Hadoop有两个大版本

0.20.x,1.x通常为hadoop 1版本，运行环境依赖JobTracker和TaskTracker，运行资源通过作业表示模型MapTask和ReduceTask来组成；运行资源通过槽位Slot来表示。

0.23.x,2.x称之为hadoop 2版本，在开发模型上类似1，都有新旧两套MapReduce API来完成;针对JobTracker的职责有YARN来管理；包括

a:资源管理 ResourceManager ，以及NodeManager

b:作业调度 ApplicationManager,跟RM协商获取应用所需资源，与NM合作完成执行和监控TASK的任务。

针对资源的管理在这里不做过多分析，重点分析作业调度，这个是Hadoop的核心中枢。

Hadoop1代中的调度器

TaskScheduler,JobTracker,TaskTracker

这里需要关注：JobTracker和TaskTracker直接的交换机制通过heartbeat

heartbeat

TaskTracker周期性（默认为3s）调用RPC向JobTracker汇报信息，形成heartbeat

汇报信息包括TaskTracker状态信息、Task运状况等.

同事关注资源的划分单位：Slot
分为map slot和reduce slot两种
由参数mapred.tasktracker.[map|reduce].tasks.maximum设置

 调度器的作业流程：

1：首先client通过submitJob提交作业未JobTracker

2：JobTracker通知TaskScheduler，有新的Job提交作业了

3：TaskScheduler开始初始化作业

4：JobTracker跟TaskTracker通过heartbeat获取具体的TaskTracker的资源情况，获取TaskTrackerStatus.

当然如果一个TaskTracker空闲时，也主动申请JobTracker分配任务；

5：JobTracker根据自己对资源的管理情况，请求TaskScheduler分配作业，TaskScheduler根据对应的资源情况和任务数，分配作业列表

6：JobTracker收到分配的作业列表，再通过HeartBeat将任务下发给具体的TaskTracker.

7：TaskTracker执行作业。

Hadoop的作业包括三个层次：

a:JobInProgress

b:TaskInProgress

c:TaskAttempt

Hadoop的调度包括三级调度

空闲的slot依次选择一个队列、作业和任务。

Queue:用户被划分到某个队列，每个队列分配一定的资源

Job：具体的一个Map/Reduce Job,关注提交时间和优先级

Task：通常具体的一个MapTask,ReduceTask,只在本地执行。

Hadoop已有的调度器

FIFO 批处理调度器 按到达时间排序，先来先服务
Capacity Scheduler 多用户调度器 根据用户分配不同的队列，在每个队列里面根据FIFO来处理
Fair Scheduler 多用户调度器 按照缺额排序，缺额大者优先，保证各个队列直接的负载均衡。

基于最小资源量(min share)与公平共享量(fair share)进行调度，作业优先级越高，分配到的资源越多

自己定制调度器

 步骤1 编写JobInProgressListener
步骤2 编写调度器类，继承抽象类TaskScheduler
步骤3 配置并启用Hadoop调度器

abstract class JobInProgressListener {
   public abstract void jobAdded(JobInProgress job) throws IOException;  //添加Job
   public abstract void jobRemoved(JobInProgress job); //删除Job
   public abstract void jobUpdated(JobChangeEvent event); //响应JobUpdate
}

实现JobInProgressListener

class CustomerJobListener extends JobInProgressListener {
private List<JobInProgress> jobQueue = new ArrayList<JobInProgress>();

public void jobAdded(JobInProgress job) {
   synchronized (jobQueue) {
     jobQueue.add(job);
     tt.initJob(job);
     sortJobs();
   }
}

public void jobRemoved(JobInProgress job) {
  synchronized (jobQueue) {
    jobQueue.remove(job);
  }
}

}

实现调度器

TaskScheduler的抽象方法

public abstract List<Task> assignTasks(TaskTrackerStatus taskTracker) throws IOException;

实现TaskScheduler

public class CustomerScheduler extends TaskScheduler {
private CustomerJobListener customerJobListener;

public void start() {
    this.customerJobListener = new CustomerJobListener();
    this.customerJobListener.setTaskTrackerManager(taskTrackerManager );
    taskTrackerManager.addJobInProgressListener(customerJobListener);
}

public synchronized List<Task> assignTasks(TaskTrackerStatus tracker) throws IOException {
    if(customerJobListener.getJobs().size() > 0)
        JobInProgress job = customerJobListener.getJobs().get(0);
    return job.obtainNewMapTask(…);
}

}

配置TaskScheduler

（1）在mapred-site.xml中配置
<property>
<name>mapred.jobtracker.taskScheduler</name>
<value>org.apache.hadoop.mapred.CustomerScheduler</value>
</property>
（2）重新启动mapreduce或者jobtracker
bin/start-mapred.sh
bin/hadoop-daemon.sh start jobtracker