Hadoop学习笔记（HDP）-Part.14安装YARN+MR

目录 Part.01 关于HDP Part.02 核心组件原理 Part.03 资源规划 Part.04 基础环境配置 Part.05 Yum源配置 Part.06 安装OracleJDK Part.07 安装MySQL Part.08 部署Ambari集群 Part.09 安装OpenLDAP Part.10 创建集群 Part.11 安装Kerberos Part.12 安装HDFS Part.13 安装Ranger Part.14 安装YARN+MR Part.15 安装HIVE Part.16 安装HBase Part.17 安装Spark2 Part.18 安装Flink Part.19 安装Kafka Part.20 安装Flume

十四、安装YARN+MR 1.MR中间结果存储权限

使用Yarn提交MapReduce任务的时候，中间结果会保存在HDFS，/user/username/，如果/user目录下用户目录下不存在，则被创建，当MR执行结束之后，中间结果会被删除，目录保留。因此需要在Ranger中对/user的权限做策略。

2.安装服务

YARN的部分存储路径调整： Node Manager YARN NodeManager Local directories：/data01/hadoop/yarn/local YARN NodeManager Log directories：/data01/hadoop/yarn/log Application Timeline Server yarn.timeline-service.leveldb-state-store.path：/data01/hadoop/yarn/timeline yarn.timeline-service.leveldb-timeline-store.path：/data01/hadoop/yarn/timeline Advanced yarn-hbase-env is_hbase_system_service_launch：true use_external_hbase：false YARN可使用内置的HBase数据库，也可以使用外部；使用内置时，需要is_hbase_system_service_launch设置为true Advanced ranger-yarn-security Add YARN Authorization：取消勾选 该选项是禁用YARN本身的ACL权限控制，YARN队列的权限控制由RANGER统一管理 注：需要先对NameNode页面的认证取消了，否则ResourceManager修改后也不生效 MAPREDUCE2的部分存储路径调整： Advanced mapred-site mapreduce.jobhistory.recovery.store.leveldb.path：/data01/hadoop/mapreduce/jhs Custom mapred-site mapred.local.dir：/data01/hadoop/mapred

3.ResourceManager HA (1)启用HA

在ACTIONS->Enable ResourceManager HA中配置

(2)确认配置文件

启用HA后，会在/etc/hadoop/conf/yarn-site.xml中出现如下关于HA的配置项 指定zk下对应的文件目录为/yarn-leader-election，对应的rm节点为hdp01.hdp 和hdp02.hdp 在zookeeper中查看也同样生成了对应的文件目录

(3)确认YARN、MR2配置

①CPU资源调度 目前的CPU被划分为虚拟CPU，这里的虚拟CPU是yarn自己引入的概念，因为每个服务器的CPU计算能力不一样，有的机器可能是其他机器计算能力的两倍，然后可以通过多配置几个虚拟CPU弥补差异。在yarn中，CPU的相关配置如下： yarn.nodemanager.resource.cpu-vcores 表示该节点上YARN可使用的虚拟CPU个数，默认是8，注意，目前推荐将该值设置为与物理CPU核数数目相同。如果节点CPU核数不够8个，则需要调减小这个值，而YARN不会智能的探测节点的物理CPU总数。 yarn.scheduler.minimum-allocation-vcores 单个任务可申请的最小虚拟CPU个数，默认是1，如果一个任务申请的CPU个数少于该数，则该对应的值改为这个数。 yarn.scheduler.maximum-allocation-vcores 单个任务可申请的最多虚拟CPU个数，默认是4。这里说的cpu个数都是说的虚拟cpu，默认的是1个物理cpu=2个虚拟cpu。 ②Memory资源调度 yarn一般允许用户配置每个节点上可用的物理资源，注意，这里是"可用的"，不是物理内存多少，就设置多少，因为一个服务器节点上会有若干的内存，一部分给yarn，一部分给hdfs，一部分给hbase。在yarn中，Memory相关的配置如下： yarn.nodemanager.resource.memory-mb 设置该节点上yarn可使用的内存，默认为8G，如果节点内存资源不足8G，要减少这个值，yarn不会智能的去检测内存资源，一般这个设置yarn的可用内存资源 yarn.scheduler.minimum-allocation-mb 单个任务可申请的最小的内存大小，默认是1G，当内存不够时，会自动按照一定大小累加内存。 yarn.scheduler.maximum-allocation-mb 单个任务最大申请物理内存量，默认为8291MB ③示例 以hdp03-05（8C、8G）为例， yarn.nodemanager.resource.cpu-vcores 虚拟core 这个参数根据自己生产服务器决定，比如服务器很富裕，那就直接1:1，设置成8，如果服务器不是很富裕，那就直接成1:2,设置成8，本次设置为16 yarn.nodemanager.resource.memory-mb 总内存 生产上一般要预留15-20%的内存，那么可用内存就是8*0.8=6.4G，本次设置为6G yarn.scheduler.minimum-allocation-mb 单任务最小内存 如果设置成500M，那6/0.5 = 12，就是最多可以跑12个container 如果设置成1G，那6/1 = 6，就是最多可以跑6个container 本次设置为1G yarn.scheduler.minimum-allocation-vcores 单任务最少vcore 如果设置vcore = 1，那么16/1 = 16，就是最多可以跑16个container，如果设置成这个，根据上面内存分配的情况，最多只能跑6个container，vcore有点浪费 如果设置vcore = 2，那么16/2 = 8，就是最多可以跑8个container yarn.scheduler.maximum-allocation-vcores 单任务最多vcore 一般就设置成4个，cloudera公司做过性能测试，如果cpu大于等于5之后，cpu利用率反而不是很好（固定经验值） yarn.scheduler.maximum-allocation-mb 单任务最大内存 这个要根据实际业务设定，如果有大任务

4.测试 (1)创建租户并分配对应的资源队列

跳转至YARN Queue Manager页面，针对之前的租户tenant1和tenant2，新建资源队列，注意所有队列总和要为100%，否则会报错 租户与队列资源关系绑定 [u | g] [username : groupname] [yarn队列的名字] 本次绑定为 u:tenant1:tenant1,u:tenant2:tenant2 保存本次操作内容 查看resourcemanager页面，可以看到已经更新出新的资源队列

(2)队列使用权限

可使用官方提供的测试jar包 mvnrepository /artifact/org.apache.hadoop/hadoop-mapreduce-examples 在OpenLDAP中创建账号ranger_yarn，重启UserSync服务后将账号同步至Ranger中，然后在kerberos中创建同样的账号（注：该测试jar包只能用账号ranger_yarn，队列offline）

kadmin.local addprinc -randkey ranger_yarn ktadd -kt /root/keytab/ranger_yarn.keytab ranger_yarn

在Yarn中创建队列及账号与队列的映射关系 队列offline、账号ranger_yarn都准备好后，在Ranger上创建授权关系 ① 计算圆周率 使用ranger_yarn登录，运行计算圆周率任务

kinit -kt /root/keytab/ranger_yarn.keytab ranger_yarn hadoop jar /root/hadoop-mapreduce-examples-3.1.1.3.0.1.4-1.jar pi -Dmapred.job.queue.name=offline 10 50

hadoop jar是hadoop运行jar包命令 第一个参数pi：表示MapReduce程序执行圆周率计算 第二个参数：用于指定map阶段运行的任务次数，并发度，这是是10 第三个参数：用于指定每个map任务取样的个数，这里是50 在Yarn中可查看Application的信息 此时在运行jar包时指定队列为tenant1，执行报错，说明权限

② 单词词频统计 首先创建要统计词频的文件，并上传到hdfs上，提前做好对ranger_yarn的hdfs授权

kinit -kt /etc/security/keytabs/nn.service.keytab nn/hdp01.hdp @HDP315.COM hdfs dfs -mkdir /testhdfs/ranger_yarn kinit -kt /root/keytab/ranger_yarn.keytab ranger_yarn hdfs dfs -put /root/wordcount_input /testhdfs/ranger_yarn hdfs dfs -ls /testhdfs/ranger_yarn

运行词频统计jar包

kinit -kt /root/keytab/ranger_yarn.keytab ranger_yarn hadoop jar /root/hadoop-mapreduce-examples-3.1.1.3.0.1.4-1.jar wordcount -Dmapred.job.queue.name=offline /testhdfs/ranger_yarn/wordcount_input /testhdfs/ranger_yarn/wordcount_output

第一个参数：wordcount表示执行单词统计 第二个参数：指定输入文件的路径 第三个参数：指定输出结果的路径（该路径不能已存在） 统计完成会在输出目录生成结果

hdfs dfs -cat /testhdfs/ranger_yarn/wordcount_output/part-r-00000

5.常用指令

（1）查看命令

yarn application -list yarn application -list -appStates <ALL,NEW,NEW_SAVING,SUBMITTED,ACCEPTED,RUNNING,FINISHED,FAILED,KILLED>

（2）Kill命令 根据id杀死任务

yarn application -kill <application_id>

（3）查看日志 查询Application日志

yarn logs -applicationId <ApplicationId>

查询Container日志

yarn logs -applicationId -containerId <ApplicationId> -containerId <ContainerId>

（4）查看尝试运行的任务 查看尝试运行的任务

yarn applicationattempt -list<ApplicationId>

查看尝试运行任务的状态

yarn applicationattempt -status <ApplicationAttemptId>

（5）查看容器 列出所有Container

yarn container -list <ApplicationAttemptId>

打印Container状态

yarn container -status <ContainerId> 6.常见报错 (1)Timeline Service启动报错

启动时报错：

java.util.concurrent.ExecutionException: org.apache.zookeeper.KeeperException$NoNodeException: KeeperErrorCode = NoNode for /atsv2-hbase-secure/hbaseid

在Yarn中的CONFIGS->ADVANCED->Advanced yarn-hbase-env中，将is_hbase_system_service_launch启用

(2)History Server启动一会后报错

启动时无报错，等几分钟后报错并停止，在hdp02上查看日志，/var/log/hadoop-mapreduce/mapred/hadoop-mapred-historyserver-hdp02.log 报错信息为：

Error creating intermediate done directory: [hdfs://hdp315:8020/mr-history/tmp] Permission denied: user=mapred, access=WRITE, inode="/mr-history"

查看hdfs上的目录权限，确认权限归属无问题 原因是Ranger上取消了联合授权功能，在Ranger上没有对应的策略开放该目录，导致mapred用户无法访问对应的目录，开启联合授权功能后恢复。

(3)告警：ATS embedded HBase is NOT running on hdp01.hdp

告警信息：ATS embedded HBase is NOT running on hdp01.hdp resourceMananger的JVM内存是1G，内存太小导致的，将ResourceManager中的Java heap size的JVM内存增加到了2048MB 重启Yarn服务后告警消失

(4)提交任务后状态一直为ACCEPTED

主要可能的原因是分配给容器的内存过小导致，正常情况下需要适当调整分配内存，本次是因为总体内存量不大，而在分配queue:offline的时候，设置的资源大小为5%，导致无法正常运行，而是一直停留在分配资源阶段，重新分配队列资源大小后恢复。