2024年最全大数据之Hadoop3(4)，带你彻底弄明白

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上大数据知识点，真正体系化！

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

需要这份系统化资料的朋友，可以戳这里获取

如果能看到以下结果，则代表Java安装成功。

注意：重启（如果java -version可以用就不用重启）

[ovo@hadoop102 ~]$ sudo reboot

1.4 在hadoop102安装Hadoop

---

1）用XShell文件传输工具将hadoop-3.1.3.tar.gz导入到opt目录下面的software文件夹下面（和刚才拖拽JDK一样就不截图了）

2）进入到Hadoop安装包路径下

[ovo@hadoop102 ~]$ cd /opt/software/

3）解压安装文件到/opt/module下面

[ovo@hadoop102 software]$ tar -zxvf hadoop-3.1.3.tar.gz -C /opt/module/

4）查看是否解压成功

[ovo@hadoop102 software]$ ls /opt/module/

hadoop-3.1.3

5）将Hadoop添加到环境变量

• 1.获取Hadoop安装路径

[ovo@hadoop102 hadoop-3.1.3]$ pwd

/opt/module/hadoop-3.1.3

• 2.打开/etc/profile.d/my_env.sh文件

[ovo@hadoop102 hadoop-3.1.3]$ sudo vim /etc/profile.d/my_env.sh

在my_env.sh文件末尾添加如下内容：（shift+g）

#HADOOP_HOME

export HADOOP_HOME=/opt/module/hadoop-3.1.3

export PATH=$PATH:$HADOOP_HOME/bin

export PATH=$PATH:$HADOOP_HOME/sbin

保存并退出： :wq

• 3.让修改后的文件生效

[ovo@hadoop102 hadoop-3.1.3]$ source /etc/profile

6）测试是否安装成功

[ovo@hadoop102 hadoop-3.1.3]$ hadoop version

Hadoop 3.1.3

7）重启（如果Hadoop命令不能用再重启虚拟机）

[ovo@hadoop102 hadoop-3.1.3]$ sudo reboot

1.5 Hadoop目录结构

---

1）查看Hadoop目录结构

[ovo@hadoop102 hadoop-3.1.3]$ ll

2）重要目录

• bin目录：存放对Hadoop相关服务（hdfs，yarn，mapred）进行操作的脚本

• etc目录：Hadoop的配置文件目录，存放Hadoop的配置文件

• lib目录：存放Hadoop的本地库（对数据进行压缩解压缩功能）

• sbin目录：存放启动或停止Hadoop相关服务的脚本

• share目录：存放Hadoop的依赖jar包、文档、和官方案例

二、Hadoop运行模式

==============================================================================

1）Hadoop官方网站：http://hadoop.apache.org

2）Hadoop运行模式包括：本地模式、伪分布式模式以及完全分布式模式。

• 本地模式：单机运行，只是用来演示一下官方案例。生产环境不用。

• 伪分布式模式：也是单机运行，但是具备Hadoop集群的所有功能，一台服务器模拟一个分布式的环境。个别缺钱的公司用来测试，生产环境不用。

• 完全分布式模式：多台服务器组成分布式环境。生产环境使用。

2.1 完全分布式运行模式（开发重点）

---

分析：

• 1.准备3台虚拟机（关闭防火墙、静态IP、主机名称）

• 2.安装JDK

• 3.配置环境变量

• 4.安装Hadoop

• 5.配置环境变量

• 6.配置集群

• 7.单点启动

• 8.配置ssh

• 9.群起并测试集群

2.2.1 虚拟机准备

详见1.1、1.2两节。

2.2.2 编写集群分发脚本xsync

1）scp（secure copy）安全拷贝

scp定义：scp可以实现服务器与服务器之间的数据拷贝。（from server1 to server2）

• 1.基本语法（重要！！！）

| scp | -r | $pdir/$fname | $user@$host:$pdir/$fname |

| — | — | — | — |

| 命令 | 递归 | 要拷贝的文件路径/名称 | 目的地用户@主机:目的地路径/名称 |

• 2.案例实操

前提：在hadoop102、hadoop103、hadoop104都已经创建好的/opt/module、 /opt/software两个目录，并且已经把这两个目录修改为ovo:ovo

[ovo@hadoop102 ~]$ sudo chown ovo:ovo -R /opt/module

效果如图：

（a）在hadoop102上，将hadoop102中/opt/module/jdk1.8.0_212目录拷贝到hadoop103上。

[ovo@hadoop102 ~]$ scp -r /opt/module/jdk1.8.0_212 ovo@hadoop103:/opt/module

（b）在hadoop103上，将hadoop102中/opt/module/hadoop-3.1.3目录拷贝到hadoop103上。

[ovo@hadoop103 ~]$ scp -r ovo@hadoop102:/opt/module/hadoop-3.1.3 /opt/module/

（c）在hadoop103上操作，将hadoop102中/opt/module目录下所有目录拷贝到hadoop104上。

[ovo@hadoop103 opt]$ scp -r ovo@hadoop102:/opt/module/* ovo@hadoop104:/opt/module

2）rsync远程同步工具

rsync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。

• 1.基本语法

| rsync | -av | $pdir/$fname | $user@$host:$pdir/$fname |

| — | — | — | — |

| 命令 | 递归 | 要拷贝的文件路径/名称 | 目的地用户@主机:目的地路径/名称 |

选项参数说明：

| 选项 | 功能 |

| — | — |

| -a | 归档拷贝 |

| -v | 显示复制过程 |

• 2.案例实操

（a）删除hadoop103中/opt/module/hadoop-3.1.3/wcinput

[ovo@hadoop103 hadoop-3.1.3]$ rm -rf wcinput/

（b）同步hadoop102中的/opt/module/hadoop-3.1.3到hadoop103

[ovo@hadoop102 module]$ rsync -av hadoop-3.1.3/ ovo@hadoop103:/opt/module/hadoop-3.1.3/

3）xsync集群分发脚本

• 1.需求：循环复制文件到所有节点的相同目录下

• 2.需求分析：

（a）rsync命令原始拷贝：

rsync -av /opt/module ovo@hadoop103:/opt/

（b）期望脚本：xsync要同步的文件名称

（c）期望脚本在任何路径都能使用（脚本放在声明了全局环境变量的路径）

[ovo@hadoop102 ~]$ echo $PATH

/usr/local/bin:/usr/bin:/usr/local/sbin:/usr/sbin:/home/ovo/.local/bin:/home/ovo/bin:/opt/module/jdk1.8.0_212/bin

• 3.脚本实现

（a）在/home/ovo/bin目录下创建xsync文件

[ovo@hadoop102 opt]$ cd /home/ovo

[ovo@hadoop102 ~]$ mkdir bin

[ovo@hadoop102 ~]$ cd bin

[ovo@hadoop102 bin]$ vim xsync

在该文件中编写如下代码

#!/bin/bash

#1. 判断参数个数

if [ $# -lt 1 ]

then

echo Not Enough Arguement!

exit;

fi

#2. 遍历集群所有机器

for host in hadoop102 hadoop103 hadoop104

do

echo ==================== $host ====================

#3. 遍历所有目录，挨个发送

for file in $@

do

#4. 判断文件是否存在

if [ -e $file ]

then

#5. 获取父目录

pdir=$(cd -P $(dirname $file); pwd)

#6. 获取当前文件的名称

fname=$(basename $file)

ssh $host “mkdir -p $pdir”

rsync -av $pdir/$fname $host:$pdir

else

echo $file does not exists!

fi

done

done

（b）修改脚本 xsync 具有执行权限

[ovo@hadoop102 bin]$ chmod +x xsync

（c）测试脚本

[ovo@hadoop102 ~]$ xsync /home/ovo/bin

（d）将脚本复制到/bin中，以便全局调用

[ovo@hadoop102 bin]$ sudo cp xsync /bin/

（e）同步环境变量配置（root所有者）

[ovo@hadoop102 ~]$ sudo ./bin/xsync /etc/profile.d/my_env.sh

注意：如果用了sudo，那么xsync一定要给它的路径补全。

让环境变量生效

[ovo@hadoop103 bin]$ source /etc/profile

[ovo@hadoop104 opt]$ source /etc/profile

2.2.3 SSH无密登录配置

1）配置ssh

• 1.基本语法：ssh 另一台电脑的主机名

• 2.ssh连接时出现Host key verification failed的解决方法

[ovo@hadoop102 ~]$ ssh hadoop103

如果出现如下内容

Are you sure you want to continue connecting (yes/no)?

输入yes，并回车

• 3.退回到hadoop102

[ovo@hadoop103 ~]$ exit

2）无密钥配置

• 1.免密登录原理

• 2.生成公钥和私钥

[ovo@hadoop102 .ssh]$ pwd

/home/ovo/.ssh

[ovo@hadoop102 .ssh]$ ssh-keygen -t rsa

然后敲（三个回车），就会生成两个文件id_rsa（私钥）、id_rsa.pub（公钥）

• 3.将公钥拷贝到要免密登录的目标机器上

[ovo@hadoop102 .ssh]$ ssh-copy-id hadoop102

[ovo@hadoop102 .ssh]$ ssh-copy-id hadoop103

[ovo@hadoop102 .ssh]$ ssh-copy-id hadoop104

注意：

• 还需要在hadoop103上采用ovo账号配置一下无密登录到hadoop102、hadoop103、hadoop104服务器上。

• 还需要在hadoop104上采用ovo账号配置一下无密登录到hadoop102、hadoop103、hadoop104服务器上。

• 还需要在hadoop102上采用root账号，配置一下无密登录到hadoop102、hadoop103、hadoop104；

2.2.4 集群配置

1）集群部署规划

注意：

• NameNode 和 SecondaryNameNode不要安装在同一台服务器

• ResourceManager也很消耗内存，不要和NameNode、SecondaryNameNode配置在同一台机器上。

2）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。

• 默认配置文件：

• 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这个路径上，用户可以根据项目需求重新进行修改配置。

3）配置集群

• 1.核心配置文件：core-site.xml

[ovo@hadoop102 ~]$ cd $HADOOP_HOME/etc/hadoop

[ovo@hadoop102 hadoop]$ vim core-site.xml

文件内容如下：

<?xml version="1.0" encoding="UTF-8"?> <?xml-stylesheet type="text/xsl" href="configuration.xsl"?>

fs.defaultFS

hdfs://hadoop102:8020

hadoop.tmp.dir

/opt/module/hadoop-3.1.3/data

hadoop.http.staticuser.user

ovo

• 2.HDFS配置文件：hdfs-site.xml

[ovo@hadoop102 hadoop]$ vim hdfs-site.xml

文件内容如下：

<?xml version="1.0" encoding="UTF-8"?> <?xml-stylesheet type="text/xsl" href="configuration.xsl"?>

dfs.namenode.http-address

hadoop102:9870

dfs.namenode.secondary.http-address

hadoop104:9868

• 3.YARN配置文件：yarn-site.xml

[ovo@hadoop102 hadoop]$ vim yarn-site.xml

文件内容如下：

<?xml version="1.0" encoding="UTF-8"?> <?xml-stylesheet type="text/xsl" href="configuration.xsl"?>

yarn.nodemanager.aux-services

mapreduce_shuffle

yarn.resourcemanager.hostname

hadoop103

yarn.nodemanager.env-whitelist

JAVA_HOME,HADOOP_COMMON_HOME,HADOOP_HDFS_HOME,HADOOP_CONF_DIR,CLASSPATH_PREPEND_DISTCACHE,HADOOP_YARN_HOME,HADOOP_MAPRED_HOME

• 4.MapReduce配置文件：mapred-site.xml

[ovo@hadoop102 hadoop]$ vim mapred-site.xml

文件内容如下：

<?xml version="1.0" encoding="UTF-8"?> <?xml-stylesheet type="text/xsl" href="configuration.xsl"?>

mapreduce.framework.name

yarn

4）在集群上分发配置好的Hadoop配置文件

[ovo@hadoop102 hadoop]$ xsync /opt/module/hadoop-3.1.3/etc/hadoop/

5）去103和104上查看文件分发情况

[ovo@hadoop103 ~]$ cat /opt/module/hadoop-3.1.3/etc/hadoop/core-site.xml

[ovo@hadoop104 ~]$ cat /opt/module/hadoop-3.1.3/etc/hadoop/core-site.xml

2.2.5 群起集群

1）配置workers

[ovo@hadoop102 hadoop]$ vim /opt/module/hadoop-3.1.3/etc/hadoop/workers

在该文件中增加如下内容：

hadoop102

hadoop103

hadoop104

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

[ovo@hadoop102 hadoop]$ xsync /opt/module/hadoop-3.1.3/etc

2）启动集群

• 1.如果集群是第一次启动，需要在hadoop102节点格式化NameNode

注意：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。

重点：如果集群在运行过程中报错，需要重新格式化NameNode的话，一定要先停止namenode和datanode进程，并且要删除所有机器的data和logs目录，然后再进行格式化。

[ovo@hadoop102 hadoop-3.1.3]$ hdfs namenode -format

• 2.启动HDFS

[ovo@hadoop102 hadoop-3.1.3]$ sbin/start-dfs.sh

• 3.在配置了ResourceManager的节点（注意：hadoop103上）启动YARN

[ovo@hadoop103 hadoop-3.1.3]$ sbin/start-yarn.sh

• 4.Web端查看HDFS的NameNode

（a）浏览器中输入：http://hadoop102:9870

（b）查看HDFS上存储的数据信息

• 5.Web端查看YARN的ResourceManager

（a）浏览器中输入：http://hadoop103:8088

（b）查看YARN上运行的Job信息

2.2.6 配置历史服务器

为了查看程序的历史运行情况（集群重新格式化后访问之前的数据），需要配置一下历史服务器。具体配置步骤如下：

1）配置mapred-site.xml

[ovo@hadoop102 hadoop]$ vim mapred-site.xml

在该文件里面增加如下配置。

mapreduce.jobhistory.address

hadoop102:10020

mapreduce.jobhistory.webapp.address

hadoop102:19888

2）分发配置

[ovo@hadoop102 hadoop]$ xsync $HADOOP_HOME/etc/hadoop/mapred-site.xml

3）在hadoop102启动历史服务器

[ovo@hadoop102 hadoop]$ mapred --daemon start historyserver

4）查看历史服务器是否启动

[ovo@hadoop102 hadoop]$ jps

5）查看JobHistory：http://hadoop102:19888/jobhistory

2.2.7 配置日志的聚集

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。

日志聚集功能好处：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HistoryServer。

开启日志聚集功能具体步骤如下：

1）配置yarn-site.xml

[ovo@hadoop102 hadoop]$ vim yarn-site.xml

在该文件里面增加如下配置。

yarn.log-aggregation-enable

true

yarn.log.server.url

http://hadoop102:19888/jobhistory/logs

yarn.log-aggregation.retain-seconds

604800

2）分发配置

[ovo@hadoop102 hadoop]$ xsync $HADOOP_HOME/etc/hadoop/yarn-site.xml

3）关闭NodeManager 、ResourceManager和HistoryServer

[ovo@hadoop103 hadoop-3.1.3]$ sbin/stop-yarn.sh

[ovo@hadoop102 hadoop-3.1.3]$ mapred --daemon stop historyserver

4）启动NodeManager 、ResourceManage和HistoryServer

[ovo@hadoop103 ~]$ start-yarn.sh

[ovo@hadoop102 ~]$ mapred --daemon start historyserver

5）删除HDFS上已经存在的输出文件

[ovo@hadoop102 ~]$ hadoop fs -rm -r /output

6）执行WordCount程序（路径写自己任意一个文件路径）

[ovo@hadoop102 hadoop-3.1.3]$ hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-3.1.3.jar wordcount /input /output

7）查看日志

• 1.历史服务器地址：http://hadoop102:19888/jobhistory

• 2.历史任务列表

• 3.查看任务运行日志

• 4.运行日志详情

2.2.8 集群启动/停止方式总结

1）各个模块分开启动/停止（配置ssh是前提）常用

• 1.整体启动/停止HDFS

start-dfs.sh/stop-dfs.sh

• 2.整体启动/停止YARN

start-yarn.sh/stop-yarn.sh

2）各个服务组件逐一启动/停止

• 1.分别启动/停止HDFS组件

hdfs --daemon start/stop namenode/datanode/secondarynamenode

• 2.启动/停止YARN

yarn --daemon start/stop resourcemanager/nodemanager

2.2.9 编写Hadoop集群常用脚本

1）Hadoop集群启停脚本（包含HDFS，Yarn，Historyserver）：myhadoop.sh

[ovo@hadoop102 ~]$ cd /home/ovo/bin

[ovo@hadoop102 bin]$ vim myhadoop.sh

输入如下内容

#!/bin/bash

if [ $# -lt 1 ]

then

echo “No Args Input…”

exit ;

fi

case $1 in

“start”)

echo " =================== 启动 hadoop集群 ==================="

echo " --------------- 启动 hdfs ---------------"

ssh hadoop102 “/opt/module/hadoop-3.1.3/sbin/start-dfs.sh”

echo " --------------- 启动 yarn ---------------"

ssh hadoop103 “/opt/module/hadoop-3.1.3/sbin/start-yarn.sh”

echo " --------------- 启动 historyserver ---------------"

ssh hadoop102 “/opt/module/hadoop-3.1.3/bin/mapred --daemon start historyserver”

;;

“stop”)

echo " =================== 关闭 hadoop集群 ==================="

echo " --------------- 关闭 historyserver ---------------"

ssh hadoop102 “/opt/module/hadoop-3.1.3/bin/mapred --daemon stop historyserver”

echo " --------------- 关闭 yarn ---------------"

ssh hadoop103 “/opt/module/hadoop-3.1.3/sbin/stop-yarn.sh”

echo " --------------- 关闭 hdfs ---------------"

ssh hadoop102 “/opt/module/hadoop-3.1.3/sbin/stop-dfs.sh”

;;

*)

echo “Input Args Error…”

;;

esac

保存后退出，然后赋予脚本执行权限

[ovo@hadoop102 bin]$ chmod +x myhadoop.sh

2）查看三台服务器Java进程脚本：jpsall

[ovo@hadoop102 ~]$ cd /home/ovo/bin

[ovo@hadoop102 bin]$ vim jpsall

输入如下内容

#!/bin/bash

for host in hadoop102 hadoop103 hadoop104

do

echo =============== $host ===============

ssh $host jps

done

保存后退出，然后赋予脚本执行权限

[ovo@hadoop102 bin]$ chmod +x jpsall

3）分发/home/ovo/bin目录，保证自定义脚本在三台机器上都可以使用

[ovo@hadoop102 ~]$ xsync /home/ovo/bin/

2.2.10 集群时间同步

如果服务器在公网环境（能连接外网），可以不采用集群时间同步，因为服务器会定期和公网时间进行校准；

如果服务器在内网环境，必须要配置集群时间同步，否则时间久了，会产生时间偏差，导致集群执行任务时间不同步。

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上大数据知识点，真正体系化！

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

需要这份系统化资料的朋友，可以戳这里获取

sh hadoop103 “/opt/module/hadoop-3.1.3/sbin/start-yarn.sh”

echo " --------------- 启动 historyserver ---------------"

ssh hadoop102 “/opt/module/hadoop-3.1.3/bin/mapred --daemon start historyserver”

;;

“stop”)

echo " =================== 关闭 hadoop集群 ==================="

echo " --------------- 关闭 historyserver ---------------"

ssh hadoop102 “/opt/module/hadoop-3.1.3/bin/mapred --daemon stop historyserver”

echo " --------------- 关闭 yarn ---------------"

ssh hadoop103 “/opt/module/hadoop-3.1.3/sbin/stop-yarn.sh”

echo " --------------- 关闭 hdfs ---------------"

ssh hadoop102 “/opt/module/hadoop-3.1.3/sbin/stop-dfs.sh”

;;

*)

echo “Input Args Error…”

;;

esac

保存后退出，然后赋予脚本执行权限

[ovo@hadoop102 bin]$ chmod +x myhadoop.sh

2）查看三台服务器Java进程脚本：jpsall

[ovo@hadoop102 ~]$ cd /home/ovo/bin

[ovo@hadoop102 bin]$ vim jpsall

输入如下内容

#!/bin/bash

for host in hadoop102 hadoop103 hadoop104

do

echo =============== $host ===============

ssh $host jps

done

保存后退出，然后赋予脚本执行权限

[ovo@hadoop102 bin]$ chmod +x jpsall

3）分发/home/ovo/bin目录，保证自定义脚本在三台机器上都可以使用

[ovo@hadoop102 ~]$ xsync /home/ovo/bin/

2.2.10 集群时间同步

如果服务器在公网环境（能连接外网），可以不采用集群时间同步，因为服务器会定期和公网时间进行校准；

如果服务器在内网环境，必须要配置集群时间同步，否则时间久了，会产生时间偏差，导致集群执行任务时间不同步。

[外链图片转存中…(img-mGKyBv6H-1715640829400)]
[外链图片转存中…(img-2d0S7Ue3-1715640829400)]
[外链图片转存中…(img-nBNi4DVL-1715640829401)]

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上大数据知识点，真正体系化！

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

需要这份系统化资料的朋友，可以戳这里获取