Hadoop2 - 介绍使用与集群搭建
目录
一、Hadoop介绍
1、介绍
Hadoop是一个由Apache基金会所开发的分布式系统基础架构，它主要解决海量数据的存储和海量数据的分析计算问题。广义上来说，Hadoop通常是指一个更广泛的概念——Hadoop生态圈
2、版本
Hadoop三大发行版本：Apache、Cloudera、Hortonworks。
Apache版本最原始（最基础）的版本，对于入门学习最好。
官网地址
https://hadoop.apache.org/下载地址https://dlcdn.apache.org/hadoop/common/
Cloudera在大型互联网企业中用的较多。
Hortonworks文档较好。
但是在2018年，两家公司已经合并，Hortonworks成为Cloudera的子公司
官网地址https://www.cloudera.com/下载地址https://www.cloudera.com/downloads.html
3、优点
高可靠性：Hadoop底层维护多个数据副本，所以即使Hadoop某个计算元素或存储出现故障，也不会导致数据的丢失。
高扩展性：在集群间分配任务数据，可方便的扩展数以千计的节点。
高效性：在MapReduce的思想下，Hadoop是并行工作的，以加快任务处理速度。
高容错性：能够自动将失败的任务重新分配。
4、组成
（1）HDFS
一个高可靠、高吞吐量的分布式文件系统
NameNode（nn）：存储文件的元数据，如文件名，文件目录结构，文件属性（生成时间、副本数、文件权限），以及每个文件的块列表和块所在的DataNode等
DataNode(dn)：在本地文件系统存储文件块数据，以及块数据的校验和。
Secondary NameNode(2nn)：用来监控HDFS状态的辅助后台程序，每隔一段时间获取HDFS元数据的快照。
（2）MapReduce
一个分布式的离线并行计算框架。MapReduce将计算过程分为两个阶段：Map和Reduce
Map阶段：并行处理输入数据
Reduce阶段：对Map结果进行汇总
（3）YARN
作业调度与集群资源管理的框架。
1）ResourceManager(rm)：处理客户端请求、启动/监控ApplicationMaster、监控NodeManager、资源分配与调度；
2）NodeManager(nm)：单个节点上的资源管理、处理来自ResourceManager的命令、处理来自ApplicationMaster的命令；
3）ApplicationMaster：数据切分、为应用程序申请资源，并分配给内部任务、任务监控与容错。
4）Container：对任务运行环境的抽象，封装了CPU、内存等多维资源以及环境变量、启动命令等任务运行相关的信息。
（4）Common
支持其他模块的工具模块。
5、生态体系
1）Sqoop：Sqoop是一款开源的工具，主要用于在Hadoop、Hive与传统的数据库(MySql)间进行数据的传递，可以将一个关系型数据库（例如 ：MySQL，Oracle 等）中的数据导进到Hadoop的HDFS中，也可以将HDFS的数据导进到关系型数据库中。
2）Flume：Flume是Cloudera提供的一个高可用的，高可靠的，分布式的海量日志采集、聚合和传输的系统，Flume支持在日志系统中定制各类数据发送方，用于收集数据；同时，Flume提供对数据进行简单处理，并写到各种数据接受方（可定制）的能力。
3）Kafka：Kafka是一种高吞吐量的分布式发布订阅消息系统，有如下特性：
（1）通过O(1)的磁盘数据结构提供消息的持久化，这种结构对于即使数以TB的消息存储也能够保持长时间的稳定性能。
（2）高吞吐量：即使是非常普通的硬件Kafka也可以支持每秒数百万的消息。
（3）支持通过Kafka服务器和消费机集群来分区消息。
（4）支持Hadoop并行数据加载。
4）Storm：Storm用于“连续计算”，对数据流做连续查询，在计算时就将结果以流的形式输出给用户。
5）Spark：Spark是当前最流行的开源大数据内存计算框架。可以基于Hadoop上存储的大数据进行计算。
6）Oozie：Oozie是一个管理Hdoop作业（job）的工作流程调度管理系统。
7）Hbase：HBase是一个分布式的、面向列的开源数据库。HBase不同于一般的关系数据库，它是一个适合于非结构化数据存储的数据库。
8）Hive：Hive是基于Hadoop的一个数据仓库工具，可以将结构化的数据文件映射为一张数据库表，并提供简单的SQL查询功能，可以将SQL语句转换为MapReduce任务进行运行。 其优点是学习成本低，可以通过类SQL语句快速实现简单的MapReduce统计，不必开发专门的MapReduce应用，十分适合数据仓库的统计分析。
10）R语言：R是用于统计分析、绘图的语言和操作环境。R是属于GNU系统的一个自由、免费、源代码开放的软件，它是一个用于统计计算和统计制图的优秀工具。
11）Mahout：Apache Mahout是个可扩展的机器学习和数据挖掘库。
12）ZooKeeper：Zookeeper是Google的Chubby一个开源的实现。它是一个针对大型分布式系统的可靠协调系统，提供的功能包括：配置维护、名字服务、 分布式同步、组服务等。ZooKeeper的目标就是封装好复杂易出错的关键服务，将简单易用的接口和性能高效、功能稳定的系统提供给用户。
二、Hadoop安装
1、虚拟机准备
（1）克隆虚拟机
（2）修改IP地址
vim /etc/sysconfig/network-scripts/ifcfg-ens33
修改以下几项：
IPADDR=192.168.1.101
GATEWAY=192.168.1.2
ONBOOT=yes
BOOTPROTO=static
DNS1=192.168.1.2
修改后，重启网卡
service network restart
下面用远程工具连接：如 finalshell
（3）关闭防火墙
查看防火墙状态
systemctl status firewalld.service
关闭防火墙
systemctl stop firewalld.service
（4）修改主机名
查看主机名
hostname
修改主机名
vim /etc/hostname
或者
hostnamectl set-hostname 主机名
第一种需要重启主机
（5）配置IP映射
vim /etc/hosts
（6）创建用户
添加用户
创建用户，用户名为hd01
adduser hd01
修改密码
设置密码为：123456 ，提示无效可以忽略
passwd hd01
设置用户具有root权限
vim sudoers
（7）创建文件夹
mkdir 文件夹名称
修改文件夹权限
chown 用户名:组名 文件夹名称
2、安装Jdk环境
查看是否已经安装Java
rpm -qa | grep java
卸载已经安装的Java
sudo rpm -e 软件包
导入Java的压缩文件包到 /opt/software 文件夹下
jdk-8u144-linux-x64.tar.gz
解压文件
tar -zxvf jdk-8u144-linux-x64.tar.gz -C /opt/module/
修改文件夹名称为jdk1.8
mv jdk1.8.0_144/ jdk1.8
配置环境变量
vim /etc/profile
在文件尾部加上
#JAVA_HOME
export JAVA_HOME=/opt/module/jdk1.8
export PATH=$PATH:$JAVA_HOME/bin
让文件生效
source /etc/profile
查看是否安装成功
java -version
3、安装Hadoop
（1）下载
hadoop-2.9.2.tar.gz
下载地址https://archive.apache.org/dist/hadoop/common/hadoop-2.7.7/
（2）上传并解压
tar -zxvf hadoop-2.7.7.tar.gz -C /opt/module/
（3）配置环境变量
sudo vi /etc/profile
添加如下内容
#HADOOP_HOME
export HADOOP_HOME=/opt/module/hadoop-2.7.7
export PATH=$PATH:$HADOOP_HOME/bin
export PATH=$PATH:$HADOOP_HOME/sbin
使文件生效
source /etc/profile
（4）验证
hadoop version
（5）目录结构
1、bin目录：存放对Hadoop相关服务（HDFS,YARN）进行操作的脚本
2、etc目录：Hadoop的配置文件目录，存放Hadoop的配置文件
3、lib目录：存放Hadoop的本地库（对数据进行压缩解压缩功能）
4、sbin目录：存放启动或停止Hadoop相关服务的脚本
5、share目录：存放Hadoop的依赖jar包、文档、和官方案例
三、Hadoop的运行模式
1、本地运行模式
不需要启用单独进程，直接可以运行，测试和开发时使用。
（1）Grep案例
1）创建在hadoop-2.7.7文件下面创建一个input文件夹
2）将hadoop的xml配置文件复制到input
cp etc/hadoop/*.xml input
3）执行share目录下的mapreduce程序
以下示例复制解包后的配置文件目录作为输入，然后查找并显示给定正则表达式的每一个匹配。输出写入给定的输出目录。
bin/hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.7.7.jar grep input/ output 'dfs[a-z.]+'
4）查看输出结果
（2）wordcount案例
1）创建一个wcinput文件夹
2）在wcinput文件下创建一个tst.txt文件
touch test.txt
3）执行程序
hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.7.7.jar wordcount wcinput/ wcoutput
输出的文件夹必须不能存在，否者执行命令会报错
4）查看结果
cat wcoutput/*
2、伪分布式运行模式
等同于完全分布式，只有一个节点。
（1）启动HDFS并运行MapReduce 程序
进入到/opt/module/hadoop-2.7.7/etc/hadoop 文件加
1）修改配置文件
（a）配置：hadoop-env.sh
export JAVA_HOME=/opt/module/jdk1.8
（b）配置：core-site.xml
<!-- 指定HDFS中NameNode的地址 -->
<property>
<name>fs.defaultFS</name>
<value>hdfs://hd1:9000</value>
</property>
<!-- 指定hadoop运行时产生文件的存储目录 -->
<property>
<name>hadoop.tmp.dir</name>
<value>/opt/module/hadoop-2.7.7/data/tmp</value>
</property>
（c）配置：hdfs-site.xml
<!-- 指定HDFS副本的数量 -->
<property>
<name>dfs.replication</name>
<value>1</value>
</property>
2）启动集群
（a）格式化namenode（第一次启动时格式化，以后就不要总格式化）
hdfs namenode -format
（b）启动namenode
sbin/hadoop-daemon.sh start namenode
（c）启动datanode
sbin/hadoop-daemon.sh start datanode
3）查看集群
（a）查看是否启动成功
jps
（b）查看产生的log日志
（c）web端查看HDFS文件系统
访问http://hd1:50070/dfshealth.html#tab-overview
为什么不能一直格式化NameNode，格式化NameNode，要注意什么？
格式化NameNode，会产生新的集群id,导致NameNode和DataNode的集群id不一致，集群找不到已往数据。所以，格式NameNode时，一定要先删除data数据和log日志，然后再格式化NameNode。
4）操作集群
（a）在hdfs文件系统上创建一个input文件夹
hadoop fs -mkdir -p /user/hd01/input
（b）将测试文件内容上传到文件系统上
hadoop fs -put wcinput/test.txt /user/hd01/input
（c）查看上传的文件是否正确
hadoop fs -ls /user/hd01/input
hadoop fs -cat /user/hd01/input/test.txt
（d）运行mapreduce程序
hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.7.7.jar wordcount /user/hd01/input/test.txt /user/hd01/output
（e）查看输出结果
命令行查看：
hadoop fs -cat /user/hd01/output/*
浏览器查看
（f）将测试文件内容下载到本地
hadoop fs -get /user/hd01/output/part-r-00000 ./wcoutput/
（g）删除输出结果
hadoop fs -rm -r /user/hd01/output
（2） YARN上运行MapReduce 程序
1）修改配置文件
（a）配置yarn-env.sh
export JAVA_HOME=/opt/module/jdk1.8
（b）配置yarn-site.xml
<!-- reducer获取数据的方式 -->
<property>
<name>yarn.nodemanager.aux-services</name>
<value>mapreduce_shuffle</value>
</property>
<!-- 指定YARN的ResourceManager的地址 -->
<property>
<name>yarn.resourcemanager.hostname</name>
<value>hd1</value>
</property>
（c）配置：mapred-env.sh
（d）配置： mapred-site.xml
对mapred-site.xml.template重新命名为
<!-- 指定mr运行在yarn上 -->
<property>
<name>mapreduce.framework.name</name>
<value>yarn</value>
</property>
2）启动集群
（a）启动前必须保证namenode和datanode已经启动
（b）启动resourcemanager
yarn-daemon.sh start resourcemanager
（c）启动nodemanager
yarn-daemon.sh start nodemanager
（d）查看是否启动成功
3）操作集群
（a）yarn的浏览器页面查看
http://hd1:8088/cluster
（b）执行mapreduce程序
hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.7.7.jar wordcount /user/hd01/input /user/hd01/output
（c）查看运行结果
hdfs dfs -cat /user/hd01/output/*
（3）配置历史服务器
1）修改配置文件
配置mapred-site.xml
<!-- 历史服务器端地址 -->
<property>
<name>mapreduce.jobhistory.address</name>
<value>hd1:10020</value>
</property><!-- 历史服务器web端地址 -->
<property>
<name>mapreduce.jobhistory.webapp.address</name>
<value>hd1:19888</value>
</property>
2）启动历史服务器
mr-jobhistory-daemon.sh start historyserver
3）查看是否启动
4）查看jobhistory
（4）日志的聚集
日志聚集概念：应用运行完成以后，将程序运行日志信息上传到HDFS系统上。日志聚集功能可以方便的查看到程序运行详情，方便开发调试。
注意：开启日志聚集功能，需要重新启动NodeManager 、ResourceManager和HistoryManager。
1）修改配置文件
配置yarn-site.xml
<!-- 日志聚集功能使能 -->
<property>
<name>yarn.log-aggregation-enable</name>
<value>true</value>
</property>
<!-- 日志保留时间设置7天 -->
<property>
<name>yarn.log-aggregation.retain-seconds</name>
<value>604800</value>
</property>
2）关闭程序
关闭nodemanager 、resourcemanager和historyserver
yarn-daemon.sh stop nodemanager
yarn-daemon.sh stop resourcemanager
mr-jobhistory-daemon.sh stop historyserver
3）重启程序
重启nodemanager 、resourcemanager和historyserver
yarn-daemon.sh start resourcemanager
yarn-daemon.sh start nodemanager
mr-jobhistory-daemon.sh start historyserver
4）删除hdfs已经存在的output文件夹
hdfs dfs -rm -R /user/hd01/output
5）执行WordCount程序
hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.7.7.jar wordcount /user/hd01/input /user/hd01/output
6）查看日志
（5）Hadoop配置文件说明
Hadoop配置文件分两类：默认配置文件和自定义配置文件，只有用户想修改某一默认配置值时，才需要修改自定义配置文件，更改相应属性值。
1）默认配置文件
| 要获取的默认文件 | 文件存放在Hadoop的jar包中的位置 |
| [core-default.xml] | hadoop-common-2.7.2.jar/ core-default.xml |
| [hdfs-default.xml] | hadoop-hdfs-2.7.2.jar/ hdfs-default.xml |
| [yarn-default.xml] | hadoop-yarn-common-2.7.2.jar/ yarn-default.xml |
| [mapred-default.xml] | hadoop-mapreduce-client-core-2.7.2.jar/ mapred-default.xml |
2）自定义配置文件
core-site.xml、hdfs-site.xml、yarn-site.xml、mapred-site.xml四个配置文件存放在$HADOOP_HOME/etc/hadoop下面，用户可以根据项目需求重新进行修改配置。
3、完全运行模式
多个节点一起运行。
（1）虚拟机准备
准备3台虚拟机【hd101，hd102，hd103】，按照【虚拟机准备】依次配置
1）准备3台客户机（关闭防火墙、静态ip、主机名称）
2）安装jdk并配置环境变量
3）安装hadoop并配置环境变量
（2）编写集群分发脚本xsync
1）scp安全拷贝
scp可以实现服务器与服务器之间的数据拷贝。
（a）基本语法
scp -r $pdir/$fname $user@hadoop$host:$pdir/$fname
命令 递归 要拷贝的文件路径/名称 目的用户@主机:目的路径/名称
（b）使用scp
将hd01上的jdk拷贝到hd02上
scp -r jdk1.8/ root@hd02:/opt/module/
在hd02上查看
在hd02上将hd01的jdk拷贝到hd03
scp -r root@hd01:/opt/module/jdk1.8/ root@hd03:/opt/module/
在hd03上查看
在hd02和hd03上，将hd01的/etc/profile拷贝到自己服务器
scp -r root@hd01:/etc/profile /etc/profile
拷贝过来的配置文件要source一下 source /etc/profile
2）rsync远程同步工具
rsync远程同步工具，主要用于备份和镜像。具有速度快、避免复制相同内容和支持符号链接的优点。
rsync和scp区别：用rsync做文件的复制要比scp的速度快，rsync只对差异文件做更新。scp是把所有文件都复制过去。
（a）基本语法
rsync -rvl $pdir/$fname $user@hadoop$host:$pdir/$fname
命令 选项参数 要拷贝的文件路径/名称 目的用户@主机:目的路径/名称
参数说明：
| 选项 | 功能 |
| -r | 递归 |
| -v | 显示复制过程 |
| -l | 拷贝符号连接 |
（b）案例
把hd01上的/opt/software目录同步到hd02的root用户下的/opt/software目录
rsync -rvl /opt/software/ root@hd02:/opt/software/
3）xsync集群分发脚本
（a）创建文件
在/home/hdhk目录下创建bin目录，并在bin目录下创建xsync文件
注意：在/home/hdhk/bin这个目录下存放的脚本，hdhk用户可以在系统任何地方直接执行。
mkdir bin
cd bin/
touch xsync
vi xsync
#!/bin/bash
#1 获取输入参数个数，如果没有参数，直接退出
pcount=$#
if((pcount==0)); then
echo no args;
exit;
fi#2 获取文件名称
p1=$1
fname=`basename $p1`
echo fname=$fname#3 获取上级目录到绝对路径
pdir=`cd -P $(dirname $p1); pwd`
echo pdir=$pdir#4 获取当前用户名称
user=`whoami`
#5 循环
for((host=1; host<4; host++)); do
echo --------------- hadoop$host ----------------
rsync -rvl $pdir/$fname $user@hd0$host:$pdir
done
（b）修改执行权限
chmod 777 xsync
注意：如果将xsync放到/home/hdhk/bin目录下仍然不能实现全局使用，可以将xsync移动到/usr/local/bin目录下。
（c）测试
将hd01上的hadoop分发到hd02和hd03上
xsync hadoop-2.7.7/
（3）集群配置
1）集群部署规划
| hd01 | hd02 | hd03 | |
| HDFS | NameNode DataNode | DataNode | SecondaryNameNode DataNode |
| YARN | NodeManager | ResourceManager NodeManager | NodeManager |
2）修改配置文件并分发
（a）修改配置文件
- 修改 core-site.xml
<!-- 指定HDFS中NameNode的地址 -->
<property>
<name>fs.defaultFS</name>
<value>hdfs://hd01:9000</value>
</property>
<!-- 指定hadoop运行时产生文件的存储目录 -->
<property>
<name>hadoop.tmp.dir</name>
<value>/opt/module/hadoop-2.7.7/data/tmp</value>
</property>
- 修改 hadoop-env.sh
export JAVA_HOME=/opt/module/jdk1.8
- 修改 hdfs-site.xml
<!-- 指定HDFS副本的数量 -->
<property>
<name>dfs.replication</name>
<value>3</value>
</property><!-- 指定Hadoop辅助名称节点主机配置 -->
<property>
<name>dfs.namenode.secondary.http-address</name>
<value>hd03:50090</value>
</property>
- 修改 yarn-env.sh
export JAVA_HOME=/opt/module/jdk1.8
- 修改 yarn-site.xml
<!-- reducer获取数据的方式 -->
<property>
<name>yarn.nodemanager.aux-services</name>
<value>mapreduce_shuffle</value>
</property>
<!-- 指定YARN的ResourceManager的地址 -->
<property>
<name>yarn.resourcemanager.hostname</name>
<value>hd02</value>
</property>
- 修改 mapred-env.sh
export JAVA_HOME=/opt/module/jdk1.8
- 修改 mapred-site.xml
<!-- 指定mr运行在yarn上 -->
<property>
<name>mapreduce.framework.name</name>
<value>yarn</value>
</property>
（b）在集群上分发文件
xsync /opt/module/hadoop-2.7.2/
（4）单点启动集群
1）格式化namenode
集群是第一次启动，需要格式化
hdfs namenode -format
2）启动namenode
在hd01上启动namenode
hadoop-daemon.sh start namenode
3）启动datanode
分别在hd01、hd02、hd03上启动datanode
hadoop-daemon.sh start datanode
（5）SSH无密登录
1）配置ssh
（a）基本语法
ssh另一台电脑的ip地址
（b）问题
ssh连接时出现Host key verification failed的解决方法
The authenticity of host '192.168.10.222 (192.168.10.222)' can't be established.
RSA key fingerprint is cf:1e:de:d7:d0:4c:2d:98:60:b4:fd:ae:b1:2d:ad:06.
Are you sure you want to continue connecting (yes/no)?
Host key verification failed.直接输入yes即可
2）无密钥配置
（a）原理图
（b）生成公钥和私钥
ssh-keygen -t rsa
然后敲（三下回车），就会生成两个文件id_rsa（私钥）、id_rsa.pub（公钥）
（c）将公钥拷贝到要免密登录的目标机器上
在hd01上执行，之后在hd01上可以免密登录到hd02和hd03上
ssh-copy-id hd02
ssh-copy-id hd03
还需要在hd02上采用hdhk账号配置一下无密登录到hd01、hd03服务器上。在hd03上采用hdhk账号配置一下无密登录到hd01、hd02服务器上。
3）.ssh文件夹
cd
| known_hosts | 记录ssh访问过计算机的公钥(public key) |
| id_rsa | 生成的私钥 |
| id_rsa.pub | 生成的公钥 |
| authorized_keys | 存放授权过得无密登录服务器公钥 |
（6）集群测试
1）配置slaves
vim slaves
在该文件中增加如下内容：
hd01
hd02
hd03
注意：该文件中添加的内容结尾不允许有空格，文件中不允许有空行。
同步所有节点配置文件
xsync slaves
2）启动集群
（a）格式化NameNode
如果集群是第一次启动，需要格式化NameNode（注意格式化之前，一定要先停止上次启动的所有namenode和datanode进程，然后再删除data和log数据）
hdfs namenode -format
（b）启动HDFS
start-dfs.sh
（c）启动YARN
注意：Namenode和ResourceManger如果不是同一台机器，不能在NameNode上启动 yarn，应该在ResouceManager所在的机器上启动yarn。
在hd02机器上启动
start-yarn.sh
（d）Web端查看SecondaryNameNode
浏览器中输入：http://hd03:50090/status.html
注意：需要在windows电脑上配置hosts
3）基本测试
（a）上传小文件
在hd01的/opt/module/hadoop-2.7.7/目录下新建input文件夹，并新建test.txt文件
创建hdfs文件夹
hdfs dfs -mkdir -p /user/hdhk/input
上传文件
hdfs dfs -put input/test.txt /user/hdhk/input/
查看文件
hdfs dfs -ls /user/hdhk/input
（b）上传大文件
hdfs dfs -put /opt/software/hadoop-2.7.7.tar.gz /user/hdhk/input
（c）文件存放位置
查看HDFS文件存储路径
/opt/module/hadoop-2.7.7/data/tmp/dfs/data/current/BP-2127471582-192.168.10.221-1769669891206/current/finalized/subdir0/subdir0/
查看HDFS在磁盘存储文件内容
（7）Hadoop启停方式
1）各个组件逐一启动/停止
（a）分别启动/停止HDFS组件
hadoop-daemon.sh start / stop namenode / datanode / secondarynamenode
（b）启动/停止YARN
yarn-daemon.sh start / stop resourcemanager / nodemanager
2）各整体启动/停止
前提是配置ssh
（a）整体启动/停止HDFS
start-dfs.sh / stop-dfs.sh
（b）整体启动/停止YARN
start-yarn.sh / stop-yarn.sh
更多推荐
16
0- 0
已为社区贡献9条内容
所有评论(0)