在流计算越来越受到重视的大趋势下，Flink框架受到的关注和重视，可以说是与日俱增，在大数据的学习当中，Flink也成为重要的一块。今天的大数据开发分享，我们主要来讲讲，Flink on Yarn原理。
Yarn架构原理
Yarn模式在国内使用比较广泛，基本上大多数公司在生产环境中都使用过Yarn模式。
Yarn的架构原理如下图所示，最重要的角色是ResourceManager，主要用来负责整个资源的管理，Client端是负责向ResourceManager提交任务。
用户在Client端提交任务后会先给到Resource Manager。Resource Manager会启动Container，接着进一步启动Application Master，即对Master节点的启动。当Master节点启动之后，会向Resource Manager再重新申请资源，当Resource Manager将资源分配给Application Master之后，Application Master再将具体的Task调度起来去执行。
Yarn组件
Yarn集群中的组件包括：
ResourceManager(RM)：ResourceManager(RM)负责处理客户端请求、启动/监控ApplicationMaster、监控NodeManager、资源的分配与调度，包含Scheduler和Applications Manager。
ApplicationMaster(AM)：ApplicationMaster(AM)运行在Slave上，负责数据切分、申请资源和分配、任务监控和容错。
NodeManager(NM)：NodeManager(NM)运行在Slave上，用于单节点资源管理、AM/RM通信以及汇报状态。
Container：Container负责对资源进行抽象，包括内存、CPU、磁盘，网络等资源。
Yarn组件运行交互
以在Yarn上运行MapReduce任务为例来讲解下Yarn架构的交互原理：
首先，用户编写MapReduce代码后，通过Client端进行任务提交。
ResourceManager在接收到客户端的请求后，会分配一个Container用来启动ApplicationMaster，并通知NodeManager在这个Container下启动ApplicationMaster。
ApplicationMaster启动后，向ResourceManager发起注册请求。接着ApplicationMaster向ResourceManager申请资源。根据获取到的资源，和相关的NodeManager通信，要求其启动程序。
一个或者多个NodeManager启动Map/Reduce Task。
NodeManager不断汇报Map/Reduce Task状态和进展给ApplicationMaster。
当所有Map/Reduce Task都完成时，ApplicationMaster向ResourceManager汇报任务完成，并注销自己。
Flink on Yarn–Per Job
Flink on Yarn中的Per Job模式是指每次提交一个任务，然后任务运行完成之后资源就会被释放。在了解了Yarn的原理之后，Per Job的流程也就比较容易理解了，具体如下：
首先Client提交Yarn App，比如JobGraph或者JARs。
接下来Yarn的ResourceManager会申请第一个Container。这个Container通过Application Master启动进程，Application Master里面运行的是Flink程序，即Flink-Yarn ResourceManager和JobManager。
最后Flink-Yarn ResourceManager向Yarn ResourceManager申请资源。当分配到资源后，启动TaskManager。TaskManager启动后向Flink-Yarn ResourceManager进行注册，注册成功后JobManager就会分配具体的任务给TaskManager开始执行。
关于大数据开发，Flink on Yarn原理，以上就为大家做了简单的介绍了。大数据在快速发展当中，相关的技术框架也在持续更新迭代，作为大数据开发者，也要能够跟得上技术趋势才行。
