簡介： 本文介紹了 Hadoop 自 0.23.0 版本后新的 map-reduce 框架（Yarn) 原理，優勢，運作機制和配置方法等；着重介紹新的 yarn 框架相對於原框架的差異及改進；並通過 Demo 示例詳細描述了在新的 yarn 框架下搭建和開發 hadoop 程序的方法。 讀者通過本文中新舊 hadoop map-reduce 框架的對比，更能深刻理解新的 yarn 框架的技術原理和設計思想，文中的 Demo 代碼經過微小修改即可用於用戶基於 hadoop 新框架的實際生產環境。
Hadoop MapReduceV2(Yarn) 框架簡介
原 Hadoop MapReduce 框架的問題
對於業界的大數據存儲及分布式處理系統來說，Hadoop 是耳熟能詳的卓越開源分布式文件存儲及處理框架，對於 Hadoop 框架的介紹在此不再累述，讀者可參考 Hadoop 官方簡介。使用和學習過老 Hadoop 框架（0.20.0 及之前版本）的同仁應該很熟悉如下的原 MapReduce 框架圖：
圖 1.Hadoop 原 MapReduce 架構
從上圖中可以清楚的看出原 MapReduce 程序的流程及設計思路：
- 首先用戶程序 (JobClient) 提交了一個 job，job 的信息會發送到 Job Tracker 中，Job Tracker 是 Map-reduce 框架的中心，他需要與集群中的機器定時通信 (heartbeat), 需要管理哪些程序應該跑在哪些機器上，需要管理所有 job 失敗、重啟等操作。
- TaskTracker 是 Map-reduce 集群中每台機器都有的一個部分，他做的事情主要是監視自己所在機器的資源情況。
- TaskTracker 同時監視當前機器的 tasks 運行狀況。TaskTracker 需要把這些信息通過 heartbeat 發送給 JobTracker，JobTracker 會搜集這些信息以給新提交的 job 分配運行在哪些機器上。上圖虛線箭頭就是表示消息的發送 - 接收的過程。
可以看得出原來的 map-reduce 架構是簡單明了的，在最初推出的幾年，也得到了眾多的成功案例，獲得業界廣泛的支持和肯定，但隨着分布式系統集群的規模和其工作負荷的增長，原框架的問題逐漸浮出水面，主要的問題集中如下：
- JobTracker 是 Map-reduce 的集中處理點，存在單點故障。
- JobTracker 完成了太多的任務，造成了過多的資源消耗，當 map-reduce job 非常多的時候，會造成很大的內存開銷，潛在來說，也增加了 JobTracker fail 的風險，這也是業界普遍總結出老 Hadoop 的 Map-Reduce 只能支持 4000 節點主機的上限。
- 在 TaskTracker 端，以 map/reduce task 的數目作為資源的表示過於簡單，沒有考慮到 cpu/ 內存的占用情況，如果兩個大內存消耗的 task 被調度到了一塊，很容易出現 OOM。
- 在 TaskTracker 端，把資源強制划分為 map task slot 和 reduce task slot, 如果當系統中只有 map task 或者只有 reduce task 的時候，會造成資源的浪費，也就是前面提過的集群資源利用的問題。
- 源代碼層面分析的時候，會發現代碼非常的難讀，常常因為一個 class 做了太多的事情，代碼量達 3000 多行，，造成 class 的任務不清晰，增加 bug 修復和版本維護的難度。
- 從操作的角度來看，現在的 Hadoop MapReduce 框架在有任何重要的或者不重要的變化 ( 例如 bug 修復，性能提升和特性化 ) 時，都會強制進行系統級別的升級更新。更糟的是，它不管用戶的喜好，強制讓分布式集群系統的每一個用戶端同時更新。這些更新會讓用戶為了驗證他們之前的應用程序是不是適用新的 Hadoop 版本而浪費大量時間。
新 Hadoop Yarn 框架原理及運作機制
從業界使用分布式系統的變化趨勢和 hadoop 框架的長遠發展來看，MapReduce 的 JobTracker/TaskTracker 機制需要大規模的調整來修復它在可擴展性，內存消耗，線程模型，可靠性和性能上的缺陷。在過去的幾年中，hadoop 開發團隊做了一些 bug 的修復，但是最近這些修復的成本越來越高，這表明對原框架做出改變的難度越來越大。
為從根本上解決舊 MapReduce 框架的性能瓶頸，促進 Hadoop 框架的更長遠發展，從 0.23.0 版本開始，Hadoop 的 MapReduce 框架完全重構，發生了根本的變化。新的 Hadoop MapReduce 框架命名為 MapReduceV2 或者叫 Yarn，其架構圖如下圖所示：
圖 2. 新的 Hadoop MapReduce 框架（Yarn）架構
重構根本的思想是將 JobTracker 兩個主要的功能分離成單獨的組件，這兩個功能是資源管理和任務調度 / 監控。新的資源管理器全局管理所有應用程序計算資源的分配，每一個應用的 ApplicationMaster 負責相應的調度和協調。一個應用程序無非是一個單獨的傳統的 MapReduce 任務或者是一個 DAG( 有向無環圖 ) 任務。ResourceManager 和每一台機器的節點管理服務器能夠管理用戶在那台機器上的進程並能對計算進行組織。
事實上，每一個應用的 ApplicationMaster 是一個詳細的框架庫，它結合從 ResourceManager 獲得的資源和 NodeManager 協同工作來運行和監控任務。
上圖中 ResourceManager 支持分層級的應用隊列，這些隊列享有集群一定比例的資源。從某種意義上講它就是一個純粹的調度器，它在執行過程中不對應用進行監控和狀態跟蹤。同樣，它也不能重啟因應用失敗或者硬件錯誤而運行失敗的任務。
ResourceManager 是基於應用程序對資源的需求進行調度的 ; 每一個應用程序需要不同類型的資源因此就需要不同的容器。資源包括：內存，CPU，磁盤，網絡等等。可以看出，這同現 Mapreduce 固定類型的資源使用模型有顯著區別，它給集群的使用帶來負面的影響。資源管理器提供一個調度策略的插件，它負責將集群資源分配給多個隊列和應用程序。調度插件可以基於現有的能力調度和公平調度模型。
上圖中 NodeManager 是每一台機器框架的代理，是執行應用程序的容器，監控應用程序的資源使用情況 (CPU，內存，硬盤，網絡 ) 並且向調度器匯報。
每一個應用的 ApplicationMaster 的職責有：向調度器索要適當的資源容器，運行任務，跟蹤應用程序的狀態和監控它們的進程，處理任務的失敗原因。
新舊 Hadoop MapReduce 框架比對
讓我們來對新舊 MapReduce 框架做詳細的分析和對比，可以看到有以下幾點顯著變化：
首先客戶端不變，其調用 API 及接口大部分保持兼容，這也是為了對開發使用者透明化，使其不必對原有代碼做大的改變 ( 詳見 2.3 Demo 代碼開發及詳解)，但是原框架中核心的 JobTracker 和 TaskTracker 不見了，取而代之的是 ResourceManager, ApplicationMaster 與 NodeManager 三個部分。
我們來詳細解釋這三個部分，首先 ResourceManager 是一個中心的服務，它做的事情是調度、啟動每一個 Job 所屬的 ApplicationMaster、另外監控 ApplicationMaster 的存在情況。細心的讀者會發現：Job 里面所在的 task 的監控、重啟等等內容不見了。這就是 AppMst 存在的原因。ResourceManager 負責作業與資源的調度。接收 JobSubmitter 提交的作業，按照作業的上下文 (Context) 信息，以及從 NodeManager 收集來的狀態信息，啟動調度過程，分配一個 Container 作為 App Mstr
NodeManager 功能比較專一，就是負責 Container 狀態的維護，並向 RM 保持心跳。
ApplicationMaster 負責一個 Job 生命周期內的所有工作，類似老的框架中 JobTracker。但注意每一個 Job（不是每一種）都有一個 ApplicationMaster，它可以運行在 ResourceManager 以外的機器上。
Yarn 框架相對於老的 MapReduce 框架什么優勢呢？我們可以看到：
- 這個設計大大減小了 JobTracker（也就是現在的 ResourceManager）的資源消耗，並且讓監測每一個 Job 子任務 (tasks) 狀態的程序分布式化了，更安全、更優美。
- 在新的 Yarn 中，ApplicationMaster 是一個可變更的部分，用戶可以對不同的編程模型寫自己的 AppMst，讓更多類型的編程模型能夠跑在 Hadoop 集群中，可以參考 hadoop Yarn 官方配置模板中的 mapred-site.xml 配置。
- 對於資源的表示以內存為單位 ( 在目前版本的 Yarn 中，沒有考慮 cpu 的占用 )，比之前以剩余 slot 數目更合理。
- 老的框架中，JobTracker 一個很大的負擔就是監控 job 下的 tasks 的運行狀況，現在，這個部分就扔給 ApplicationMaster 做了，而 ResourceManager 中有一個模塊叫做 ApplicationsMasters( 注意不是 ApplicationMaster)，它是監測 ApplicationMaster 的運行狀況，如果出問題，會將其在其他機器上重啟。
- Container 是 Yarn 為了將來作資源隔離而提出的一個框架。這一點應該借鑒了 Mesos 的工作，目前是一個框架，僅僅提供 java 虛擬機內存的隔離 ,hadoop 團隊的設計思路應該后續能支持更多的資源調度和控制 , 既然資源表示成內存量，那就沒有了之前的 map slot/reduce slot 分開造成集群資源閑置的尷尬情況。
新的 Yarn 框架相對舊 MapRduce 框架而言，其配置文件 , 啟停腳本及全局變量等也發生了一些變化，主要的改變如下：
表 1. 新舊 Hadoop 腳本 / 變量 / 位置變化表
| 改變項 | 原框架中 | 新框架中（Yarn） | 備注 |
|---|---|---|---|
| 配置文件位置 | ${hadoop_home_dir}/conf | ${hadoop_home_dir}/etc/hadoop/ | Yarn 框架也兼容老的 ${hadoop_home_dir}/conf 位置配置，啟動時會檢測是否存在老的 conf 目錄，如果存在將加載 conf 目錄下的配置，否則加載 etc 下配置 |
| 啟停腳本 | ${hadoop_home_dir}/bin/start（stop）-all.sh | ${hadoop_home_dir}/sbin/start（stop）-dfs.sh ${hadoop_home_dir}/bin/start(stop)-all.sh |
新的 Yarn 框架中啟動分布式文件系統和啟動 Yarn 分離，啟動 / 停止分布式文件系統的命令位於 ${hadoop_home_dir}/sbin 目錄下，啟動 / 停止 Yarn 框架位於 ${hadoop_home_dir}/bin/ 目錄下 |
| JAVA_HOME 全局變量 | ${hadoop_home_dir}/bin/start-all.sh 中 | ${hadoop_home_dir}/etc/hadoop/hadoop-env.sh ${hadoop_home_dir}/etc/hadoop/Yarn-env.sh |
Yarn 框架中由於啟動 hdfs 分布式文件系統和啟動 MapReduce 框架分離，JAVA_HOME 需要在 hadoop-env.sh 和 Yarn-env.sh 中分別配置 |
| HADOOP_LOG_DIR 全局變量 | 不需要配置 | ${hadoop_home_dir}/etc/hadoop/hadoop-env.sh | 老框架在 LOG，conf，tmp 目錄等均默認為腳本啟動的當前目錄下的 log,conf，tmp 子目錄 Yarn 新框架中 Log 默認創建在 Hadoop 用戶的 home 目錄下的 log 子目錄，因此最好在 ${hadoop_home_dir}/etc/hadoop/hadoop-env.sh 配置 HADOOP_LOG_DIR，否則有可能會因為你啟動 hadoop 的用戶的 .bashrc 或者 .bash_profile 中指定了其他的 PATH 變量而造成日志位置混亂，而該位置沒有訪問權限的話啟動過程中會報錯 |
由於新的 Yarn 框架與原 Hadoop MapReduce 框架相比變化較大，核心的配置文件中很多項在新框架中已經廢棄，而新框架中新增了很多其他配置項，看下表所示會更加清晰：
表 2. 新舊 Hadoop 框架配置項變化表
Hadoop Yarn 框架 Demo 示例
Demo 場景介紹：Weblogic 應用服務器日志分析
了解了 hadoop 新的 Yarn 框架的架構和思路后，我們用一個 Demo 示例來檢驗新 Yarn 框架下 Map-Reduce 程序的開發部署。
我們考慮如下應用場景：用戶的生產系統由多台 Weblogic 應用服務器組成，每天需要每台對應用服務器的日志內容進行檢查，統計其日志級別和日志模塊的總數。
WebLogic 的日志范例如下圖所示：
圖 3.Weblogic 日志示例
如上圖所示，<Info> 為 weblogic 的日志級別，<Security>，<Management> 為 Weblogic 的日志模塊，我們主要分析 loglevel 和 logmodule 這兩個維度分別在 WebLogic 日志中出現的次數，每天需要統計出 loglevel 和 logmodule 分別出現的次數總數。
Demo 測試環境 Yarn 框架搭建
由於 Weblogic 應用服務器分布於不同的主機，且日志數據量巨大，我們采用 hadoop 框架將 WebLogic 各個應用服務器主機上建立分布式目錄，每天將 WebLogic 日志裝載進 hadoop 分布式文件系統，並且編寫基於 Yarn 框架的 MapReduce 程序對日志進行處理，分別統計出 LogLevel 和 Logmodule 在日志中出現的次數並計算總量，然后輸出到分布式文件系統中，輸出目錄命名精確到小時為后綴以便區分每次 Demo 程序運行的處理結果。
我們搭建一個 Demo 測試環境以驗證 Yarn 框架下分布式程序處理該案例的功能，以兩台虛擬機作為該 Demo 的運行平台，兩機均為 Linux 操作系統，機器 hostname 為 OEL 和 Stephen，OEL 作為 NameNode 和 ResouceManager 節點主機，64 位，Stephen 作為 DataNode 和 NodeManager 節點主機，32 位（Hadoop 支持異構性）, 具體如下：
表 3.Demo 測試環境表
| 主機名 | 角色 | 備注 |
|---|---|---|
| OEL(192.168.137.8) | NameNode 節點主機 ResourceManager 主機 |
linux 操作系統 32bit |
| Stephen(192.168.l37.2) | DataNode 節點主機 NodeManager 主機 |
linux 操作系統 64bit |
我們把 hadoop 安裝在兩台測試機的 /hadoop 文件系統目錄下，安裝后的 hadoop 根目錄為：/hadoop/hadoop-0.23.0，規划分布式文件系統存放於 /hadoop/dfs 的本地目錄，對應分布式系統中的目錄為 /user/oracle/dfs
我們根據 Yarn 框架要求，分別在 core-site.xml 中配置分布式文件系統的 URL，詳細如下：
清單 1.core-site.xml 配置
<configuration> <property> <name>fs.defaultFS</name> <value>hdfs://192.168.137.8:9100</value> </property> </configuration> |
在 hdfs-site.xml 中配置 nameNode，dataNode 的本地目錄信息，詳細如下：
清單 2.hdfs-site.xml 配置
<configuration> <property> <name>dfs.namenode.name.dir</name> <value>/hadoop/dfs/name</value> <description> </description> </property> <property> <name>dfs.datanode.data.dir</name> <value>/hadoop/dfs/data</value> <description> </description> </property> <property> <name>dfs.replication</name> <value>2</value> </property> </configuration> |
在 mapred-site.xml 中配置其使用 Yarn 框架執行 map-reduce 處理程序，詳細如下：
清單 3.mapred-site.xml 配置
<configuration> <property> <name>mapreduce.framework.name</name> <value>Yarn</value> </property> </configuration> |
最后在 Yarn-site.xml 中配置 ResourceManager，NodeManager 的通信端口，web 監控端口等，詳細如下：
清單 4.Yarn-site.xml 配置
<?xml version="1.0"?> <configuration> <!-- Site specific YARN configuration properties --> <property> <name>Yarn.nodemanager.aux-services</name> <value>mapreduce.shuffle</value> </property> <property> <description>The address of the applications manager interface in the RM.</description> <name>Yarn.resourcemanager.address</name> <value>192.168.137.8:18040</value> </property> <property> <description>The address of the scheduler interface.</description> <name>Yarn.resourcemanager.scheduler.address</name> <value>192.168.137.8:18030</value> </property> <property> <description>The address of the RM web application.</description> <name>Yarn.resourcemanager.webapp.address</name> <value>192.168.137.8:18088</value> </property> <property> <description>The address of the resource tracker interface.</description> <name>Yarn.resourcemanager.resource-tracker.address</name> <value>192.168.137.8:8025</value> </property> </configuration> |
Demo 代碼開發及詳解
以下我們詳細介紹一下新的 Yarn 框架下針對該應用場景的 Demo 代碼的開發， 在 Demo 程序的每個類都有詳細的注釋和說明，Yarn 開發為了兼容老版本，API 變化不大，可以參考 官方 Hadoop Yarn 框架 API。
在 Map 程序中，我們以行號為 key，行文本為 value 讀取每一行 WebLogic 日志輸入，將 loglevel 和 logmodule 的值讀出作為 Map 處理后的新的 key 值，由於一行中 loglevel 和 logmodule 的出現次數應該唯一，所以經 Map 程序處理后的新的 record 記錄的 value 應該都為 1：
清單 5. Map 業務邏輯
public static class MapClass extends Mapper<Object, Text, Text, IntWritable>
{
private Text record = new Text();
private static final IntWritable recbytes = new IntWritable(1);
public void map(Object key, Text value,Context context)
throws IOException,InterruptedException {
String line = value.toString();
// 沒有配置 RecordReader，所以默認采用 line 的實現，
//key 就是行號，value 就是行內容，
// 按行 key-value 存放每行 loglevel 和 logmodule 內容
if (line == null || line.equals(""))
return;
String[] words = line.split("> <");
if (words == null || words.length < 2)
return;
String logLevel = words[1];
String moduleName = words[2];
record.clear();
record.set(new StringBuffer("logLevel::").append(logLevel).toString());
context.write(record, recbytes);
// 輸出日志級別統計結果，通過 logLevel:: 作為前綴來標示。
record.clear();
record.set(new StringBuffer("moduleName::").append(moduleName).toString());
context.write(record, recbytes);
// 輸出模塊名的統計結果，通過 moduleName:: 作為前綴來標示
}
}
|
由於有 loglevel 和 logmodule 兩部分的分析工作，我們設定兩個 Reduce 來分別處理這兩部分，loglevel 的交給 reduce1，logmodule 交給 reduce2。因此我們編寫 Patitioner 類，根據 Map 傳過來的 Key 中包含的 logLevel 和 moduleName 的前綴，來分配到不同的 Reduce：
清單 6.Partition 業務邏輯
| public static class PartitionerClass extends Partitioner<Text, IntWritable> { public int getPartition(Text key, IntWritable value, int numPartitions) { if (numPartitions >= 2)//Reduce 個數，判斷 loglevel 還是 logmodule 的統計，分配到不同的 Reduce if (key.toString().startsWith("logLevel::")) return 0; else if(key.toString().startsWith("moduleName::")) return 1; else return 0; else return 0; } } |
在 Reduce 程序中，累加並合並 loglevel 和 logmodule 的出現次數
清單 7. Reduce 業務邏輯
public static class ReduceClass extends Reducer<Text, IntWritable,Text, IntWritable>
{
private IntWritable result = new IntWritable();
public void reduce(Text key, Iterable<IntWritable> values,
Context context)throws IOException,
InterruptedException {
int tmp = 0;
for (IntWritable val : values) {
tmp = tmp + val.get();
}
result.set(tmp);
context.write(key, result);// 輸出最后的匯總結果
}
}
|
以上完成了 MapReduce 的主要處理邏輯，對於程序入口，我們使用 Hadoop 提供的 Tools 工具包方便的進行 May-Reduce 程序的啟動和 Map/Reduce 對應處理 class 的配置。
清單 8. Main 執行類
import java.io.File;
import java.io.IOException;
import java.text.SimpleDateFormat;
import java.util.Date;
import java.util.Iterator;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.conf.Configured;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.Reducer;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.Partitioner;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.hadoop.util.Tool;
import org.apache.hadoop.util.ToolRunner;
public class LogAnalysiser extends Configured implements Tool {
public static void main(String[] args)
{
try
{
int res;
res = ToolRunner.run(new Configuration(),new LogAnalysiser(), args);
System.exit(res);
} catch (Exception e)
{
e.printStackTrace();
}
}
public int run(String[] args) throws Exception
{
if (args == null || args.length <2)
{
System.out.println("need inputpath and outputpath");
return 1;
}
String inputpath = args[0];
String outputpath = args[1];
String shortin = args[0];
String shortout = args[1];
if (shortin.indexOf(File.separator) >= 0)
shortin = shortin.substring(shortin.lastIndexOf(File.separator));
if (shortout.indexOf(File.separator) >= 0)
shortout = shortout.substring(shortout.lastIndexOf(File.separator));
SimpleDateFormat formater = new SimpleDateFormat("yyyy.MM.dd.HH.mm");
shortout = new StringBuffer(shortout).append("-")
.append(formater.format(new Date())).toString();
if (!shortin.startsWith("/"))
shortin = "/" + shortin;
if (!shortout.startsWith("/"))
shortout = "/" + shortout;
shortin = "/user/oracle/dfs/" + shortin;
shortout = "/user/oracle/dfs/" + shortout;
File inputdir = new File(inputpath);
File outputdir = new File(outputpath);
if (!inputdir.exists() || !inputdir.isDirectory())
{
System.out.println("inputpath not exist or isn't dir!");
return 0;
}
if (!outputdir.exists())
{
new File(outputpath).mkdirs();
}
// 以下注釋的是 hadoop 0.20.X 老版本的 Job 代碼，在 hadoop0.23.X 新框架中已經大大簡化
// Configuration conf = getConf();
// JobConf job = new JobConf(conf, LogAnalysiser.class);
// JobConf conf = new JobConf(getConf(),LogAnalysiser.class);// 構建 Config
// conf.setJarByClass(MapClass.class);
// conf.setJarByClass(ReduceClass.class);
// conf.setJarByClass(PartitionerClass.class);
// conf.setJar("hadoopTest.jar");
// job.setJar("hadoopTest.jar");
// 以下是新的 hadoop 0.23.X Yarn 的 Job 代碼
job job = new Job(new Configuration());
job.setJarByClass(LogAnalysiser.class);
job.setJobName("analysisjob");
job.setOutputKeyClass(Text.class);// 輸出的 key 類型，在 OutputFormat 會檢查
job.setOutputValueClass(IntWritable.class); // 輸出的 value 類型，在 OutputFormat 會檢查
job.setJarByClass(LogAnalysiser.class);
job.setMapperClass(MapClass.class);
job.setCombinerClass(ReduceClass.class);
job.setReducerClass(ReduceClass.class);
job.setPartitionerClass(PartitionerClass.class);
job.setNumReduceTasks(2);// 強制需要有兩個 Reduce 來分別處理流量和次數的統計
FileInputFormat.setInputPaths(job, new Path(shortin));//hdfs 中的輸入路徑
FileOutputFormat.setOutputPath(job,new Path(shortout));//hdfs 中輸出路徑
Date startTime = new Date();
System.out.println("Job started: " + startTime);
job.waitForCompletion(true);
Date end_time = new Date();
System.out.println("Job ended: " + end_time);
System.out.println("The job took " +
(end_time.getTime() - startTime.getTime()) /1000 + " seconds.");
// 刪除輸入和輸出的臨時文件
// fileSys.copyToLocalFile(new Path(shortout),new Path(outputpath));
// fileSys.delete(new Path(shortin),true);
// fileSys.delete(new Path(shortout),true);
return 0;
}
}
|
Demo 部署及運行
Demo 輸入輸出的控制
本 demo 中我們將從 Weblogic 日志目錄中拷貝原始待處理日志文件作為 Yarn 程序的輸入，使用 hadoop dfs 命令將其放入分布式目錄的 input 目錄，處理完后將生成以時間戳為文件目錄后綴的輸出目錄
Weblogic 日志存放的原始目錄位於：/u01/app/Oracle/Middleware/user_projects/domains/test_domain/AdminServer/logs
分布式文件系統中的輸入目錄：/user/oracle/dfs/input
分布式文件系統中的輸出目錄：/user/oracle/dfs/output_%YYYY-MM-DD-hh-mm%
Demo 打包和部署
可以使用 JDeveloper 或者 Eclipse 等 IDE 工具將開發的 Hadoop Demo 代碼打包為 jar，並指定 Main 類為 LoyAnalyze，本文中我們采用 JDeveloper 打包 Demo 代碼，如下圖示例：
圖 4.Yarn Demo 程序打包示例
Demo 執行與跟蹤
我們在 OEL 主機（NameNode&ResourceManager 主機，192.168.137.8）上啟動 dfs 分布式文件系統：
圖 5. 啟動 Demo dfs 文件系統
從上圖可以看出 dfs 分布式文件系統已經在 OEL 和 Stephen 主機上成功啟動，我們通過默認的分布式文件系統 Web 監控 端口http://192.168.137.8:50070（也可以在上文中 core-site.xml 中配置 dfs.namenode.http-address 項指定其他端口 ) 來驗證其文件系統情況：
圖 6.hadoop 文件系統 web 監控頁面
從上圖中我們可以看到 /user/oracle/dfs 分布式文件系統已成功建立。
接下來我們在 NameNode 主機（OEL，192.168.137.8）上啟動 Yarn 框架：
圖 7. 啟動 Demo Yarn 框架
從上圖我們可以看到 ResouceManager 在 OEL 主機上成功啟動，NodeManager 進程在 Stephen 節點主機上也已經啟動，至此整個新的 Hadoop Yarn 框架已經成功啟動。
我們將打好的 testHadoop.jar 包上傳至 NameNode 主機（OEL）的 /hadoop/hadoop-0.23.0/ 根目錄下，我們使用 Hadoop 自帶的 hadoop 命令行工具執行 Demo 的 jar 包，具體步驟為，先使用 hadoop dfs 命令將輸入文件（weblogic 原始日志）拷貝至 dfs 分布式目錄的 input 輸入目錄，清理 dfs 分布式目錄下的 output 輸出子目錄。然后使用 hadoop jar 命令執行 testHadoop 的 jar 包。
執行 Demo 的 shell 腳本示例如下：
./bin/hadoop dfs -rmr /user/oracle/dfs/output*
./bin/hadoop dfs -rmr /user/oracle/dfs/input
./bin/hadoop dfs -mkdir /user/oracle/dfs/input
./bin/hadoop dfs -copyFromLocal ./input/*.log /user/oracle/dfs/input/
./bin/hadoop jar ./hadoopTest.jar /hadoop/hadoop-0.23.0/input
/hadoop/hadoop-0.23.0/output
|
清單 9.Demo 執行腳本
然后我們使用上文中的腳本啟動 demo 並執行：
圖 8.Demo 程序運行
從上圖的 console 輸出中我們可以看到 Demo 程序的結果和各項統計信息輸出，下面我們通過 Web 監控界面詳細中觀察程序執行的執行流程和步驟細節。
Job 啟動后我們可以通過 ResourceManager 的 Web 端口（在上文中 Yarn-site.xml 配置文件中 Yarn.resourcemanager.webapp.address 配置項） http://192.168.137.8:18088 來監控其 job 的資源調度。
圖 9. 接收請求和生成 job application
上圖中我們可以看到 Yarn 框架接受到客戶端請求 , 如上圖所示 ID 為 application_1346564668712_0003 的 job 已經是 accepted 狀態
我們點擊該 ID 的鏈接進入到該 application 的 Map-Reduce 處理監控頁面，該界面中有動態分配的 ApplicationMaster 的 Web 跟蹤端口可以監視 MapReduce 程序的步驟細節
圖 10.hadoop MapReduce Application Web 監控頁面 (1)
點擊上圖中 ApplicationMaster 的 URL 可以進入該 ApplicationMaster 負責管理的 Job 的具體 Map-Reduce 運行狀態：
圖 11.hadoop MasterApplication Web 監控頁面（2）
上圖中我們可以看到 ID 為 application_1346564668712_0003 的 Job 正在執行，有 2 個 Map 進程，已經處理完畢，有 2 個 Reduce 正在處理，這跟我們程序設計預期的是一樣的。
當狀態變為 successful 后，進入 dfs 文件系統可以看到，輸出的 dfs 文件系統已經生成，位置位於 /user/oracle/dfs 下，目錄名為 output-2012.09.02.13.52，可以看到格式和命名方式與 Demo 設計是一致的，如下圖所示：
圖 12.Demo 輸出目錄（1）
我們進入具體的輸出目錄，可以清楚的看到程序處理的輸出結果，正如我們 Demo 中設計的，兩個 Reduce 分別生成了兩個輸出文件，分別是 part-r-00000 和 part-r-00001，對應 Module 和 Log Level 的處理輸出信息：
圖 13.Demo 輸出目錄（2）
點擊 part-r-00000 的輸出文件鏈接，可以看到程序處理后的 log level 的統計信息：
圖 14.Demo 輸出結果（1）
點擊 part-r-00001 的輸出文件鏈接，可以看到程序處理后 Module 的統計信息：
圖 15.Demo 輸出結果（2）
至此我們基於新的 Yarn 框架的 Demo 完全成功運行，實現功能與預期設計完全一致，運行狀態和 NameNode/DataNode 部署，Job/MapReduece 程序的調度均和設計一致。讀者可參考該 Demo 的配置及代碼進行修改，做為實際生產環境部署和實施的基礎。
轉載鏈接：http://www.ibm.com/developerworks/cn/opensource/os-cn-hadoop-yarn/