Apache YARN(Yet Another Resource Negotiator）是一个HADOOP集群资源管理系统。YARN在HADOOP2
中引入，但是它足够通用，也支持其它的分布式计算程序。
YARN提供了用于请求和使用集群资源的API，但是这些API不是直接由用户代码使用的。用户写更高级的由
分布式计算框架提供的API，这些框架是建立在YARN之上的，对用户隐藏了资源管理的细节。这个情况如图4-1
所示，它显示了一些作为YARN应用的分布式计算框架（MapReduce,Spark等等），运行在集群计算层（YARN）
和集群存储层（HDFS及HBase）之上。
同时也有一个应用建立在图4-1所示的框架之上，Pig、Hive、Crunch都是运行在MapReduce、Spark或Tez（或
包括所有这三个）上，并且不直接与YARN交互。
本章看一下YARN的特性并提供理解接下来的第四部分的基础，包括HADOOP分布式处理框架。
YARN应用运行分析
YARN通过一直运行的后台来提供它的核心服务----resource manager（每个集群一个）用来管理集群资源的
使用，及node manager，运行在集群的所有节点上，用来运行及监视container。container使用一组限定的资源
（内存、CPU等等）来执行面向应用的程序。container可能是一个UNIX process或是一个LINUX cgroup，这取决
于YARN是如何配置的（见300页“YARN“）。图4-2显示了YARN如何运行一个应用。
为了在YARN上运行应用，客户端联系resource manager让它运行应用主程序（图4-2第一步）。resource manager
找到一个可以启动一个container来运行这个应用主程序的node manager（第2a和2b步）。应用主程序运行后要干什么取
决于具体应用。它可能只是简单的在它运行的container中运行一个计算然后返回结果给客户端。或者它会从resource manager
请求更多的container（第三步），并使用它们运行一个分布式计算（第4a和4b）。剩下的就是MapReduce YARN应用所要
做的了，我们将在第185页“MapReduce Job运行解析“中详细讨论。
注意在图4-2中，YARN自己并不提供应用各部分（客户端、服务器、进程）交互的途径。大部分YARN应用使用一些
形式的远程交互（如HADOOP RPC）来传递状态更新和结果返回，但是这些都是特定于具体应用的。
请求资源
YARN请求资源方式很灵活。请求一组container可以表示每一个container需要的计算机资源（内存、CPU），
也可以在请求中约束哪些位置container可用。
位置是保证高效使用集群带宽来处理分布式数据的临界点（请参考前文“扩大规模”及“网络拓扑与HADOOP），所以YARN
允许应用对它请求的container添加位置约束。位置约束可以用来请求特定的node或rack，或集群的任意位置（off-rack）。
有些时候位置约束不能满足，在这种情况下，要么没有分配，要 么放松约束。例如，如果请求一个节点，但是它无法启动
它的container（因为其它的container在它上面运行），这个时候YARN尽量找到同一个rack的node来启动一个container，如果
这也做不到，就在集群中随意找一个node。
通常情况下，启动一个container来处理HDFS block（即运行一个MapReduce map task）时，应用会请求一个container,
这个container对应的node保存了这个block副本的三个node中的一个，或是保存了这个副本的node对应的rack上的一个node，
如果都没有的话，就取集群中任意一个node。
YARN应用在运行时可以在任意时间请求资源。例如，应用可以预先请求所有需要的资源，或者，它可以使用更动态的方式，
通过动态请求更多资源来满足应用不断改变的需求。
SPARK使用第一种方式，启动一定数量的executor（见571页“YARN上的SPARK”）。另一方面，MapReduce有两个阶段：
map task container预先请求，但reduce task container不会启动直到map task运行后。同时，如果任何一个task失败，会请
求额外的container来重新运行这个失败的task。
应用程序生命周期
YARN应用的生命可能是非常不同的：从只有几秒的短命应用，也有运行几天甚至几个月的长期运行的应用。我们不关注应用
运行了多久。根据应用如何来映射user job来把应用分组是有用的。最简单的情况是每一个user job一个应用，这就是MapReduce
task采用的方式。
第二种模式是每一个工作流或用户会话（也许不相关）一个应用。这种方式比第一种更高效，因为不同job复用container，并且
可以在job之间缓存中间数据。SPARK使用这种模式。
第三种模式是长期运行应用，由不同用户共享。这种应用通常扮演协调人的角色。例如，APACHE Slider有一个长时运行的应用
主程序用来启动集群中的其它应用。Impala也使用这种方式来提供一个代理应用，Impala后台程序与它交互来请求集群资源。始终
运行的应用主程序意味着对用户查询的反馈低延迟，因为它避免了开启一个新应用主程序的开销。
建立一个YARN应用
从头写一个YARN应用涉及到很多方面，但是在很多情况下这是不需要这样做的，因为经常可以使用一个已经存在的应用。例如，
如果你想运行一个有向非循环（DAG）的job，那么Spark或Tez是适合的；或是流处理，那么可以使用Spark,Samza或Storm。
有几个项目来简化建立YARN应用。前面讲到的Apache Slider，可以把已经存在的分布式应用运行在YARN上。用户可以在集群上
运行它们自己的应用实例（例如HBase），与其它用户独立，它意味着不同的用户可以运行同一个应用的不同版本。Slider可以控制
应用运行的node的数量，并且可以暂停然后继续运行一个运行中的应用。
Apache Twill与Slider类似，但是它提供了一个简单的应用程序模型来在YARN上开发分布式应用。Twill允许你定义一个集群进程
把它解释为一个JAVA Runnable的扩展，然后在集群的YARN container中运行它们。Twill也提供了实时日志及命令消息。
当所有这些选项都不满足的时候----例如应用有复杂的调度需求----这时YARN项目自己提供的distributed shell做为一个如何写YARN
应用的例子。它展示了如何使用YARN客户端API来处理客户端或应用 主程序与YARN后台之间的交互。
YARN与MapReduce 1比较
HADOOP早期版本（1及之前）的MapReduce的分布式实现被称为“MapReduce 1“以与MapReduce 2（使用YARN）区分。
在MapReduce 1中，有两种后台进程来控制job执行程序：一个jobtracker及一个或多个tasktracker。jobtracker通过tasktracker
上的任务调度来协调所有系统的job。tasktracker运行task并发送进程报告给jobtracker，这个报告保存了每一个job所有的处理记录。
如果一个task失败，jobtracker可以把它生排到另一个tasktracker上。
在MapReduce 1中，jobtracker既调度job（匹配task与tasktracker），又监视task进程（持续跟踪task，重启失败的或慢的task，
记录task）。相对来说，在YARN中，这些职责由不同的实体来处理：resource manager和一个application master（每个mapreduce
job一个）。jobtracker也负责存储已完成job的历史，也可以单独运行 job history server来减轻jobtracker的负担。在YARN中，对应角色
是timeline server，它存储application history（HADOOP2.5.1中，timeline server不存储mapreduce job history，所以还是需要
mapreduce job history server）。
YARN中与tasktracker对应的是node manager。对应关系如表4-1所示。
YARN的设计针对MapReduce 1的局限性。使用YARN的好处包含以下几点：
可扩展性
YARN可以运行在比MapReduce 1更大的集群上。MapReduce 1的可扩展瓶颈是大约4000个node和4000个task，源于这样一个
事实，jobtracker必须同时管理job和task 。YARN通过它的resource manager/application master架构克服了这些局限，它可以扩展
至10000个node和100000个task。
和jobtracker比较起来，每一个应用的实例----这里是一个mapreduce job----有一个对应的application master，它在应用的整个
生命周期运行。这个模式很接近原始的GOOGLE MapReduce paper，它描述了一个master进程如何协调运行在一组worker上的map和
reduce task。
可用性
High availability (HA)通常是在一个service daemon失败时，通过复制需要的状态给另一个daemon以让它可以接管这个工作。
然而，大量的快速的改变复杂的状态（例如几秒更新一次task status）使把HA更新到jobtracker service很困难。
在YARN中通过把jobtracker的职责拆分成resource manager和application master,使HA service变成一个分而治之的问题：
提供resource manager的HA，再提供application的。事实上，HADOOP 2对resource manager和application master HA全部支持。
193页“Failures“将详细讨论YARN中的错误恢复。
利用率
在mapreduce 1中，每一个tasktracker都配置了一个静态的固定大小的slot，在配置时它又被分成map slot和reduce slot。map slot
只能用来运行map task，reduce slot只能用来运行reduce task。
在YARN中，一个node manager管理一些资源，而不是一个固定数量的指定的slot。在map reduce 1中，可能发生一个reduce task
必须等待因为在集群上只有map slot可用，而运行在YARN上的map reduce不会发生这种情况。如果运行这个任务的资源可用，那么这个
应用就适用于它。
此外，YARN的资源是细粒度的，所以应用可以请求任何它需要的资源，而不是一个不可拆分的slot，它对于特定的task来说可能太大
（这样会浪费资源）或是太小（这样会导致错误）。
某种程度上说，YARN的最大好处是把HADOOP开放给其它类型的分布式应用。mapreduce只是YARN诸多应用中的一个。
用户甚至可以在同一个YARN集群上运行不同版本的mapreduce，它使mapreduce的升级过程更可控（注意，尽管如此，mapreduce
的一些部分，例如job history server和shuffle handler及YARN，还是需要升级）。
因为HADOOP 2已经广泛使用并且是最新的稳定版本，在本书的其它地方，mapreduce就是指mapreduce 2，除非另作说明。第七
章详细查看如何在YARN上运行MapReduce。