云计算（一）- Hadoop2.2 单点安装

最新推荐文章于 2024-04-17 07:00:00 发布

duheaven

最新推荐文章于 2024-04-17 07:00:00 发布

阅读量2.4k

点赞数

分类专栏：云计算文章标签： hadoop

本文链接：https://blog.csdn.net/duheaven/article/details/16918147

版权

云计算专栏收录该内容

32 篇文章 1 订阅

订阅专栏

学习概述：

对于云计算属于小学入学级别的水平，根据一个大牛人的建议，自己规划的学习路径如下：

hadoop安装
hadoop的hdfs<-
hadoop的mr(YARN)

hbase安装
hbase命令行
hbase开发
自定义MR过程
hbase参与MR
zookeeper安装和使用
flume使用
redis以及lucene
nutch
lvs，keepalived等以及hadoop的运维

tez

Hadoop源代码研究

Storm
openstack( Cloudera)

spark

下面转自： http://blog.csdn.net/link200809/article/details/17487315

主要介绍Hadoop家族产品，常用的项目包括Hadoop, Hive, Pig, HBase, Sqoop, Mahout, Zookeeper, Avro, Ambari, Chukwa，新增加的项目包括，YARN, Hcatalog, Oozie, Cassandra, Hama, Whirr, Flume, Bigtop, Crunch, Hue等。
从2011年开始，中国进入大数据风起云涌的时代，以Hadoop为代表的家族软件，占据了大数据处理的广阔地盘。开源界及厂商，所有数据软件，无一不向Hadoop靠拢。Hadoop也从小众的高富帅领域，变成了大数据开发的标准。在Hadoop原有技术基础之上，出现了Hadoop家族产品，通过“大数据”概念不断创新，推出科技进步。
作为IT界的开发人员，我们也要跟上节奏，抓住机遇，跟着Hadoop一起雄起！

前言
使用Hadoop已经有一段时间了，从开始的迷茫，到各种的尝试，到现在组合应用….慢慢地涉及到数据处理的事情，已经离不开hadoop了。Hadoop在大数据领域的成功，更引发了它本身的加速发展。现在Hadoop家族产品，已经达到20个了之多。
有必要对自己的知识做一个整理了，把产品和技术都串起来。不仅能加深印象，更可以对以后的技术方向，技术选型做好基础准备。
本文为“Hadoop家族”开篇，Hadoop家族学习路线图
目录
Hadoop家族产品

Hadoop家族学习路线图
1. Hadoop家族产品
截止到2013年，根据cloudera的统计，Hadoop家族产品已经达到20个！
http://blog.cloudera.com/blog/2013/01/apache-hadoop-in-2013-the-state-of-the-platform/
接下来，我把这20个产品，分成了2类。
第一类，是我已经掌握的

第二类，是TODO准备继续学习的

一句话产品介绍:
Apache Hadoop: 是Apache开源组织的一个分布式计算开源框架，提供了一个分布式文件系统子项目(HDFS)和支持MapReduce分布式计算的软件架构。

Apache 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，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。

Apache Pig: 是一个基于Hadoop的大规模数据分析工具，它提供的SQL-LIKE语言叫Pig Latin，该语言的编译器会把类SQL的数据分析请求转换为一系列经过优化处理的MapReduce运算。

Apache HBase: 是一个高可靠性、高性能、面向列、可伸缩的分布式存储系统，利用HBase技术可在廉价PC Server上搭建起大规模结构化存储集群。

Apache Sqoop: 是一个用来将Hadoop和关系型数据库中的数据相互转移的工具，可以将一个关系型数据库（MySQL ,Oracle ,Postgres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。

Apache Zookeeper: 是一个为分布式应用所设计的分布的、开源的协调服务，它主要是用来解决分布式应用中经常遇到的一些数据管理问题，简化分布式应用协调及其管理的难度，提供高性能的分布式服务

Apache Mahout:是基于Hadoop的机器学习和数据挖掘的一个分布式框架。Mahout用MapReduce实现了部分数据挖掘算法，解决了并行挖掘的问题。

Apache Cassandra:是一套开源分布式NoSQL数据库系统。它最初由Facebook开发，用于储存简单格式数据，集Google BigTable的数据模型与Amazon Dynamo的完全分布式的架构于一身

Apache Avro: 是一个数据序列化系统，设计用于支持数据密集型，大批量数据交换的应用。Avro是新的数据序列化格式与传输工具，将逐步取代Hadoop原有的IPC机制

Apache Ambari: 是一种基于Web的工具，支持Hadoop集群的供应、管理和监控。

Apache Chukwa: 是一个开源的用于监控大型分布式系统的数据收集系统，它可以将各种各样类型的数据收集成适合 Hadoop 处理的文件保存在 HDFS 中供 Hadoop 进行各种 MapReduce 操作。

Apache Hama: 是一个基于HDFS的BSP（Bulk Synchronous Parallel)并行计算框架, Hama可用于包括图、矩阵和网络算法在内的大规模、大数据计算。

Apache Flume: 是一个分布的、可靠的、高可用的海量日志聚合的系统，可用于日志数据收集，日志数据处理，日志数据传输。

Apache Giraph: 是一个可伸缩的分布式迭代图处理系统，基于Hadoop平台，灵感来自 BSP (bulk synchronous parallel) 和 Google 的 Pregel。

Apache Oozie: 是一个工作流引擎服务器, 用于管理和协调运行在Hadoop平台上（HDFS、Pig和MapReduce）的任务。

Apache Crunch: 是基于Google的FlumeJava库编写的Java库，用于创建MapReduce程序。与Hive，Pig类似，Crunch提供了用于实现如连接数据、执行聚合和排序记录等常见任务的模式库

Apache Whirr: 是一套运行于云服务的类库（包括Hadoop），可提供高度的互补性。Whirr学支持Amazon EC2和Rackspace的服务。

Apache Bigtop: 是一个对Hadoop及其周边生态进行打包，分发和测试的工具。

Apache HCatalog: 是基于Hadoop的数据表和存储管理，实现中央的元数据和模式管理，跨越Hadoop和RDBMS，利用Pig和Hive提供关系视图。

Cloudera Hue: 是一个基于WEB的监控和管理系统，实现对HDFS，MapReduce/YARN, HBase, Hive, Pig的web化操作和管理。
2. Hadoop家族学习路线图
下面我将分别介绍各个产品的安装和使用，以我经验总结我的学习路线。
Hadoop
Hadoop学习路线图

Yarn学习路线图

用Maven构建Hadoop项目

Hadoop历史版本安装

Hadoop编程调用HDFS

海量Web日志分析用Hadoop提取KPI统计指标

用Hadoop构建电影推荐系统

创建Hadoop母体虚拟机

克隆虚拟机增加Hadoop节点

R语言为Hadoop注入统计血脉

RHadoop实践系列之一 Hadoop环境搭建
Hive
Hive学习路线图

Hive安装及使用攻略

Hive导入10G数据的测试

R利剑NoSQL系列文章之 Hive

用RHive从历史数据中提取逆回购信息
Pig
Pig学习路线图
Zookeeper
Zookeeper学习路线图

ZooKeeper伪分步式集群安装及使用

ZooKeeper实现分布式队列Queue

ZooKeeper实现分布式FIFO队列
HBase
HBase学习路线图

RHadoop实践系列之四 rhbase安装与使用
Mahout
Mahout学习路线图

用R解析Mahout用户推荐协同过滤算法(UserCF)

RHadoop实践系列之三 R实现MapReduce的协同过滤算法

用Maven构建Mahout项目

Mahout推荐算法API详解

从源代码剖析Mahout推荐引擎

Mahout分步式程序开发基于物品的协同过滤ItemCF

Mahout分步式程序开发聚类Kmeans

用Mahout构建职位推荐引擎
Sqoop
Sqoop学习路线图
Cassandra
Cassandra学习路线图

Cassandra单集群实验2个节点

R利剑NoSQL系列文章之 Cassandra

软件

CentOS-5.8-i386 Hadoop2.2.0 VMWare 8 Eclipse JUNO JDK 7u45 FileZilla Putty

规划

两台虚拟机组成的集群（下篇介绍集群，机器差带不起来更多了）：

192.168.1.103 master
192.168.1.133 node1

安装基础环境：

安装操作系统并使用桥连方式

设置主机名为Master

hostnamemaster

vi /etc/sysconfig/network

同步时间

ntpdatecn.pool.ntp.org

使用setup 命令配置系统环境

修改IP与网关，关闭防火墙

/sbin/service network restart #重新启动网络服务
ifconfig #检查网络ip 配置

编辑host文件

vi/etc/hosts

安装JDK和hadoop-2.2.0

vi/etc/profile.d/java.sh

source/etc/profile

创建data、name、temple文件夹

建立Hadoop用户并赋权

无秘钥ssh

su hadoop

cd /home/hadoop/

ssh-keygen-q -t rsa -N "" -f /home/hadoop/.ssh/id_rsa

cd .ssh

catid_rsa.pub > authorized_keys

赋权chmod go-wx authorized_keys

设置hadoop-env.sh和yarn-env.sh的JDK_HOME

编辑yarn-site.xml

<configuration>
<property>
<name>yarn.resourcemanager.resource-tracker.address</name>
<value>master:8990</value>
<description>host is the hostname of the resource manager and
port is the port on which the NodeManagers contact the Resource Manager.
</description>
</property>

<property>
<name>yarn.resourcemanager.scheduler.address</name>
<value>master:8991</value>
<description>host is the hostname of the resourcemanager and port is the port
on which the Applications in the cluster talk to the Resource Manager.
</description>
</property>

<property>
<name>yarn.resourcemanager.scheduler.class</name>
<value>org.apache.hadoop.yarn.server.resourcemanager.scheduler.capacity.CapacityScheduler</value>
<description>In case you do not want to use the default scheduler</description>
</property>

<property>
<name>yarn.resourcemanager.address</name>
<value>master:8993</value>
<description>the host is the hostname of the ResourceManager and the port is the port on
which the clients can talk to the Resource Manager. </description>
</property>

<property>
<name>yarn.nodemanager.local-dirs</name>
<value>/home/software/tmp/node</value>
<description>the local directories used by the nodemanager</description>
</property>

<property>
<name>yarn.nodemanager.address</name>
<value>master:8994</value>
<description>the nodemanagers bind to this port</description>
</property>

<property>
<name>yarn.nodemanager.resource.memory-mb</name>
<value>5120</value>
<description>the amount of memory on the NodeManager in GB</description>
</property>

<property>
<name>yarn.nodemanager.remote-app-log-dir</name>
<value>/home/software/tmp/app-logs</value>
<description>directory on hdfs where the application logs are moved to </description>
</property>

<property>
<name>yarn.nodemanager.log-dirs</name>
<value>/home/software/tmp/node</value>
<description>the directories used by Nodemanagers as log directories</description>
</property>

<property>
<name>yarn.nodemanager.aux-services</name>
<value>mapreduce_shuffle</value>
<description>shuffle service that needs to be set for Map Reduce to run </description>
</property>

</configuration>

修改capacity-scheduler.xml

<name>yarn.scheduler.capacity.maximum-applications</name>

Maximum number of applications that can be pending and running.

</description>

</property>

<name>yarn.scheduler.capacity.maximum-am-resource-percent</name>

Maximum percent of resources in the cluster which can be used to run

application masters i.e. controls number of concurrent running

applications.

</description>

</property>

<name>yarn.scheduler.capacity.resource-calculator</name>

<value>org.apache.hadoop.yarn.util.resource.DefaultResourceCalculator</value>

The ResourceCalculator implementation to be used to compare

Resources in the scheduler.

The default i.e. DefaultResourceCalculator only uses Memory while

DominantResourceCalculator uses dominant-resource to compare

multi-dimensional resources such as Memory, CPU etc.

</description>

</property>

<name>yarn.scheduler.capacity.root.queues</name>

<value>unfunded,default</value>

The queues at the this level (root is the root queue).

</description>

</property>

<name>yarn.scheduler.capacity.root.capacity</name>

</property>

<name>yarn.scheduler.capacity.root.unfunded.capacity</name>

</property>

<name>yarn.scheduler.capacity.root.default.capacity</name>

<description>Default queue target capacity.</description>

</property>

<name>yarn.scheduler.capacity.root.default.user-limit-factor</name>

Default queue user limit a percentage from 0.0 to 1.0.

</description>

</property>

<name>yarn.scheduler.capacity.root.default.maximum-capacity</name>

The maximum capacity of the default queue.

</description>

</property>

<name>yarn.scheduler.capacity.root.default.state</name>

<value>RUNNING</value>

The state of the default queue. State can be one of RUNNING or STOPPED.

</description>

</property>

<name>yarn.scheduler.capacity.root.default.acl_submit_applications</name>

The ACL of who can submit jobs to the default queue.

</description>

</property>

<name>yarn.scheduler.capacity.root.default.acl_administer_queue</name>

The ACL of who can administer jobs on the default queue.

</description>

</property>

<name>yarn.scheduler.capacity.node-locality-delay</name>

Number of missed scheduling opportunities after which theCapacityScheduler

attempts to schedule rack-local containers.

Typically this should be set to number of racks in the cluster, this

feature is disabled by default, set to -1.

</description>

</property>

</configuration>

修改slaves

hadoop namenode -format

cd /home/software/hadoop-2.2.0/sbin

./start-dfs.sh

./start-yarn.sh

测试Hadoop

上传一个文件test.txt至/home/software
创建hdfs目录hdfs dfs -mkdir /tmp
hdfs dfs -copyFromLocal /home/software/test.txt /tmp/
hdfs dfs -ls /tmp
hadoop jar /home/software/hadoop-2.2.0/share/hadoop/mapreduce/hadoop-mapreduce-examples-2.2.0.jar pi 10 100

停止Hadoop

若停止hadoop，依次运行如下命令：
$./stop-yarn.sh
$./stop-dfs.sh

完整文档下载

由于图片等资源不方便传到博客当中，现在已经把完整版的手册上传到下面的资源页，附完整流程和截图，请大家去下载吧！

http://download.csdn.net/detail/duheaven/6605307

duheaven

关注

0
点赞
踩
2

收藏

觉得还不错? 一键收藏
0
评论
云计算（一）- Hadoop2.2 单点安装

软件CentOS-5.8-i386 Hadoop2.2.0 VMWare 8 Eclipse JUNO JDK 7u45 FileZilla Putty规划两台虚拟机组成的集群（下篇介绍集群，机器差带不起来更多了）：192.168.1.103 master192.168.1.133 node1安装基础环境：安装操作系统并使用桥连方式设置主机名为
复制链接

扫一扫