1. Hadoop概述
1.1 Hadoop优势
-
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。
1.2 Hadoop组成
Hadoop1.x、2.x、3.x区别
1.2.1 HDFS架构概述
Hadoop Distributed File System,简称 HDFS,是一个分布式文件系统。
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):每隔一段时间对NameNode元数据备份。
1.2.2 YARN架构概述
Yet Another Resource Negotiator 简称 YARN ,另一种资源协调者,是 Hadoop 的资源管理器。
1.2.3 MapReduce架构概述
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。
1.2.4 HDFS、YARN、MapReduce三者关系
1.3 大数据技术生态体系
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。
Flume: Flume 是一个高可用的,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;
Kafka: Kafka 是一种高吞吐量的分布式发布订阅消息系统;
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。
Flink: Flink 是当前最流行的开源大数据内存计算框架。用于实时计算的场景较多。
Oozie: Oozie 是一个管理 Hadoop 作业(job)的工作流程调度管理系统。
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。
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。
ZooKeeper: 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。
1.4 推荐系统框架图
2. Hadoop运行环境搭建(开发重点)
2.1 模板虚拟机环境准备
安装虚拟机: VMware虚拟机安装Linux(CentOS7)
Linux教程: Linux教程
-
安装模板虚拟机
IP地址
192.168.10.100
、主机名称hadoop100
、内存4G、硬盘50G-
编辑VMware的网络配置
-
虚拟机网络IP修改地址配置
1)修改网络IP地址为静态IP地址,避免IP地址经常变化,从而方便节点服务器间的互相通信。
[root@hadoop100 ~]#vim /etc/sysconfig/network-scripts/ifcfg-ens33
2)以下加粗的项必须修改,有值的按照下面的值修改,没有该项的则需要增加。
TYPE="Ethernet" #网络类型(通常是Ethemet) PROXY_METHOD="none" BROWSER_ONLY="no" BOOTPROTO="static" #IP的配置方法[none|static|bootp|dhcp](引导时不使用协议|静态分配IP|BOOTP协议|DHCP协议) DEFROUTE="yes" IPV4_FAILURE_FATAL="no" IPV6INIT="yes" IPV6_AUTOCONF="yes" IPV6_DEFROUTE="yes" IPV6_FAILURE_FATAL="no" IPV6_ADDR_GEN_MODE="stable-privacy" NAME="ens33" UUID="e83804c1-3257-4584-81bb-660665ac22f6" #随机id DEVICE="ens33" #接口名(设备,网卡) ONBOOT="yes" #系统启动的时候网络接口是否有效(yes/no) #IP地址 IPADDR=192.168.10.100 #网关 GATEWAY=192.168.10.2 #域名解析器 DNS1=192.168.10.2
3)修改IP地址后的结果如图所示,执行“:wq”命令,保存退出
4)执行systemctl restart network命令,重启网络服务。如果报错,则执行“reboot”命令,重启虚拟机
[root@hadoop100 ~]# systemctl restart network
5)使用ifconfig命令查看当前IP
[root@hadoop100 ~]# ifconfig
6)保证Linux系统ifcfg-ens33文件中IP地址、虚拟网络编辑器地址相同
-
修改主机名和hosts文件
1)修改主机名称
[root@hadoop100 ~]# vim /etc/hostname hadoop100
2)配置Linux克隆机主机名称映射hosts文件,打开/etc/hosts
[root@hadoop100 ~]# vim /etc/hosts
添加如下内容
192.168.10.100 hadoop100 192.168.10.101 hadoop101 192.168.10.102 hadoop102 192.168.10.103 hadoop103 192.168.10.104 hadoop104 192.168.10.105 hadoop105 192.168.10.106 hadoop106 192.168.10.107 hadoop107 192.168.10.108 hadoop108
3)重启克隆机hadoop102
[root@hadoop100 ~]# reboot
-
-
hadoop100虚拟机配置
- 使用yum安装需要虚拟机可以正常上网,yum安装前可以先测试下虚拟机联网情况
[root@hadoop100 ~]# ping www.baidu.com PING www.baidu.com (14.215.177.39) 56(84) bytes of data. 64 bytes from 14.215.177.39 (14.215.177.39): icmp_seq=1 ttl=128 time=8.60 ms 64 bytes from 14.215.177.39 (14.215.177.39): icmp_seq=2 ttl=128 time=7.72 ms
- 安装epel-release
[root@hadoop100 ~]# yum install -y epel-release
- 使用yum安装需要虚拟机可以正常上网,yum安装前可以先测试下虚拟机联网情况
-
关闭防火墙,关闭防火墙开机自启
[root@hadoop100 ~]# systemctl stop firewalld [root@hadoop100 ~]# systemctl disable firewalld.service
注意: 在企业开发时,通常单个服务器的防火墙时关闭的。公司整体对外会设置非常安全的防火墙
-
创建 kc 用户,并修改 kc 用户的密码
[root@hadoop100 ~]# useradd kc [root@hadoop100 ~]# passwd kc
-
配置 kc 用户具有 root 权限,方便后期加 sudo 执行 root 权限的命令
[root@hadoop100 ~]# vim /etc/sudoers
修改
/etc/sudoers
文件,在%wheel
这行下面添加一行,如下所示:## Allow root to run any commands anywhere root ALL=(ALL) ALL ## Allows people in group wheel to run all commands %wheel ALL=(ALL) ALL kc ALL=(ALL) NOPASSWD:ALL
注意: kc 这一行不要直接放到 root 行下面,因为所有用户都属于 wheel 组,你先配置了 kc 具有免密功能,但是程序执行到 %wheel 行时,该功能又被覆盖回需要密码。所以 kc 要放到 %wheel 这行下面。
-
在/opt目录下创建文件夹,并修改所属主和所属组
-
在/opt目录下创建 module、software 文件夹
[root@hadoop100 ~]# mkdir /opt/module [root@hadoop100 ~]# mkdir /opt/software
-
修改 module、software 文件夹的所有者和所属组均为 kc 用户
[root@hadoop100 ~]# chown kc:kc /opt/module [root@hadoop100 ~]# chown kc:kc /opt/software
-
查看 module、software 文件夹的所有者和所属组
[root@hadoop100 ~]# cd /opt/ [root@hadoop100 opt]# ll 总用量 12 drwxr-xr-x. 2 kc kc 4096 5月 28 17:18 module drwxr-xr-x. 2 root root 4096 9月 7 2017 rh drwxr-xr-x. 2 kc kc 4096 5月 28 17:18 software
-
-
卸载虚拟机自带的JDK
注意: 如果你的虚拟机是最小化安装不需要执行这一步。
[root@hadoop100 ~]# rpm -qa | grep -i java | xargs -n1 rpm -e --nodeps
rpm -qa
:查询所安装的所有rpm软件包
grep -i
:忽略大小写
xargs -n1
:表示每次只传递一个参数
rpm -e –nodeps
:强制卸载软件 -
重启虚拟机
[root@hadoop100 ~]# reboot
2.2 克隆虚拟机
-
克隆
利用模板机hadoop100,克隆三台虚拟机:hadoop102 hadoop103 hadoop104
注意:克隆时,要先关闭hadoop100
克隆操作:具体详见第二章
-
修改克隆机IP
以下以 hadoop102 举例说明
-
修改克隆虚拟机的静态IP
[root@hadoop100 ~]# vim /etc/sysconfig/network-scripts/ifcfg-ens33
改成
DEVICE=ens33 TYPE=Ethernet ONBOOT=yes BOOTPROTO=static NAME="ens33" IPADDR=192.168.10.102 PREFIX=24 GATEWAY=192.168.10.2 DNS1=192.168.10.2
-
查看Linux虚拟机的虚拟网络编辑器,编辑 → \rightarrow → 虚拟网络编辑器 → \rightarrow → VMnet8
-
-
修改克隆机主机名
以下以 hadoop102 举例说明
-
修改主机名称
[root@hadoop100 ~]# vim /etc/hostname hadoop102
-
配置 Linux 克隆机主机名称映射
hosts
文件,打开/etc/hosts
[root@hadoop100 ~]# vim /etc/hosts
添加如下内容
192.168.10.100 hadoop100 192.168.10.101 hadoop101 192.168.10.102 hadoop102 192.168.10.103 hadoop103 192.168.10.104 hadoop104 192.168.10.105 hadoop105 192.168.10.106 hadoop106 192.168.10.107 hadoop107 192.168.10.108 hadoop108
-
-
重启克隆机hadoop102
[root@hadoop100 ~]# reboot
2.3 在hadoop102安装JDK
-
卸载现有JDK
注意:安装JDK前,一定确保提前删除了虚拟机自带的JDK。
详细步骤见本章2.1节中卸载JDK步骤。
-
SFTP传输工具
用 SFTP 传输工具将 JDK 导入到 opt 目录下面的 software 文件夹下面
-
查看软件包是否导入成功
在 Linux 系统下的 opt 目录中查看软件包是否导入成功
[kc@hadoop102 ~]$ ls /opt/software/ jdk-8u212-linux-x64.tar.gz
-
解压 JDK 到 /opt/module 目录下
[kc@hadoop102 software]$ tar -zxvf jdk-8u212-linux-x64.tar.gz -C /opt/module/
-
配置JDK环境变量
-
新建
/etc/profile.d/my_env.sh
文件[kc@hadoop102 ~]$ sudo vim /etc/profile.d/my_env.sh
添加如下内容
#JAVA_HOME export JAVA_HOME=/opt/module/jdk1.8.0_212 export PATH=$PATH:$JAVA_HOME/bin
-
保存后退出
:wq
-
source
一下/etc/profile
文件,让新的环境变量PATH生效[kc@hadoop102 ~]$ source /etc/profile
-
-
测试JDK是否安装成功
[kc@hadoop102 ~]$ java -version java version "1.8.0_212"
若不是以上结果,则需要重启
[kc@hadoop102 ~]$ sudo reboot
2.4 在hadoop102安装Hadoop
Hadoop下载地址:Hadoop
-
SFTP传输工具
用 SFTP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 -
进入到Hadoop安装包路径下并解压
# 进入Hadoop安装包路径下 [kc@hadoop102 ~]$ cd /opt/software/ # 解压 [kc@hadoop102 software]$ tar -zxvf hadoop-3.1.3.tar.gz -C /opt/module/
-
查看是否解压成功
[kc@hadoop102 software]$ ls /opt/module/ hadoop-3.1.3
-
将Hadoop添加到环境变量
-
获取Hadoop安装路径
[kc@hadoop102 hadoop-3.1.3]$ pwd /opt/module/hadoop-3.1.3
-
打开
/etc/profile.d/my_env.sh
文件[kc@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
-
让修改后的文件生效
[kc@hadoop102 hadoop-3.1.3]$ source /etc/profile
-
-
测试是否安装成功
[kc@hadoop102 hadoop-3.1.3]$ hadoop version Hadoop 3.1.3
-
重启(如果Hadoop命令不能用再重启虚拟机)
[kc@hadoop102 hadoop-3.1.3]$ sudo reboot
2.5 Hadoop目录结构
-
查看Hadoop目录结构
[kc@hadoop102 hadoop-3.1.3]$ ll 总用量 52 drwxr-xr-x. 2 kc kc 4096 5月 22 2017 bin drwxr-xr-x. 3 kc kc 4096 5月 22 2017 etc drwxr-xr-x. 2 kc kc 4096 5月 22 2017 include drwxr-xr-x. 3 kc kc 4096 5月 22 2017 lib drwxr-xr-x. 2 kc kc 4096 5月 22 2017 libexec -rw-r--r--. 1 kc kc 15429 5月 22 2017 LICENSE.txt -rw-r--r--. 1 kc kc 101 5月 22 2017 NOTICE.txt -rw-r--r--. 1 kc kc 1366 5月 22 2017 README.txt drwxr-xr-x. 2 kc kc 4096 5月 22 2017 sbin drwxr-xr-x. 4 kc kc 4096 5月 22 2017 share
-
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
3. Hadoop运行模式
- Hadoop官方网站:http://hadoop.apache.org/
- 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。
3.1 本地运行模式(官方WordCount)
-
创建文件夹并进入
创建在
hadoop-3.1.3
文件下面创建一个wcinput
文件夹并进入# 创建文件夹 [kc@hadoop102 hadoop-3.1.3]$ mkdir wcinput # 进入文件夹 [kc@hadoop102 hadoop-3.1.3]$ cd wcinput
-
编辑 word.txt 文件
[kc@hadoop102 wcinput]$ vim word.txt
在文件中输入如下内容
hadoop yarn hadoop mapreduce kc kc
保存退出:
:wq
-
回到 Hadoop 目录 /opt/module/hadoop-3.1.3
-
执行程序
[kc@hadoop102 hadoop-3.1.3]$ hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-3.1.3.jar wordcount wcinput wcoutput
-
查看结果
[kc@hadoop102 hadoop-3.1.3]$ cat wcoutput/part-r-00000
看到如下结果:
kc 2 hadoop 2 mapreduce 1 yarn 1
3.2 完全分布式运行模式(开发重点)
3.2.1 虚拟机准备
详见2.1、2.2两小节
3.2.2 编写集群分发脚本xsync
-
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)
-
基本语法
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
-
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kc:kc
(1) 在 hadoop102 上,将 hadoop102 中
/opt/module/jdk1.8.0_212
目录拷贝到 hadoop103 上。[kc@hadoop102 ~]$ scp -r /opt/module/jdk1.8.0_212 kc@hadoop103:/opt/module
(2) 在 hadoop103 上,将 hadoop102 中
/opt/module/hadoop-3.1.3
目录拷贝到hadoop103上。[kc@hadoop103 ~]$ scp -r kc@hadoop102:/opt/module/hadoop-3.1.3 /opt/module/
(3) 在 hadoop103 上,将 hadoop102 中
/opt/module
目录下所有目录拷贝到 hadoop104 上。[kc@hadoop103 opt]$ scp -r kc@hadoop102:/opt/module/* kc@hadoop104:/opt/module
-
-
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
-
基本语法
rsync -av $pdir/$fname $user@$host:$pdir/$fname 命令 选项参数 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 功能 -a 归档拷贝 -v 显示复制过程 -
案例实操
删除 hadoop103 中
/opt/module/hadoop-3.1.3/wcinput
[kc@hadoop103 hadoop-3.1.3]$ rm -rf wcinput/
同步 hadoop102 中的
/opt/module/hadoop-3.1.3
到hadoop103[kc@hadoop102 module]$ rsync -av hadoop-3.1.3/ kc@hadoop103:/opt/module/hadoop-3.1.3/
-
-
xsync集群分发脚本
-
需求:循环复制文件到所有节点的相同目录下
-
需求分析
(1) rsync命令原始拷贝:
rsync -av /opt/module kc@hadoop103:/opt/
(2) 期望脚本:xsync要同步的文件名称
[kc@hadoop102 ~]$ echo $PATH /usr/local/bin:/usr/bin:/usr/local/sbin:/usr/sbin:/home/kc/.local/bin:/home/kc/bin:/opt/module/jdk1.8.0_212/bin
-
脚本实现
(1) 在
/home/kc/bin
目录下创建 xsync 文件[kc@hadoop102 opt]$ cd /home/kc [kc@hadoop102 ~]$ mkdir bin [kc@hadoop102 ~]$ cd bin [kc@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 $file does not exists! fi done done
(2) 修改脚本 xsync 具有执行权限
[kc@hadoop102 bin]$ chmod +x xsync
(3) 测试脚本
[kc@hadoop102 ~]$ xsync /home/kc/bin
(4) 将脚本复制到/bin中,以便全局调用
[kc@hadoop102 bin]$ sudo cp xsync /bin/
(5) 同步环境变量配置(root所有者)
[kc@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
[kc@hadoop103 bin]$ source /etc/profile [kc@hadoop104 opt]$ source /etc/profile
-
3.2.3 SSH无密登录配置
-
配置ssh
-
基本语法:
ssh IP地址
-
ssh 连接如果出现如下内容
Are you sure you want to continue connecting (yes/no)?
输入yes,并回车
-
退回到 hadoop102
[kc@hadoop103 ~]$ exit
-
-
无密钥配置
-
免密登录原理
-
生成公钥和私钥
[kc@hadoop102 .ssh]$ pwd /home/kc/.ssh [kc@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)
-
将公钥拷贝到要免密登录的目标机器上
[kc@hadoop102 .ssh]$ ssh-copy-id hadoop102 [kc@hadoop102 .ssh]$ ssh-copy-id hadoop103 [kc@hadoop102 .ssh]$ ssh-copy-id hadoop104
注意:
还需要在 hadoop103 上采用 kc 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 kc 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 服务器上。
-
-
.ssh文件夹下(~/.ssh)的文件功能解释
文件名 功能 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 存放授权过的无密登录服务器公钥
3.2.4 集群配置
-
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。 -
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
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-3.1.3.jar/core-default.xml [hdfs-default.xml] hadoop-hdfs-3.1.3.jar/hdfs-default.xml [yarn-default.xml] hadoop-yarn-common-3.1.3.jar/yarn-default.xml [mapred-default.xml] hadoop-mapreduce-client-core-3.1.3.jar/mapred-default.xml -
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$HADOOP_HOME/etc/hadoop
这个路径上,用户可以根据项目需求重新进行修改配置。
-
-
配置集群
-
核心配置文件
配置
core-site.xml
[kc@hadoop102 ~]$ cd $HADOOP_HOME/etc/hadoop [kc@hadoop102 hadoop]$ 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"?> <configuration> <!-- 指定NameNode的地址 --> <property> <name>fs.defaultFS</name> <value>hdfs://hadoop102:8020</value> </property> <!-- 指定hadoop数据的存储目录 --> <property> <name>hadoop.tmp.dir</name> <value>/opt/module/hadoop-3.1.3/data</value> </property> <!-- 配置HDFS网页登录使用的静态用户为atguigu --> <property> <name>hadoop.http.staticuser.user</name> <value>kc</value> </property> </configuration>
-
HDFS配置文件
配置
hdfs-site.xml
[kc@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"?> <configuration> <!-- nn web端访问地址--> <property> <name>dfs.namenode.http-address</name> <value>hadoop102:9870</value> </property> <!-- 2nn web端访问地址--> <property> <name>dfs.namenode.secondary.http-address</name> <value>hadoop104:9868</value> </property> </configuration>
-
YARN配置文件
配置
yarn-site.xml
[kc@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"?> <configuration> <!-- 指定MR走shuffle --> <property> <name>yarn.nodemanager.aux-services</name> <value>mapreduce_shuffle</value> </property> <!-- 指定ResourceManager的地址--> <property> <name>yarn.resourcemanager.hostname</name> <value>hadoop103</value> </property> <!-- 环境变量的继承 --> <property> <name>yarn.nodemanager.env-whitelist</name> <value>JAVA_HOME,HADOOP_COMMON_HOME,HADOOP_HDFS_HOME,HADOOP_CONF_DIR,CLASSPATH_PREPEND_DISTCACHE,HADOOP_YARN_HOME,HADOOP_MAPRED_HOME</value> </property> </configuration>
-
MapReduce配置文件
配置
mapred-site.xml
<?xml version="1.0" encoding="UTF-8"?> <?xml-stylesheet type="text/xsl" href="configuration.xsl"?> <configuration> <!-- 指定MapReduce程序运行在Yarn上 --> <property> <name>mapreduce.framework.name</name> <value>yarn</value> </property> </configuration>
-
-
在集群上分发配置好的Hadoop配置文件
[kc@hadoop102 hadoop]$ xsync /opt/module/hadoop-3.1.3/etc/hadoop/
-
去103和104上查看文件分发情况
[kc@hadoop103 ~]$ cat /opt/module/hadoop-3.1.3/etc/hadoop/core-site.xml [kc@hadoop104 ~]$ cat /opt/module/hadoop-3.1.3/etc/hadoop/core-site.xml
3.2.5 群起集群
-
配置workers
[kc@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
[kc@hadoop102 hadoop]$ xsync /opt/module/hadoop-3.1.3/etc
-
启动集群
-
如果集群是第一次启动,需要在 hadoop102 节点格式化
NameNode
非常重要!!!
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。
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。[kc@hadoop102 hadoop-3.1.3]$ hdfs namenode -format
-
启动HDFS
[kc@hadoop102 hadoop-3.1.3]$ sbin/start-dfs.sh
-
在配置了
ResourceManager
的节点(hadoop103) 启动YARN[kc@hadoop103 hadoop-3.1.3]$ sbin/start-yarn.sh
-
Web端查看
HDFS
的NameNode
(1) 浏览器中输入:
http://hadoop102:9870
(2) 查看HDFS上存储的数据信息
-
Web端查看
YARN
的ResourceManager
(1) 浏览器中输入:
http://hadoop103:8088
(2) 查看HDFS上存储的数据信息
-
-
集群基本测试
-
上传文件到集群
上传小文件
[kc@hadoop102 ~]$ hadoop fs -mkdir /input [kc@hadoop102 ~]$ hadoop fs -put $HADOOP_HOME/wcinput/word.txt /input
上传大文件
[kc@hadoop102 ~]$ hadoop fs -put /opt/software/jdk-8u212-linux-x64.tar.gz /
-
上传文件后查看文件存放在什么位置
查看HDFS文件存储路径
[kc@hadoop102 subdir0]$ pwd /opt/module/hadoop-3.1.3/data/dfs/data/current/BP-1436128598-192.168.10.102-1610603650062/current/finalized/subdir0/subdir0
查看HDFS在磁盘存储文件内容
[kc@hadoop102 subdir0]$ cat blk_1073741825 hadoop yarn hadoop mapreduce kc kc
-
拼接
-rw-rw-r--. 1 kc kc 134217728 5月 23 16:01 blk_1073741836 -rw-rw-r--. 1 kc kc 1048583 5月 23 16:01 blk_1073741836_1012.meta -rw-rw-r--. 1 kc kc 63439959 5月 23 16:01 blk_1073741837 -rw-rw-r--. 1 kc kc 495635 5月 23 16:01 blk_1073741837_1013.meta [kc@hadoop102 subdir0]$ cat blk_1073741836>>tmp.tar.gz [kc@hadoop102 subdir0]$ cat blk_1073741837>>tmp.tar.gz [kc@hadoop102 subdir0]$ tar -zxvf tmp.tar.gz
-
下载
[kc@hadoop104 software]$ hadoop fs -get /jdk-8u212-linux-x64.tar.gz ./
-
执行wordcount程序
[kc@hadoop102 hadoop-3.1.3]$ hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-3.1.3.jar wordcount /input /output
-
3.2.6 配置历史服务器
为了查看程序的历史运行情况,需要配置一下历史服务器。具体配置步骤如下:
-
配置
mapred-site.xml
[kc@hadoop102 hadoop]$ vim mapred-site.xml
在该文件里面增加如下配置。
<!-- 历史服务器端地址 --> <property> <name>mapreduce.jobhistory.address</name> <value>hadoop102:10020</value> </property> <!-- 历史服务器web端地址 --> <property> <name>mapreduce.jobhistory.webapp.address</name> <value>hadoop102:19888</value> </property>
-
分发配置
[kc@hadoop102 hadoop]$ xsync $HADOOP_HOME/etc/hadoop/mapred-site.xml
-
在 hadoop102 启动历史服务器
[kc@hadoop102 hadoop]$ mapred --daemon start historyserver
-
查看历史服务器是否启动
[kc@hadoop102 hadoop]$ jps
-
查看JobHistory
http://hadoop102:19888/jobhistory
3.2.7 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:
-
配置
yarn-site.xml
[kc@hadoop102 hadoop]$ vim yarn-site.xml
在该文件里面增加如下配置。
<!-- 开启日志聚集功能 --> <property> <name>yarn.log-aggregation-enable</name> <value>true</value> </property> <!-- 设置日志聚集服务器地址 --> <property> <name>yarn.log.server.url</name> <value>http://hadoop102:19888/jobhistory/logs</value> </property> <!-- 设置日志保留时间为7天 --> <property> <name>yarn.log-aggregation.retain-seconds</name> <value>604800</value> </property>
-
分发配置
[kc@hadoop102 hadoop]$ xsync $HADOOP_HOME/etc/hadoop/yarn-site.xml
-
关闭
NodeManager
、ResourceManager
和HistoryServer
[kc@hadoop103 hadoop-3.1.3]$ sbin/stop-yarn.sh [kc@hadoop103 hadoop-3.1.3]$ mapred --daemon stop historyserver
-
启动
NodeManager
、ResourceManage
和HistoryServer
[kc@hadoop103 ~]$ start-yarn.sh [kc@hadoop102 ~]$ mapred --daemon start historyserver
-
删除HDFS上已经存在的输出文件
[kc@hadoop102 ~]$ hadoop fs -rm -r /output
-
执行WordCount程序
[kc@hadoop102 hadoop-3.1.3]$ hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-3.1.3.jar wordcount /input /output
-
查看日志
-
历史服务器地址
http://hadoop102:19888/jobhistory
-
历史任务日志
-
3.2.8 集群启动/停止方式总结
-
各个模块分开启动/停止(配置ssh是前提)常用
-
整体启动/停止
HDFS
start-dfs.sh/stop-dfs.sh
-
整体启动/停止
YARN
start-yarn.sh/stop-yarn.sh
-
-
各个服务组件逐一启动/停止
-
分别启动/停止
HDFS
组件hdfs --daemon start/stop namenode/datanode/secondarynamenode
-
分别启动/停止
YARN
yarn --daemon start/stop resourcemanager/nodemanager
-
3.2.9 编写Hadoop集群常用脚本
-
Hadoop集群启停脚本(包含
HDFS
,Yarn
,Historyserver
)[kc@hadoop102 ~]$ cd /home/kc/bin [kc@hadoop102 bin]$ vim myhadoop.sh
输入如下内容
#!/bin/bash if [ $# -lt 1 ] then echo "No Args Input..." exit ; fi case $1 in "start") echo " =================== 启动 hadoop集群 ===================" echo " --------------- 启动 hdfs ---------------" ssh hadoop102 "/opt/module/hadoop-3.1.3/sbin/start-dfs.sh" echo " --------------- 启动 yarn ---------------" ssh hadoop103 "/opt/module/hadoop-3.1.3/sbin/start-yarn.sh" echo " --------------- 启动 historyserver ---------------" ssh hadoop102 "/opt/module/hadoop-3.1.3/bin/mapred --daemon start historyserver" ;; "stop") echo " =================== 关闭 hadoop集群 ===================" echo " --------------- 关闭 historyserver ---------------" ssh hadoop102 "/opt/module/hadoop-3.1.3/bin/mapred --daemon stop historyserver" echo " --------------- 关闭 yarn ---------------" ssh hadoop103 "/opt/module/hadoop-3.1.3/sbin/stop-yarn.sh" echo " --------------- 关闭 hdfs ---------------" ssh hadoop102 "/opt/module/hadoop-3.1.3/sbin/stop-dfs.sh" ;; *) echo "Input Args Error..." ;; esac
保存后退出,然后赋予脚本执行权限
[kc@hadoop102 bin]$ chmod +x myhadoop.sh
-
查看三台服务器Java进程脚本:jpsall
[kc@hadoop102 ~]$ cd /home/kc/bin [kc@hadoop102 bin]$ vim jpsall
输入如下内容
#!/bin/bash for host in hadoop102 hadoop103 hadoop104 do echo =============== $host =============== ssh $host jps done
保存后退出,然后赋予脚本执行权限
[kc@hadoop102 bin]$ chmod +x jpsall
-
分发/home/kc/bin目录,保证自定义脚本在三台机器上都可以使用
[kc@hadoop102 ~]$ xsync /home/kc/bin/
3.2.10 常用端口号说明
4. 常见错误及解决方案
-
防火墙没关闭、或者没有启动YARN
INFO client.RMProxy: Connecting to ResourceManager at hadoop108/192.168.10.108:8032
-
主机名称配置错误
-
IP地址配置错误
-
ssh没有配置好
-
root用户和kc两个用户启动集群不统一
-
配置文件修改不细心
-
不识别主机名称
java.net.UnknownHostException: hadoop102: hadoop102 at java.net.InetAddress.getLocalHost(InetAddress.java:1475) at org.apache.hadoop.mapreduce.JobSubmitter.submitJobInternal(JobSubmitter.java:146) at org.apache.hadoop.mapreduce.Job$10.run(Job.java:1290) at org.apache.hadoop.mapreduce.Job$10.run(Job.java:1287) at java.security.AccessController.doPrivileged(Native Method) at javax.security.auth.Subject.doAs(Subject.java:415)
-
解决办法:
(1) 在
/etc/hosts
文件中添加192.168.10.102 hadoop102
(2) 主机名称不要起
hadoop
hadoop000
等特殊名称
-
-
DataNode和NameNode进程同时只能工作一个
-
jps发现进程已经没有,但是重新启动集群,提示进程已经开启
原因:在Linux的根目录下
/tmp
目录中存在启动的进程临时文件,将集群相关进程删除掉,再重新启动集群。 -
jps不生效
原因:全局变量
hadoop java
没有生效。解决办法:需要
source /etc/profile
文件 -
8088端口连接不上
[kc@hadoop102 ~]$ cat /etc/hosts
注释掉如下代码
#127.0.0.1 localhost localhost.localdomain localhost4 localhost4.localdomain4 #::1 hadoop102