户： ``` useradd spark ``` 切换 `spark` 用户： ``` su spark ``` 执行命令： ``` yarn jar ${HADOOP_HOME}/share/hadoop/mapreduce/hadoop-mapreduce-examples-3.0.3.jar pi 2 2 ``` 访问：http://hadoop2:8088/ ，可以看到提交到 `root.spark` 队列 ### 用 root 用户提交应用 在 `root` 用户下，执行下面命令： ``` yarn jar ${HADOOP_HOME}/share/hadoop/mapreduce/hadoop-mapreduce-examples-3.0.3.jar pi 2 2 ``` 同时，在 `spark` 用户下，执行该命令 访问：http://hadoop2:8088/ ，如下图： [](/upload/0/0/1IX4GRywMP7K.png) 2个应用同时执行，一个在 `root.default` 队列，一个在 `root.spark` 队列 原文出处：http://malaoshi.top/show_1IX2XOnbCeyW.html