当前位置:   article > 正文

Hadoop学习笔记之Yarn_hadoop jar pi 5 2000000

hadoop jar pi 5 2000000

Hadoop系列文章:
  Hadoop学习笔记之初始Hadoop
  Hadoop学习笔记之HDFS
  Hadoop学习笔记之MapReduce(一)
  Hadoop学习笔记之MapReduce(二)
  Hadoop学习笔记之Yarn

1 Yarn 资源调度器

在开始讲述Yarn之前我们应该思考:1、Hadoop如何管理集群资源?2、Hadoop如何给任务合理分配资源?
这一切都是通过Yarn来进行的,所以Yarn是个什么东西呢?
Yarn 是一个资源调度平台,负责为运算程序提供服务器运算资源,相当于 一个分布式的操作系统平台,而 MapReduce 等运算程序则相当于运行于 操作系统之上的应用程序

1.1 Yarn 基础架构

YARN 主要由 ResourceManager、NodeManager、ApplicationMaster 和 Container 等组件构成.

Yarn的基础架构
在这里插入图片描述
Yarn的工作机制在这里插入图片描述

作业提交

  1. MR 程序提交到客户端所在的节点。
  2. YarnRunner 向 ResourceManager 申请一个 Application。
  3. RM 将该应用程序的资源路径返回给 YarnRunner。
  4. 该程序提交 jar 包、切片信息和配置文件到指定的HDFS资源提交路径。。
  5. 程序资源提交完毕后,向 RM申请运行 mrAppMaster。
    作业初始化
  6. RM 将用户的请求初始化成一个 Task,将该 Task添加到容量调度器中。
  7. 其中一个 NodeManager 领取到 Task 任务。
  8. 该 NodeManager 创建容器 Container,并产生 MRAppmaster。
  9. Container 从 HDFS 上拷贝资源到本地。
    任务分配
  10. MRAppmaster 向 RM 申请运行 MapTask 资源。
  11. RM 将运行 MapTask 任务分配给另外两个 NodeManager,另两个 NodeManager 分别领取任务并创建容器(这里假设Task任务分成了两个切块任务,且这两个任务不一定在不同的节点上运行)。
    任务运行
  12. MR 向两个接收到任务的 NodeManager 发送程序启动脚本,这两个 NodeManager
    分别启动 MapTask,MapTask 对数据分区排序。
  13. MrAppMaster 等待所有 MapTask 运行完毕后,向 RM 申请容器,运行 ReduceTask。
  14. ReduceTask 向 MapTask 获取相应分区的数据。
  15. 程序运行完毕后,MR 会向 RM 申请注销自己。

进度和状态更新
  YARN 中的任务将其进度和状态(包括 counter)返回给应用管理器, 客户端每秒(通过mapreduce.client.progressmonitor.pollinterval 设置)向应用管理器请求进度更新, 展示给用户。
作业完成
  除了向应用管理器请求作业进度外, 客户端每 5 秒都会通过调用 waitForCompletion()来检查作业是否完成。时间间隔可以通过 mapreduce.client.completion.pollinterval 来设置。作业完成之后, 应用管理器和 Container 会清理工作状态。作业的信息会被作业历史服务器存储以备之后用户核查。

1.4 Yarn 调度器和调度算法

目前,Hadoop 作业调度器主要有三种:FIFO、容量(Capacity Scheduler)和公平(FairScheduler)。Apache Hadoop3.1.3 默认的资源调度器是 Capacity Scheduler。
具体设置详见:yarn-default.xml 文件

<property>
 <description>The class to use as the resource scheduler.</description>
 <name>yarn.resourcemanager.scheduler.class</name>
<value>org.apache.hadoop.yarn.server.resourcemanager.scheduler.capacity.CapacityScheduler</value>
</property>
  • 1
  • 2
  • 3
  • 4
  • 5
1.4.1 先进先出调度器(FIFO)

FIFO 调度器(First In First Out):单队列,根据提交作业的先后顺序,先来先服务(几乎不使用)。
在这里插入图片描述
优点:简单易懂
缺点:不支持多队列,生产环境很少使用

1.4.2 容量调度器(Capacity Scheduler)

Capacity Scheduler 是 Yahoo 开发的多用户调度器。

容量调度器特点:
在这里插入图片描述
容量调度器资源分配算法:
在这里插入图片描述

1.4.3 公平调度器(Fair Scheduler)

Fair Schedulere 是 Facebook 开发的多用户调度器.

公平调度器特点:
在这里插入图片描述
公平调度器——缺额
在这里插入图片描述

公平调度器队列资源分配方式
在这里插入图片描述
公平调度器资源分配算法
在这里插入图片描述
公平调度器队列资源分配方式
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

2 Yarn案例实操

注:调整下列参数之前尽量拍摄 Linux 快照,否则后续的案例,还需要重写准备集群。

2.1 Yarn 生产环境核心参数配置案例

1.、需求:从 1G 数据中,统计每个单词出现次数。服务器 3 台,每台配置 4G 内存,4 核CPU,4 线程。
2.、需求分析:
1G / 128m = 8 个 MapTask;1 个 ReduceTask;1 个 mrAppMaster
平均每个节点运行 10 个 / 3 台 ≈ 3 个任务(4 3 3)
3、修改 yarn-site.xml 配置参数如下:
在yarn-site.xml后插入:

<!-- 选择调度器,默认容量 -->
<property>
<description>The class to use as the resource scheduler.</description>
<name>yarn.resourcemanager.scheduler.class</name>
<value>org.apache.hadoop.yarn.server.resourcemanager.scheduler.capacity.CapacityScheduler</value>
</property>
<!-- ResourceManager 处理调度器请求的线程数量,默认 50;如果提交的任务数大于 50,可以
增加该值,但是不能超过 3 台 * 4 线程(之前我们需求时设置的) = 12 线程(去除其他应用程序实际不能超过 8) -->
<property>
<description>Number of threads to handle scheduler interface.</description>
<name>yarn.resourcemanager.scheduler.client.thread-count</name>
<value>8</value>
</property>
<!-- 是否让 yarn 自动检测硬件进行配置,默认是 false,如果该节点有很多其他应用程序,建议
手动配置。如果该节点没有其他应用程序,可以采用自动 -->
<property>
<description>Enable auto-detection of node capabilities such as
memory and CPU.
</description>
<name>yarn.nodemanager.resource.detect-hardware-capabilities</name>
<value>false</value>
</property>
<!-- 是否将虚拟核数当作 CPU 核数,默认是 false,采用物理 CPU 核数 -->
<property>
<description>Flag to determine if logical processors(such as
hyperthreads) should be counted as cores. Only applicable on Linux
when yarn.nodemanager.resource.cpu-vcores is set to -1 and 
yarn.nodemanager.resource.detect-hardware-capabilities
 is true.
</description>
<name>yarn.nodemanager.resource.count-logical-processors-ascores</name>
<value>false</value>
</property>
<!-- 虚拟核数和物理核数乘数,默认是 1.0 -->
<property>
<description>Multiplier to determine how to convert phyiscal cores to
vcores. This value is used if yarn.nodemanager.resource.cpu-vcoresis set to -1
(which implies auto-calculate vcores) and
yarn.nodemanager.resource.detect-hardware-capabilities is set to true. 
The number of vcores will be calculated as number of CPUs * multiplier.
</description>
<name>yarn.nodemanager.resource.pcores-vcores-multiplier</name>
<value>1.0</value>
</property>
<!-- NodeManager 使用内存数,默认 8G,修改为 4G 内存 -->
<property>
<description>Amount of physical memory, in MB, that can be allocated 
for containers. If set to -1 and
yarn.nodemanager.resource.detect-hardware-capabilities is true, it isautomatically 
calculated(in case of Windows and Linux).
In other cases, the default is 8192MB.
</description>
<name>yarn.nodemanager.resource.memory-mb</name>
<value>4096</value>
</property>
<!-- nodemanager 的 CPU 核数,不按照硬件环境自动设定时默认是 8 个,修改为 4 个 -->
<property>
<description>Number of vcores that can be allocated
for containers. This is used by the RM scheduler when allocating
resources for containers. This is not used to limit the number of
CPUs used by YARN containers. If it is set to -1 and
yarn.nodemanager.resource.detect-hardware-capabilities is true, it is
automatically determined from the hardware in case of Windows and Linux.
In other cases, number of vcores is 8 by default.</description>
<name>yarn.nodemanager.resource.cpu-vcores</name>
<value>4</value>
</property>
<!-- 容器最小内存,默认 1G -->
<property>
<description>The minimum allocation for every container request at theRM in MBs. Memory requests 
lower than this will be set to the value of 
this property. Additionally, a node manager that is configured to have 
less memory than this value will be shut down by the resource manager.
</description>
<name>yarn.scheduler.minimum-allocation-mb</name>
<value>1024</value>
</property>
<!-- 容器最大内存,默认 8G,修改为 2G -->
<property>
<description>The maximum allocation for every container request at the 
RM in MBs. Memory requests higher than this will throw an
InvalidResourceRequestException.
</description>
<name>yarn.scheduler.maximum-allocation-mb</name>
<value>2048</value>
</property>
<!-- 容器最小 CPU 核数,默认 1 个 -->
<property>
<description>The minimum allocation for every container request at the RM in terms of virtual CPU cores. 
Requests lower than this will be set to the value of this property. Additionally, a node manager that is
 configured to have fewer virtual cores than this value will be shut down by the resource manager.
</description>
<name>yarn.scheduler.minimum-allocation-vcores</name>
<value>1</value>
</property>
<!-- 容器最大 CPU 核数,默认 4 个,修改为 2 个 -->
<property>
<description>The maximum allocation for every container request at the 
RM in terms of virtual CPU cores. Requests higher than this will throw an
InvalidResourceRequestException.</description>
<name>yarn.scheduler.maximum-allocation-vcores</name>
<value>2</value>
</property>
<!-- 虚拟内存检查,默认打开,修改为关闭 -->
<property>
<description>Whether virtual memory limits will be enforced for
containers.</description>
<name>yarn.nodemanager.vmem-check-enabled</name>
<value>false</value>
</property>
<!-- 虚拟内存和物理内存设置比例,默认 2.1 -->
<property>
<description>Ratio between virtual memory to physical memory when
setting memory limits for containers. Container allocations are
expressed in terms of physical memory, and virtual memory usage is 
allowed to exceed this allocation by this ratio.
</description>
<name>yarn.nodemanager.vmem-pmem-ratio</name>
<value>2.1</value>
</property>
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
  • 26
  • 27
  • 28
  • 29
  • 30
  • 31
  • 32
  • 33
  • 34
  • 35
  • 36
  • 37
  • 38
  • 39
  • 40
  • 41
  • 42
  • 43
  • 44
  • 45
  • 46
  • 47
  • 48
  • 49
  • 50
  • 51
  • 52
  • 53
  • 54
  • 55
  • 56
  • 57
  • 58
  • 59
  • 60
  • 61
  • 62
  • 63
  • 64
  • 65
  • 66
  • 67
  • 68
  • 69
  • 70
  • 71
  • 72
  • 73
  • 74
  • 75
  • 76
  • 77
  • 78
  • 79
  • 80
  • 81
  • 82
  • 83
  • 84
  • 85
  • 86
  • 87
  • 88
  • 89
  • 90
  • 91
  • 92
  • 93
  • 94
  • 95
  • 96
  • 97
  • 98
  • 99
  • 100
  • 101
  • 102
  • 103
  • 104
  • 105
  • 106
  • 107
  • 108
  • 109
  • 110
  • 111
  • 112
  • 113
  • 114
  • 115
  • 116
  • 117
  • 118
  • 119
  • 120

4、 分发配置
注意:如果集群的硬件资源不一致,要每个 NodeManager 单独配置

5、重启集群

sbin/stop-yarn.sh
sbin/start-yarn.sh
  • 1
  • 2

集群修改Yarn-site.xml配置对比
在这里插入图片描述

6、执行 WordCount 程序

 hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-3.1.3.jar wordcount /input /output2
  • 1

7、观察 Yarn 任务执行页面:http://hadoop105:8088/cluster/apps

在执行WordCount时,集群调度器的运行资源使用率:
在这里插入图片描述

2.2 容量调度器多队列提交案例

  1. 在生产环境怎么创建队列?
    1. 调度器默认就 1 个 default 队列,不能满足生产要求。
    2. 按照框架:hive / spark/ flink 每个框架的任务放入指定的队列(企业用的不是特别多)
    3. 按照业务模块:登录注册、购物车、下单、业务部门 1、业务部门2 这个用的比较多
  2. 创建多队列的好处?
    1. 因为担心员工不小心,写递归死循环代码,把所有资源全部耗尽。
    2. 实现任务的 降级 使用,特殊时期保证重要的任务队列资源充足。;例如在11.11和 6.18
      业务部门 1(重要)=》业务部门 2(比较重要)=》下单(一般)=》购物车(一般)=》登录注册(次要)
2.2.1 需求

需求 1:default 队列占总内存的 40%,最大资源容量占总资源 60%,hive 队列占总内存的 60%,最大资源容量占总资源 80%。
需求 2:配置队列优先级

2.2.2 配置多队列的容量调度器

1)在 capacity-scheduler.xml 中配置如下:
(1)修改如下配置(凡是修改新队列的属性,都是添加相对应的配置,因为文件中只有default队列的属性)

<!-- 指定多队列,增加 hive 队列 -->
<property>
 <name>yarn.scheduler.capacity.root.queues</name>
 <value>default,hive</value>
 <description>
 The queues at the this level (root is the root queue).
 </description>
</property>
<!-- 降低 default 队列资源额定容量为 40%,默认 100% -->
<property>
 <name>yarn.scheduler.capacity.root.default.capacity</name>
 <value>40</value>
</property>
<!-- 降低 default 队列资源最大容量为 60%,默认 100% -->
<property>
 <name>yarn.scheduler.capacity.root.default.maximum-capacity</name>
 <value>60</value>
</property>
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18

(2)为新加队列添加必要属性

<!-- 指定 hive 队列的资源额定容量 -->
<property>
 <name>yarn.scheduler.capacity.root.hive.capacity</name>
 <value>60</value>
</property>
<!-- 用户最多可以使用队列多少资源,1 表示全部 -->
<property>
 <name>yarn.scheduler.capacity.root.hive.user-limit-factor</name>
 <value>1</value>
</property>
<!-- 指定 hive 队列的资源最大容量 -->
<property>
 <name>yarn.scheduler.capacity.root.hive.maximum-capacity</name>
 <value>80</value>
</property>
<!-- 启动 hive 队列 -->
<property>
 <name>yarn.scheduler.capacity.root.hive.state</name>
 <value>RUNNING</value>
</property>
<!-- 哪些用户有权向队列提交作业 -->
<property>
 <name>yarn.scheduler.capacity.root.hive.acl_submit_applications</name>
 <value>*</value>
</property>
<!-- 哪些用户有权操作队列,管理员权限(查看/杀死) -->
<property>
 <name>yarn.scheduler.capacity.root.hive.acl_administer_queue</name>
 <value>*</value>
</property>
<!-- 哪些用户有权配置提交任务优先级 -->
<property>
 
<name>yarn.scheduler.capacity.root.hive.acl_application_max_priority</name>
 <value>*</value>
</property>
<!-- 任务的超时时间设置:yarn application -appId appId -updateLifetime Timeout
参考资料: https://blog.cloudera.com/enforcing-application-lifetime-slasyarn/ --> <!-- 如果 application 指定了超时时间,则提交到该队列的 application 能够指定的最大超时
时间不能超过该值。
-->
<property>
 <name>yarn.scheduler.capacity.root.hive.maximum-application-lifetime</name>
 <value>-1</value>
</property>
<!-- 如果 application 没指定超时时间,则用 default-application-lifetime 作为默认值 -->
<property>
 <name>yarn.scheduler.capacity.root.hive.default-application-lifetime</name>
 <value>-1</value>
</property>
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
  • 26
  • 27
  • 28
  • 29
  • 30
  • 31
  • 32
  • 33
  • 34
  • 35
  • 36
  • 37
  • 38
  • 39
  • 40
  • 41
  • 42
  • 43
  • 44
  • 45
  • 46
  • 47
  • 48
  • 49

2)分发配置文件

3)重启 Yarn 或者执行 yarn rmadmin -refreshQueues 刷新队列,就可以看到两条队列:yarn rmadmin -refreshQueues
在这里插入图片描述

2.2.3 向 Hive 队列提交任务
  1. hadoop jar 的方式
 hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-3.1.3.jar wordcount -D mapreduce.job.queuename=hive /input /output
  • 1

注: -D 表示运行时改变参数值

  1. 打 jar 包的方式
    默认的任务提交都是提交到 default 队列的。如果希望向其他队列提交任务,需要在Driver 中声明:
public class WcDrvier {
 public static void main(String[] args) throws IOException, 
ClassNotFoundException, InterruptedException {
 Configuration conf = new Configuration();
 conf.set("mapreduce.job.queuename","hive");
 //1. 获取一个 Job 实例
 Job job = Job.getInstance(conf);
 。。。 。。。
 //6. 提交 Job
 boolean b = job.waitForCompletion(true);
 System.exit(b ? 0 : 1);
 } }
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12

这样,这个任务在集群提交时,就会提交到 hive 队列:
在这里插入图片描述

2.2.4 任务优先级

   容量调度器,支持任务优先级的配置,在资源紧张时,优先级高的任务将优先获取资源。默认情况,Yarn 将所有任务的优先级限制为 0,若想使用任务的优先级功能,须开放该限制。

  1. 修改 yarn-site.xml 文件,增加以下参数

    <!-- 如果设置为5,则优先级从0开始到5,5为最高的优先级 -->
    <property>
     <name>yarn.cluster.max-application-priority</name>
     <value>5</value>
    </property>
    
    • 1
    • 2
    • 3
    • 4
    • 5
  2. 分发配置,并重启 Yarn

     xsync yarn-site.xml
     sbin/stop-yarn.sh
     hadoop-3.1.3]$ sbin/start-yarn.sh
    
    • 1
    • 2
    • 3
  3. 模拟资源紧张环境,可连续提交以下任务,直到新提交的任务申请不到资源为止。

    hadoop jar /opt/module/hadoop-3.1.3/share/hadoop/mapreduce/hadoop-mapreduce-examples-3.1.3.jar pi 5 2000000
    
    • 1
  4. 再次重新提交优先级高的任务

    hadoop jar /opt/module/hadoop/hadoop-3.1.3/share/hadoop/mapreduce/hadoop-mapreduce-examples-3.1.3.jar pi -D mapreduce.job.priority=5 5 2000000
    
    • 1
  5. 也可以通过以下命令修改正在执行的任务的优先级。
    语法:

    yarn application -appID <ApplicationID> -updatePriority 优先级
    
    • 1

    实操:

     yarn application -appID application_1611133087930_0009 -updatePriority 5
    
    • 1

2.3 公平调度器案例

2.3.1 需求

   创建两个队列,分别是 test 和 atguigu(以用户所属组命名)。期望实现以下效果:若用户提交任务时指定队列,则任务提交到指定队列运行;若未指定队列,test 用户提交的任务到 root.group.test 队列运行,zjw提交的任务到 root.group.zjw队列运行(注:group 为用户所属组)

   公平调度器的配置涉及到两个文件,一个是 yarn-site.xml,另一个是公平调度器队列分配文件 fair-scheduler.xml(文件名可自定义)。

2.3.2 配置多队列的公平调度器
  1. 修改 yarn-site.xml 文件,加入以下参数

    <property>
     <name>yarn.resourcemanager.scheduler.class</name>
     
    <value>org.apache.hadoop.yarn.server.resourcemanager.scheduler.fair.FairS
    cheduler</value>
     <description>配置使用公平调度器</description>
    </property>
    <property>
     <name>yarn.scheduler.fair.allocation.file</name>
     <value>/opt/module/hadoop/hadoop-3.1.3/etc/hadoop/fair-scheduler.xml</value>
     <description>指明公平调度器队列分配配置文件</description>
    </property>
    <property>
     <name>yarn.scheduler.fair.preemption</name>
     <value>false</value>
     <description>禁止队列间资源抢占</description>
    </property>
    
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14
    • 15
    • 16
    • 17
  2. 配置 fair-scheduler.xml

     ```xml
     <?xml version="1.0"?>
     <allocations>
      <!-- 单个队列中 Application Master 占用资源的最大比例,取值 0-1 ,企业一般配置 0.1 
     -->
      <queueMaxAMShareDefault>0.5</queueMaxAMShareDefault>
      <!-- 单个队列最大资源的默认值 test atguigu default -->
      <queueMaxResourcesDefault>4096mb,4vcores</queueMaxResourcesDefault>
      <!-- 增加一个队列 test -->
      <queue name="test">
      <!-- 队列最小资源 -->
      <minResources>2048mb,2vcores</minResources>
      <!-- 队列最大资源 -->
      <maxResources>4096mb,4vcores</maxResources>
      <!-- 队列中最多同时运行的应用数,默认 50,根据线程数配置 -->
      <maxRunningApps>4</maxRunningApps>
      <!-- 队列中 Application Master 占用资源的最大比例 -->
      <maxAMShare>0.5</maxAMShare>
      <weight>1.0</weight>
      <!-- 队列内部的资源分配策略 -->
      <schedulingPolicy>fair</schedulingPolicy>
      </queue>
      <!-- 增加一个队列 zjw-->
      <queue name="zjw" type="parent">
      <!-- 队列最小资源 -->
      <minResources>2048mb,2vcores</minResources>
      <!-- 队列最大资源 -->
      <maxResources>4096mb,4vcores</maxResources>
      <!-- 队列中最多同时运行的应用数,默认 50,根据线程数配置 -->
      <maxRunningApps>4</maxRunningApps>
      <!-- 队列中 Application Master 占用资源的最大比例 -->
      <maxAMShare>0.5</maxAMShare>
      <!-- 该队列资源权重,默认值为 1.0 -->
      <weight>1.0</weight>
      <!-- 队列内部的资源分配策略 -->
      <schedulingPolicy>fair</schedulingPolicy>
      </queue>
      <!-- 任务队列分配策略,可配置多层规则,从第一个规则开始匹配,直到匹配成功 -->
      <queuePlacementPolicy>
      <!-- 提交任务时指定队列,如未指定提交队列,则继续匹配下一个规则; false 表示:如果指
     定队列不存在,不允许自动创建-->
      <rule name="specified" create="false"/>
      <!-- 提交到 root.group.username 队列,若 root.group 不存在,不允许自动创建;若
     root.group.user 不存在,允许自动创建 -->
      <rule name="nestedUserQueue" create="true">
      <rule name="primaryGroup" create="false"/>
      </rule>
      <!-- 最后一个规则必须为 reject 或者 default。Reject 表示拒绝创建提交失败,
     default 表示把任务提交到 default 队列 -->
      <rule name="reject" />
      </queuePlacementPolicy>
     </allocations>
      <!-- 该队列资源权重,默认值为 1.0 -->
    
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14
    • 15
    • 16
    • 17
    • 18
    • 19
    • 20
    • 21
    • 22
    • 23
    • 24
    • 25
    • 26
    • 27
    • 28
    • 29
    • 30
    • 31
    • 32
    • 33
    • 34
    • 35
    • 36
    • 37
    • 38
    • 39
    • 40
    • 41
    • 42
    • 43
    • 44
    • 45
    • 46
    • 47
    • 48
    • 49
    • 50
    • 51
    • 52
    • 53
    • 分发配置并重启 Yarn

     xsync yarn-site.xml
     xsync fair-scheduler.xml
     sbin/stop-yarn.sh
     sbin/start-yarn.sh
    
    • 1
    • 2
    • 3
    • 4
    2.3.3 测试提交任务
    1. 提交任务时指定队列,按照配置规则,任务会到指定的 root.test 队列

      hadoop jar /opt/module/hadoop/hadoop-3.1.3/share/hadoop/mapreduce/hadoop-mapreduce-examples-3.1.3.jar pi -Dmapreduce.job.queuename=root.test 1 1
      
      • 1

      在这里插入图片描述

    2. 提交任务时不指定队列,按照配置规则,任务会到 root.zjw.zjw队列

      hadoop jar /opt/module/hadoop/hadoop-3.1.3/share/hadoop/mapreduce/hadoop-mapreduce-examples-3.1.3.jar pi 1 1
      
      • 1

      在这里插入图片描述

      在这里插入图片描述

    3. 提交任务时不指定队列,按照配置规则,任务会到 root.zjw.zjw队列

      hadoop jar /opt/module/hadoop/hadoop-3.1.3/share/hadoop/mapreduce/hadoop-mapreduce-examples-3.1.3.jar pi 1 1
      
      • 1

      在这里插入图片描述
      注:以上操作全部做完过后,快照回去或者手动将配置文件修改成之前的状态,因为本身资源就不够,分成了这么多,不方便以后测试。

    声明:本文内容由网友自发贡献,不代表【wpsshop博客】立场,版权归原作者所有,本站不承担相应法律责任。如您发现有侵权的内容,请联系我们。转载请注明出处:https://www.wpsshop.cn/w/酷酷是懒虫/article/detail/772326
    推荐阅读
    相关标签
      

    闽ICP备14008679号