最近在定位Yarn的crash问题时，顺便把spark怎么使用yarn的好好的梳理了一遍。不过我先了解一下Yarn和怎么提交yarn的job的。
首先我们先看看Yarn的架构：
图1 Yarn分布式架构
ResourceManager
a)一个纯粹的调度器
b)根据应用程序的资源请求严格限制系统的可用资源
c)在保证容量、公平性及服务等级的情况下，优化集群资源利用率，让所有资源都得到充分的利用
d)由可插拔的调度器来应用不同的调度算法，如注重容量调度还是注意公平调度
ApplicationManager
a)负责与ResourceManager协商资源，并和NodeManager协同工作来执行和监控Container以及他们的资源消耗
b)有责任与ResourceManager协商并获取合适的资源Container，跟踪他们的状态，以及监控其进展
c)在真实环境中，每一个应用都有自己的ApplicationMaster的实例，但是也可为一组提供一个ApplicationMaster，比如Pig或者Hive的ApplicationMaster
一、Yarn
Client编写
1.创建Yarn客户端
YarnClient yarnClient =
YarnClient.createYarnClien。t();
yarnClient.init(conf);
yarnClient.start();
2.创建Yarn应用
YarnClientApplication app =yarnClient.createApplication();
3.设置Applicaton的名字，内存和cpu需求以及优先级和Queue信息，YARN将根据这些信息来调度AppMaster
app.getApplicationSubmissionContext().setApplicationName("jenkins.ApplicationMaster");
app.getApplicationSubmissionContext().setResource(Resource.newInstance(100,1));
app.getApplicationSubmissionContext().setPriority(Priority.newInstance(0));
app.getApplicationSubmissionContext().setQueue("default");
4.设置ContainerLaunchContext,这一步，amContainer中包含了App Master执行需要的资源文件，环境变量和启动命令，这里将资源文件上传到了HDFS，这样在NODE Manager就可以通过HDFS取得这些文件
app.getApplicationSubmissionContext().setAMContainerSpec(amContainer);
5.提交应用
ApplicationId appId =yarnClient.submitApplication(app.getApplicationSubmissionContext());
二、YARN ApplicationMaster编写
ApplicationMaster编写的编写比较复杂，其需要通Resource Manager和Node Manager交互，
通过ResourceManager：申请Container，并接收Resource Manager的一些消息，如可用的Container，结束的Container等。
通过NodeManage:启动Container，并接收Node Manage的一些消息，如Container的状态变化以及Node状态变化。
1.创建一个AMRMClientAsync对象，这个对象负责与Resource
Manager交互
amRMClient= AMRMClientAsync.createAMRMClientAsync( 1000, new RMCallbackHandler());
这里的RMCallbackHandler是我们编写的继承自AMRMClientAsync.CallbackHandler的一个类，其功能是处理由Resource
Manager收到的消息,
其需要实现的方法由如下
publicvoid onContainersCompleted(List statuses);
publicvoid onContainersAllocated(List containers) ;
publicvoid onShutdownRequest() ;
publicvoid onNodesUpdated(List updatedNodes) ;
publicvoid onError(Throwable e) ;
这里不考虑异常的情况下，只写onContainersAllocated，onContainersCompleted这两个既可以，一个是当有新的Container可以使用，一个是Container运行结束。
在onContainersAllocated我们需要编写启动container的代码，amNMClient.startContainerAsync(container, ctx);这里的ctx同Yarn Client中第4步中的amContainer是同一个类型，即这个container执行的一些资源，环境变量与命令等，因为这是在回调函数中，为了保证时效性，这个操作最好放在线程池中异步操作。
在onContainersCompleted中，如果是失败的Container，我们需要重新申请并启动Container，（这一点有可能是YARN的Fair Schedule中会强制退出某些Container以释放资源）成功的将做记录既可以。
2.创建一个NMClientAsyncImpl对象，这个对象负责与Node
Manager交互
amNMClient= new NMClientAsyncImpl(new NMCallbackHandler());
这里NMCallbackHandler使我们需要编写的继承自NMClientAsync.CallbackHandler的对象，其功能是处理由Node
Manager收到的消息
publicvoid onContainerStarted(ContainerId containerId,MapallServiceResponse);
publicvoid onContainerStatusReceived(ContainerId containerId,ContainerStatus containerStatus);
publicvoid onContainerStopped(ContainerId containerId) ;
publicvoid onStartContainerError(ContainerId containerId, Throwable t);
publicvoid onGetContainerStatusError(ContainerId containerId,Throwable t) ;
publicvoid onStopContainerError(ContainerId containerId, Throwable t);
这里简单的不考虑异常的情况下，这些函数可以写一个空函数体，忽略掉处理
3.将ApplicationMaster注册到Resource
Manager上
RegisterApplicationMasterResponseresponse = amRMClient.registerApplicationMaster(NetUtils.getHostname(), -1,"");
这个函数将自己注册到RM上，这里没有提供RPC
port和TrackURL.
4. ApplicationMaster向Resource
Manager申请Container
ContainerRequestcontainerAsk = new ContainerRequest(
//100*10M + 1vcpu
Resource.newInstance(100, 1), null, null,
Priority.newInstance(0));
amRMClient.addContainerRequest(containerAsk);
这里一个containerAsk表示申请一个Container，这里的对nodes和rasks设置为NULL，猜测MapReduce应该由参数来尝试申请靠近HDFS
block的container的
5.申请到Container后，回调AMRMClientAsync.CallbackHandler的onContainersAllocated就会响应，然后通过amNMClient在Container运行计算任务：
Listcommands = new LinkedList();
commands.add("sleep" + sleepSeconds.addAndGet(1));
ContainerLaunchContextctx = ContainerLaunchContext.newInstance(null, null, commands, null, null,null);
amNMClient.startContainerAsync(container,ctx);
6.等待Container执行完毕，清理退出
我的代码如下，循环等待container执行完毕，并上报执行结果
voidwaitComplete() throws YarnException, IOException{
while(numTotalContainers.get() !=numCompletedConatiners.get()){
try{
Thread.sleep(1000);
LOG.info("waitComplete"+
", numTotalContainers=" +numTotalContainers.get() +
", numCompletedConatiners=" +numCompletedConatiners.get());
} catch (InterruptedException ex){}
}
exeService.shutdown()；
amNMClient.stop();
amRMClient.unregisterApplicationMaster(FinalApplicationStatus.SUCCEEDED,"dummy Message", null)；
amRMClient.stop();
}
三、YARN Container Application
真正处理数据的是由ApplicationMaster由amNMClient.startContainerAsync(container, ctx)提交的Containerapplication,然后这这个应用并不需要特殊编写，任何程序通过提交相应的运行信息都可以在这些Node中的某个Container中执行，所以这个程序可以是一个复杂的MapReduce Task或者是一个简单的脚本。
总结：
YARN提供了对cluster资源管理和作业调度的功能。
编写一个应用运行在YARN之上，比较复杂的是ApplicationMaster的编写，其需要维护container的状态并能共做一些错误恢复，重启应用的操作。比较简答的是Client的编写，只需要提交必须的信息既可以，不需要维护状态。真正运行处理数据的是Container Application，这个程序可以不需要针对YARN做代码编写
四、Spark Yarn Client模式
Spark Yarn有两种模式，一直是client模式，一种是cluster模式，今天我们先说说client模式，以下是Spark YarnClient的交互图。
