十、Yarn案例实操

发表于2021-04-02更新于2022-06-05字数统计4.7k阅读时长43分

该篇基于上一篇的Yarn理论进行实际操作。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。

文章目录

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数据，每个分片默认大小为128M，1G数据分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：

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
121
122
123
124
125
126
127
128
129
130
131
<!--  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  = 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 ashyperthreads) 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-vcores
	is 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 is
	automatically 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 the
RM  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>

关闭虚拟内存检查原因

在CentOS7.5中
在这里插入图片描述
（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

（6）执行 WordCount 程序

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

（7）观察任务页面：http://wxler2:8088

在这里插入图片描述

2. 容量调度器多队列提交案例

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 （企业用的多）

创建多队列的好处？

  • 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。
  • 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。11.11、 6.18 等购物节
    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）

2.1 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 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

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
<!--  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>

② 为新加队列添加必要属性：

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
<!--  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比例，1 表示用户可以占用队列所有资源  -->
<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-applicationlifetime</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，-1代表无限长  -->
<property>
	<name>yarn.scheduler.capacity.root.hive.default-applicationlifetime</name>
	<value>-1</value>
</property>

（2）分发配置文件

1
xsync capacity-scheduler.xml

（3）重启 Yarn 或者执行 yarn rmadmin -refreshQueues 刷新队列，就可以看到两条队列：

1
[wxler@wxler1 hadoop]$ yarn rmadmin -refreshQueues

在这里插入图片描述

2.3 向 Hive 队列提交任务

（1）hadoop jar 的方式

1
hadoop  jar share/hadoop/mapreduce/hadoop-mapreduce-examples-3.1.3.jar  wordcount  -D mapreduce.job.queuename=hive /input /output

注: -D 表示运行时改变参数值

在这里插入图片描述

（2）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：

1
2
3
4
5
6
7
8
9
10
11
12
13
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);
	}
}

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

1
2
3
4
<property>
	<name>yarn.cluster.max-application-priority</name>
	<value>5</value>
</property>

（2）分发配置

1
xsync yarn-site.xml

（3）重启 Yarn

1
2
3
4
5
6
7
8
9
10
[wxler@wxler2 ~]$ cd ${HADOOP_HOME}
[wxler@wxler2 hadoop-3.1.3]$ ls
bin   etc      lib      LICENSE.txt  NOTICE.txt  sbin   wcinput
data  include  libexec  logs         README.txt  share  wcoutput
[wxler@wxler2 hadoop-3.1.3]$ sbin/stop-yarn.sh
Stopping nodemanagers
Stopping resourcemanager
[wxler@wxler2 hadoop-3.1.3]$ sbin/start-yarn.sh
Starting resourcemanager
Starting nodemanagers

（4）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。

1
hadoop jar /opt/module/hadoop-3.1.3/share/hadoop/mapreduce/hadoop-mapreduce-examples-3.1.3.jar pi 5 2000000

在这里插入图片描述

（5）再次重新提交优先级高的任务

1
hadoop jar /opt/module/hadoop-3.1.3/share/hadoop/mapreduce/hadoop-mapreduce-examples-3.1.3.jar pi -D mapreduce.job.priority=5 5 2000000

在这里插入图片描述
（6）也可以通过以下命令修改正在执行的任务的优先级

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

例如

1
yarn application -appID application_1611133087930_0009 -updatePriority 5

3. 公平调度器案例

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， atguigu 提交的任务到 root.group.atguigu 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）。

（1）配置文件参考资料：
https://hadoop.apache.org/docs/r3.1.3/hadoop-yarn/hadoop-yarn-site/FairScheduler.html

（2）任务队列放置规则参考资料：
https://blog.cloudera.com/untangling-apache-hadoop-yarn-part-4-fair-scheduler-queuebasics/

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

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
<property>
	<name>yarn.resourcemanager.scheduler.class</name>
	<value>org.apache.hadoop.yarn.server.resourcemanager.scheduler.fair.FairScheduler</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-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>

（2）配置 fair-scheduler.xml

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
<?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>
        <!--  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>
    <!--  增加一个队列 wxler -->
    <queue name="wxler" 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>

（3）分发配置并重启 Yarn

1
2
3
4
[wxler@wxler1 hadoop]$ xsync yarn-site.xml 
[wxler@wxler1 hadoop]$ xsync fair-scheduler.xml 
[wxler@wxler2 hadoop-3.1.3]$ sbin/stop-yarn.sh
[wxler@wxler2 hadoop-3.1.3]$ sbin/start-yarn.sh

3.3 测试提交到任务

（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

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

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

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

4. Yarn 的 Tool 接口案例

回顾

执行下面代码，可以正常执行

1
hadoop jar wc.jar com.layne.mapreduce.wordcount2.WordCountDriver /input /output1

期望可以动态传参，结果报错，误认为是第一个输入参数。

1
hadoop jar wc.jar com.layne.mapreduce.wordcount2.WordCountDriver -Dmapreduce.job.queuename=root.test /input /output1

（1）需求：自己写的程序也可以动态修改参数。编写 Yarn 的 Tool 接口。

（2）添加依赖

1
2
3
4
5
6
7
<dependencies>
    <dependency>
        <groupId>org.apache.hadoop</groupId>
        <artifactId>hadoop-client</artifactId>
        <version>3.1.3</version>
    </dependency>
</dependencies>

（3）新建 com.layne.yarn 包名
（4）创建类 WordCount 并实现 Tool 接口

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
package com.layne.yarn;


import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.Reducer;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.hadoop.util.Tool;

import java.io.IOException;

public class WordCount implements Tool {

    private Configuration conf;

    // 核心驱动（conf 需要传入）
    @Override
    public int run(String[] args) throws Exception {

        Job job = Job.getInstance(conf); //不要new

        job.setJarByClass(WordCountDriver.class);

        job.setMapperClass(WordCountMapper.class);
        job.setReducerClass(WordCountReducer.class);

        job.setMapOutputKeyClass(Text.class);
        job.setMapOutputValueClass(IntWritable.class);

        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(IntWritable.class);

        FileInputFormat.setInputPaths(job, new Path(args[0]));
        FileOutputFormat.setOutputPath(job, new Path(args[1]));

        return job.waitForCompletion(true) ? 0 : 1;
    }

    @Override
    public void setConf(Configuration conf) {
        this.conf = conf;
    }

    @Override
    public Configuration getConf() {

        return conf;
    }

    // mapper
    public static class WordCountMapper extends Mapper<LongWritable, Text, Text, IntWritable> {

        private Text outK = new Text();
        private IntWritable outV = new IntWritable(1);

        @Override
        protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
            // ss  cls
            // 1 获取一行
            String line = value.toString();

            // 2 切割
            String[] words = line.split(" ");

            // 3 循环遍历写出
            for (String word : words) {
                outK.set(word);

                context.write(outK, outV);
            }

        }
    }

    // reducer
    public static class WordCountReducer extends Reducer<Text, IntWritable, Text, IntWritable> {

        private IntWritable outV = new IntWritable();

        @Override
        protected void reduce(Text key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException {

            int sum = 0;
            for (IntWritable value : values) {
                sum += value.get();
            }

            outV.set(sum);

            context.write(key, outV);
        }
    }
}

（5）新建 WordCountDriver

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
package com.layne.yarn;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.util.Tool;
import org.apache.hadoop.util.ToolRunner;

import java.util.Arrays;

public class WordCountDriver {

    private static Tool tool;

    public static void main(String[] args) throws Exception {

        // 创建配置
        Configuration conf = new Configuration();

        switch (args[0]){
            case "wordcount":
                tool = new WordCount();
                break;
            default:
                throw new RuntimeException("no such tool "+ args[0]);
        }

        // 执行程序,Arrays.copyOfRange(args, 1, args.length)只剩下输入和输出路径
        int run = ToolRunner.run(conf, tool, Arrays.copyOfRange(args, 1, args.length));

        System.exit(run);
    }
}

（6）打包jar传到集群中

（7）测试1
执行下面代码没有报错

1
yarn jar YarnDemo.jar com.layne.yarn.WordCountDriver wordcount /input /output333

（8）测试2
执行下面代码也OK，并且在test队列上运行

1
yarn jar YarnDemo.jar com.layne.yarn.WordCountDriver wordcount -Dmapreduce.job.queuename=root.test /input /output444

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。