Hadoop（1）入门

一 、从Hadoop框架讨论大数据生态

1.1 Hadoop是什么

• 1）Hadoop是一个由Apache基金会所开发的分布式系统基础架构
• 2）主要解决，海量数据的存储和海量数据的分析计算问题。
• 3）广义上来说，HADOOP通常是指一个更广泛的概念——HADOOP生态圈

1.2 Hadoop

• 1）Lucene–Doug Cutting开创的开源软件，用java书写代码，实现与Google类似的全文搜索功能，它提供了全文检索引擎的架构，包括完整的查询引擎和索引引擎
• 2）2001年年底成为apache基金会的一个子项目
• 3）对于大数量的场景，Lucene面对与Google同样的困难
• 4）学习和模仿Google解决这些问题的办法 ：微型版Nutch
• 5）可以说Google是hadoop的思想之源(Google在大数据方面的三篇论文)
  GFS —>HDFS
  Map-Reduce —>MR
  BigTable —>Hbase
• 6）2003-2004年，Google公开了部分GFS和Mapreduce思想的细节，以此为基础Doug Cutting等人用了2年业余时间实现了DFS和Mapreduce机制，使Nutch性能飙升
• 7）2005 年Hadoop 作为 Lucene的子项目 Nutch的一部分正式引入Apache基金会。2006 年 3 月份，Map-Reduce和Nutch Distributed File System (NDFS) 分别被纳入称为 Hadoop 的项目中
• 8）名字来源于Doug Cutting儿子的玩具大象
  
  
  
  
• 9）Hadoop就此诞生并迅速发展，标志这云计算时代来临

1.3 Hadoop三大发行版本

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。
• Cloudera在大型互联网企业中用的较多。

• Hortonworks文档较好。

• Cloudera Hadoop
  （1）2008年成立的Cloudera是最早将Hadoop商用的公司，为合作伙伴提供Hadoop的商用解决方案，主要是包括支持、咨询服务、培训。
  （2）2009年Hadoop的创始人Doug Cutting也加盟Cloudera公司。Cloudera产品主要为CDH，Cloudera Manager，Cloudera Support
  （3）CDH是Cloudera的Hadoop发行版，完全开源，比Apache Hadoop在兼容性，安全性，稳定性上有所增强。
  （4）Cloudera Manager是集群的软件分发及管理监控平台，可以在几个小时内部署好一个Hadoop集群，并对集群的节点及服务进行实时监控。Cloudera Support即是对Hadoop的技术支持。
  （5）Cloudera的标价为每年每个节点4000美元。Cloudera开发并贡献了可实时处理大数据的Impala项目。

• Hortonworks Hadoop
  （1）2011年成立的Hortonworks是雅虎与硅谷风投公司Benchmark Capital合资组建。
  （2）公司成立之初就吸纳了大约25名至30名专门研究Hadoop的雅虎工程师，上述工程师均在2005年开始协助雅虎开发Hadoop，贡献了Hadoop80%的代码。
  （3）雅虎工程副总裁、雅虎Hadoop开发团队负责人Eric Baldeschwieler出任Hortonworks的首席执行官。
  （4）Hortonworks的主打产品是Hortonworks Data Platform（HDP），也同样是100%开源的产品，HDP除常见的项目外还包括了Ambari，一款开源的安装和管理系统。
  （5）HCatalog，一个元数据管理系统，HCatalog现已集成到Facebook开源的Hive中。Hortonworks的Stinger开创性的极大的优化了Hive项目。Hortonworks为入门提供了一个非常好的，易于使用的沙盒。
  （6）Hortonworks开发了很多增强特性并提交至核心主干，这使得Apache Hadoop能够在包括Window Server和Windows Azure在内的microsoft Windows平台上本地运行。定价以集群为基础，每10个节点每年为12500美元。

1.4 Hadoop的优势

• 1）高可靠性：因为Hadoop假设计算元素和存储会出现故障，因为它维护多个工作数据副本，在出现故障时可以对失败的节点重新分布处理。
• 2）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。
• 3）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。
• 4）高容错性：自动保存多份副本数据，并且能够自动将失败的任务重新分配。

1.5 Hadoop组成

1. Hadoop HDFS：一个高可靠、高吞吐量的分布式文件系统。
2. Hadoop MapReduce：一个分布式的离线并行计算框架。
3. Hadoop YARN：作业调度与集群资源管理的框架。

4. Hadoop Common：支持其他模块的工具模块。
   

   • HDFS架构概述
     1）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。
     2）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。
     3）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。

   • Yarn架构概述
     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。

   • MapReduce架构概述
     MapReduce将计算过程分为两个阶段：Map和Reduce
     1）Map阶段并行处理输入数据
     2）Reduce阶段对Map结果进行汇总

     

     上图简单的阐明了map和reduce的两个过程或者作用，虽然不够严谨，但是足以提供一个大概的认知，map过程是一个蔬菜到制成食物前的准备工作，reduce将准备好的材料合并进而制作出食物的过程

1.6 大数据技术生态体系

图中涉及的技术名词解释如下：

• 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为分布式实时计算提供了一组通用原语，可被用于“流处理”之中，实时处理消息并更新数据库。这是管理队列及工作者集群的另一种方式。 Storm也可被用于“连续计算”（continuous computation），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。Oozie协调作业就是通过时间（频率）和有效数据触发当前的Oozie工作流程。
• 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。
• 9）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。
• 10）Mahout:
  Apache Mahout是个可扩展的机器学习和数据挖掘库，当前Mahout支持主要的4个用例：
  推荐挖掘：搜集用户动作并以此给用户推荐可能喜欢的事物。
  聚集：收集文件并进行相关文件分组。
  分类：从现有的分类文档中学习，寻找文档中的相似特征，并为无标签的文档进行正确的归类。
  频繁项集挖掘：将一组项分组，并识别哪些个别项会经常一起出现。
• 11）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运行模式

• 1）官方网址
  （1）官方网站：
  http://hadoop.apache.org/
  （2）各个版本归档库地址
  https://archive.apache.org/dist/hadoop/common/hadoop-2.7.2/
  （3）hadoop2.7.2版本详情介绍
  http://hadoop.apache.org/docs/r2.7.2/
• 2）Hadoop运行模式
  （1）本地模式（默认模式）：
  不需要启用单独进程，直接可以运行，测试和开发时使用。
  （2）伪分布式模式：
  等同于完全分布式，只有一个节点。
  （3）完全分布式模式：
  多个节点一起运行。

2-1 本地运行Hadoop 案例

1）创建在hadoop-2.7.2文件下面创建一个input文件夹
[admin@linux01 hadoop-2.7.2]$mkdir input
2）将hadoop的xml配置文件复制到input
[admin@linux01 hadoop-2.7.2]$cp etc/hadoop/*.xml input
3）执行share目录下的mapreduce程序
[admin@linux01 hadoop-2.7.2]$ bin/hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.7.2.jar grep input output 'dfs[a-z.]+'
4）查看输出结果
[admin@linux01 hadoop-2.7.2]$ cat output/*

2-2 伪分布式运行Hadoop案例

1、 启动HDFS并运行MapReduce程序

• 1）分析：
  
  • （1）准备1台客户机
  • （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）启动、测试集群增、删、查
  • （8）执行wordcount案例

• 2）执行步骤
  需要配置hadoop文件如下

  • （1）配置集群

    • （a）配置：hadoop-env.sh
      Linux系统中获取jdk的安装路径：
      [root@ linux01 ~]# echo $JAVA_HOME/opt/module/jdk1.7.0_79
      修改JAVA_HOME 路径：
      export JAVA_HOME=/opt/module/jdk1.7.0_79

    • （b）配置：core-site.xml

      <!-- 指定HDFS中NameNode的地址 -->
      <property>
          <name>fs.defaultFS</name>
          <value>hdfs://linux01:9000</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-2.7.2/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）
      bin/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
      [root@linux01 ~]# jps
13586 NameNode
13668 DataNode
13786 Jps

    • （b）查看产生的log日志
      当前目录：/opt/module/hadoop-2.7.2/logs
      [root@linux01 logs]# ls
hadoop-root-datanode-hadoop.atguigu.com.log
hadoop-root-datanode-hadoop.atguigu.com.out
hadoop-root-namenode-hadoop.atguigu.com.log
hadoop-root-namenode-hadoop.atguigu.com.out
SecurityAuth-root.audit

      [root@linux01 logs]# cat hadoop-root-datanode-hadoop.atguigu.com.log

    • （c）web端查看HDFS文件系统
      http://192.168.1.101:50070/dfshealth.html#tab-overview
      注意：如果不能查看，看如下帖子处理
      http://www.cnblogs.com/zlslch/p/6604189.html
  • （4）操作集群
    
    • （a）在hdfs文件系统上创建一个input文件夹
      [admin@linux01 hadoop-2.7.2]$ bin/hdfs dfs -mkdir -p /user/atguigu/mapreduce/wordcount/input
    • （b）将测试文件内容上传到文件系统上
      bin/hdfs dfs -put wcinput/wc.input /user/atguigu/mapreduce/wordcount/input/
    • （c）查看上传的文件是否正确
      bin/hdfs dfs -ls /user/atguigu/mapreduce/wordcount/input/
bin/hdfs dfs -cat /user/atguigu/mapreduce/wordcount/input/wc.input
    • （d）运行mapreduce程序
      bin/hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.7.2.jar wordcount /user/atguigu/mapreduce/wordcount/input/ /user/atguigu/mapreduce/wordcount/output
    • （e）查看输出结果
      命令行查看：
      bin/hdfs dfs -cat /user/atguigu/mapreduce/wordcount/output/*
      浏览器查看
      
    • （f）将测试文件内容下载到本地
      hadoop fs -get /user/atguigu/mapreduce/wordcount/output/part-r-00000 ./wcoutput/
    • （g）删除输出结果
      hdfs dfs -rmr /user/atguigu/mapreduce/wordcount/output

2、 YARN上运行MapReduce 程序

• 1）分析：
  
  • （1）准备1台客户机
  • （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yarn上运行
  • （7）启动、测试集群增、删、查
  • （8）在yarn上执行wordcount案例

• 2）执行步骤

  • （1）配置集群

    • （a）配置yarn-env.sh
      配置一下JAVA_HOME
      export JAVA_HOME=/opt/module/jdk1.7.0_79

    • （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>linux01</value>
      </property>

    • （c）配置：mapred-env.sh
      配置一下JAVA_HOME
      export JAVA_HOME=/opt/module/jdk1.7.0_79

    • （d）配置： (对mapred-site.xml.template重新命名为) mapred-site.xml
      

      <!-- 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resourcemanager
      sbin/yarn-daemon.sh start resourcemanager
    • （b）启动nodemanager
      sbin/yarn-daemon.sh start nodemanager
  • （3）集群操作
    
    • （a）yarn的浏览器页面查看
      http://192.168.1.101:8088/cluster
      
    • （b）删除文件系统上的output文件
      bin/hdfs dfs -rm -R /user/atguigu/mapreduce/wordcount/output
    • （c）执行mapreduce程序
      bin/hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.7.2.jar wordcount /user/atguigu/mapreduce/wordcount/input /user/atguigu/mapreduce/wordcount/output
    • （d）查看运行结果
      bin/hdfs dfs -cat /user/atguigu/mapreduce/wordcount/output/*
      

3、 修改本地临时文件存储目录

• 1）停止进程
  [atguigu@hadoop101 hadoop-2.7.2]$ sbin/yarn-daemon.sh stop nodemanager
[atguigu@hadoop101 hadoop-2.7.2]$ sbin/yarn-daemon.sh stop resourcemanager
[atguigu@hadoop101 hadoop-2.7.2]$ sbin/hadoop-daemon.sh stop datanode
[atguigu@hadoop101 hadoop-2.7.2]$ sbin/hadoop-daemon.sh stop namenode

• 2）修改hadoop.tmp.dir
  [core-site.xml]

  <!-- 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-2.7.2/data/tmp</value>
  </property>

• 3）将/opt/module/hadoop-2.7.2路径中的logs文件夹删除掉
  [admin@linux01 hadoop-2.7.2]$ rm -rf logs/
• 4）进入到tmp目录将tmp目录中hadoop-atguigu目录删除掉
  [admin@linux01 tmp]$ rm -rf hadoop-atguigu/
• 5）格式化NameNode
  [atguigu@hadoop101 hadoop-2.7.2]$ hadoop namenode -format
• 6）启动所有进程
  [admin@linux01 hadoop-2.7.2]$ sbin/hadoop-daemon.sh start namenode
[admin@linux01 hadoop-2.7.2]$ sbin/hadoop-daemon.sh start datanode
[admin@linux01 hadoop-2.7.2]$ sbin/yarn-daemon.sh start resourcemanager
[admin@linux01 hadoop-2.7.2]$ sbin/yarn-daemon.sh start nodemanager
• 7）查看/opt/module/hadoop-2.7.2/data/tmp这个目录下的内容。

4、 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：存放在hadoop相应的jar包中
  [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
[core-default.xml]
hadoop-mapreduce-client-core-2.7.2.jar/ core-default.xml
• （2）自定义配置文件：存放在$HADOOP_HOME/etc/hadoop
  core-site.xml
  hdfs-site.xml
  yarn-site.xml
  mapred-site.xml

5、 历史服务配置启动查看

• 1）配置mapred-site.xml

<property>
<name>mapreduce.jobhistory.address</name>
<value>linux01:10020</value>
</property>
<property>
    <name>mapreduce.jobhistory.webapp.address</name>
    <value>linux01:19888</value>
</property>

• 2）查看启动历史服务器文件目录：
  [root@linux01 hadoop-2.7.2]# ls sbin/ |grep mr
mr-jobhistory-daemon.sh
• 3）启动历史服务器
  sbin/mr-jobhistory-daemon.sh start historyserver
• 4）查看历史服务器是否启动
  jps
• 5）查看jobhistory
  http://192.168.1.101:19888/jobhistory

6、 日志的聚集

日志聚集概念：应用运行完成以后，将日志信息上传到HDFS系统上。
开启日志聚集功能步骤：

• （1）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nodemanager 、resourcemanager和historymanager
  sbin/yarn-daemon.sh stop resourcemanager
sbin/yarn-daemon.sh stop nodemanager
sbin/mr-jobhistory-daemon.sh stop historyserver
• （3）启动nodemanager 、resourcemanager和historymanager
  sbin/yarn-daemon.sh start resourcemanager
sbin/yarn-daemon.sh start nodemanager
sbin/mr-jobhistory-daemon.sh start historyserver
• （4）删除hdfs上已经存在的hdfs文件
  bin/hdfs dfs -rm -R /user/atguigu/mapreduce/wordcount/output
• （5）执行wordcount程序
  hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.7.2.jar wordcount /user/atguigu/mapreduce/wordcount/input /user/atguigu/mapreduce/wordcount/output
  （6）查看日志
  http://192.168.1.101:19888/jobhistory
  
  
  

2-3 完全分布式部署Hadoop

分析：
1）准备3台客户机（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）安装ssh
7）配置集群
8）启动测试集群

1、 scp

• 1）scp可以实现服务器与服务器之间的数据拷贝。
• 2）案例实操
  （1）将linux01中/opt/module和/opt/software文件拷贝到linux02、linux03和linux04上。
  [root@linux01 /]# scp -r /opt/module/ root@linux02:/opt
[root@linux01 /]# scp -r /opt/software/ root@linux02:/opt
[root@linux01 /]# scp -r /opt/module/ root@linux03:/opt
[root@linux01 /]# scp -r /opt/software/ root@linux03:/opt
[root@linux01 /]# scp -r /opt/module/ root@linux04:/opt
[root@linux01 /]# scp -r /opt/software/ root@linux05:/opt
  （2）将192.168.1.102服务器上的文件拷贝到当前用户下。
  [root@linux01 opt]# scp root@linux02:/etc/profile /opt/tmp/
  （3）实现两台远程机器之间的文件传输（hadoop103主机文件拷贝到hadoop104主机上）
  [admin@linux02 test]$ scp atguigu@linux03:/opt/test/haha atguigu@linux04:/opt/test/

2、 SSH无密码登录

• 1）配置ssh
  
  • （1）基本语法
    ssh 另一台电脑的ip地址
  • （2）ssh连接时出现Host key verification failed的解决方法
    [root@linux02 opt]# ssh 192.168.1.103
The authenticity of host '192.168.1.103 (192.168.1.103)' 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.
    （3）解决方案如下：直接输入yes
• 2）无密钥配置
  
  • （1）进入到我的home目录
    cd ~/.ssh
  • （2）生成公钥和私钥：
    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
    ssh-copy-id linux03
ssh-copy-id linux04

• 3）.ssh文件夹下的文件功能解释
  
  • （1）~/.ssh/known_hosts ：记录ssh访问过计算机的公钥(public key)
  • （2）id_rsa ：生成的私钥
  • （3）id_rsa.pub ：生成的公钥
  • （4）authorized_keys ：存放授权过得无秘登录服务器公钥

3、 rsync

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。

• （1）查看rsync使用说明
  man rsync | more
• （2）基本语法
  rsync -rvl $pdir/$fname $user@linux$host:$pdir
命令 命令参数 要拷贝的文件路径/名称 目的用户@主机:目的路径
  选项
  -r 递归
  -v 显示复制过程
  -l 拷贝符号连接
• （3）案例实操
  把本机/opt/tmp目录同步到hadoop103服务器的root用户下的/opt/tmp目录
  rsync -rvl /opt/tmp/* root@linux03:/opt/tmp

4、 xsync脚本

（1）在/usr/local/bin目录下创建xsync文件，文件内容如下:

#!/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=2; host<4; host++)); do
        #echo $pdir/$fname $user@linux0$host:$pdir
        echo --------------- linux0$host ----------------
        rsync -rvl $pdir/$fname $user@linux0$host:$pdir
done                                                                                                                                                      

（2）修改脚本 xsync 具有执行权限
[root@linux01 bin]# chmod a+x xsync
（3）调用脚本形式：xsync 文件名称

5、xcall脚本

（1）在/usr/local/bin目录下创建xcall文件，文件内容如下：

#!/bin/bash
pcount=$#
if((pcount==0));then
        echo no args;
        exit;
fi

for((host=1; host<=3; host++)); do
        echo ----------linux$host---------
        ssh linux0$host $@
done

（2）修改脚本 xcall 具有执行权限
[root@linux01 bin]# chmod a+x xcall
（3）调用脚本形式： xcall 操作命令
[root@linux01 ~]# xcall rm -rf /opt/tmp/profile

6、 配置集群

1）集群部署规划

配置	linux01	linux02	linux03
NameNode	√
DateNode	√	√	√
SeconderayNameNode			√
ResourceManager		√
NodeManager	√	√	√

2）配置文件
（1）core-site.xml

<!-- 指定HDFS中NameNode的地址 -->
    <property>
        <name>fs.defaultFS</name>
        <value>hdfs://linux01:9000</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-2.7.2/data/tmp</value>
    </property>

（2）Hdfs

• hadoop-env.sh
  export JAVA_HOME=/opt/module/jdk1.7.0_79
• hdfs-site.xml

<configuration> 
    <property>
        <name>dfs.replication</name>
        <value>3</value>
    </property>

    <property>
        <name>dfs.namenode.secondary.http-address</name>
        <value>linux03:50090</value>
    </property>
</configuration>

• slaves

linux01
linux02
linux03

（3）yarn

• yarn-env.sh
  export JAVA_HOME=/opt/module/jdk1.7.0_79
• yarn-site.xml

<configuration>

    <!-- 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>linux02</value>
    </property>
</configuration>

（4）mapreduce

• mapred-env.sh
  export JAVA_HOME=/opt/module/jdk1.7.0_79
• mapred-site.xml

<configuration>
    <!-- 指定mr运行在yarn上 -->
    <property>
        <name>mapreduce.framework.name</name>
        <value>yarn</value>
    </property>
</configuration>

3）在集群上分发配置好的hadoop
xsync /opt/modules/hadoop-2.7.2

7、 集群启动测试

1）启动集群

• （0）如果集群是第一次启动，需要格式化namenode
  [root@linux01 hadoop-2.7.2]# bin/hdfs namenode -format
• （1）启动HDFS：

[root@linux01 hadoop-2.7.2]# sbin/start-dfs.sh
[root@linux01 hadoop-2.7.2]# jps
4166 NameNode
4482 Jps
4263 DataNode

[root@linux02桌面]# jps
3218 DataNode
3288 Jps

[root@linux03 桌面]# jps
3221 DataNode
3283 SecondaryNameNode
3364 Jps

• （2）启动yarn
  sbin/start-yarn.sh
  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。

2）集群基本测试

• （1）上传文件到集群
  上传小文件
  bin/hdfs dfs -mkdir -p /user/admin/tmp/conf
bin/hdfs dfs -put etc/hadoop/*-site.xml /user/admin/tmp/conf
  上传大文件
  [admin@linux01 hadoop-2.7.2]$ bin/hadoop fs -put /opt/software/hadoop-2.7.2.tar.gz /user/admin/input
• （2）上传文件后查看文件存放在什么位置
  文件存储路径

[admin@linux01subdir0]$ pwd
/opt/module/hadoop-2.7.2/data/tmp/dfs/data/current/BP-938951106-192.168.10.107-1495462844069/current/finalized/subdir0/subdir0`

查看文件内容

[admin@linux01 subdir0]$ cat blk_1073741825
hadoop
hello
world

• （3）拼接

-rw-rw-r--. 1 admin admin 134217728 5月  23 16:01 blk_1073741836
-rw-rw-r--. 1 admin admin 1048583 5月  23 16:01 blk_1073741836_1012.meta
-rw-rw-r--. 1 admin admin 63439959 5月  23 16:01 blk_1073741837
-rw-rw-r--. 1 admin admin 495635 5月  23 16:01 blk_1073741837_1013.meta
[admin@linux01 subdir0]$ cat blk_1073741836>>tmp.file
[admin@linux01 subdir0]$ cat blk_1073741837>>tmp.file
[admin@linux01 subdir0]$ tar -zxvf tmp.file

• （4）下载
  [admin@linux01 hadoop-2.7.2]$ bin/hadoop fs -get /user/atguigu/input/hadoop-2.7.2.tar.gz

3）性能测试集群
写海量数据
读海量数据

8、 Hadoop启动停止方式

1）各个服务组件逐一启动

• （1）分别启动hdfs组件
  hadoop-daemon.sh start|stop namenode|datanode|secondarynamenode
• （2）启动yarn
  yarn-daemon.sh start|stop resourcemanager|nodemanager

2）各个模块分开启动（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

3）全部启动（不建议使用）
start-all.sh
stop-all.sh

9、 集群时间同步设置

时间同步的方式：找一个机器，作为时间服务器，所有的机器与这台集群时间进行定时的同步，比如，每隔十分钟，同步一次时间。
配置时间同步实操：
1）时间服务器配置（必须root用户）

• （1）检查ntp是否安装

[root@linux01 桌面]# rpm -qa|grep ntp
ntp-4.2.6p5-10.el6.centos.x86_64
fontpackages-filesystem-1.41-1.1.el6.noarch
ntpdate-4.2.6p5-10.el6.centos.x86_64

• （2）修改ntp配置文件
  [root@linux01 桌面]# vi /etc/ntp.conf
  修改内容如下

  • a）修改1
    #restrict 192.168.1.0 mask 255.255.255.0 nomodify notrap为
    restrict 192.168.1.0 mask 255.255.255.0 nomodify notrap

  • b）修改2

    server 0.centos.pool.ntp.org iburst
    server 1.centos.pool.ntp.org iburst
    server 2.centos.pool.ntp.org iburst
    server 3.centos.pool.ntp.org iburst

    为

    
    #server 0.centos.pool.ntp.org iburst
    
    
    #server 1.centos.pool.ntp.org iburst
    
    
    #server 2.centos.pool.ntp.org iburst
    
    
    #server 3.centos.pool.ntp.org iburst
    

  • c）添加3

    server 127.127.1.0
    fudge 127.127.1.0 stratum 10

• （3）修改/etc/sysconfig/ntpd 文件
  [root@linux01 桌面]# vim /etc/sysconfig/ntpd
  增加内容如下
  SYNC_HWCLOCK=yes

• （4）重新启动ntpd

[root@hadoop102 桌面]# service ntpd status
ntpd 已停
[root@hadoop102 桌面]# service ntpd start
正在启动 ntpd：                                            [确定]

• （5）执行：
  [root@linux01 桌面]# chkconfig ntpd on

2）其他机器配置（必须root用户）

• （1）在其他机器配置10分钟与时间服务器同步一次
  [root@linux01 hadoop-2.7.2]# crontab -e
  编写脚本
  */10 * * * * /usr/sbin/ntpdate linux01
• （2）修改任意机器时间
  [root@linux02 hadoop]# date -s "2017-9-11 11:11:11"
• （3）十分钟后查看机器是否与时间服务器同步
  [root@linux02 hadoop]# date

三、 Hadoop编译源码

1、 前期准备工作

1）CentOS联网

[root@linux01 桌面]# vi /etc/sysconfig/network-scripts/ifcfg-eth0 
DEVICE=eth0
HWADDR=00:0c:29:ca:6e:ec
TYPE=Ethernet
UUID=9e008bf7-44f6-4e72-8ead-71b8ea7a9b5b
ONBOOT=yes
NM_CONTROLLED=yes
BOOTPROTO=dhcp
[root@hadoop101 桌面]# service network restart

注意：采用root角色编译，减少文件夹权限出现问题
2）jar包准备(hadoop源码、JDK7 、 maven、 ant 、protobuf)

• （1）hadoop-2.7.2-src.tar.gz
• （2）jdk-7u79-linux-x64.gz
• （3）apache-ant-1.9.9-bin.tar.gz
• （4）apache-maven-3.0.5-bin.tar.gz
• （5）protobuf-2.5.0.tar.gz

2、 jar包安装

注意：所有操作必须在root用户下完成
1）JDK解压、配置环境变量 JAVA_HOME和PATH，验证java-version(如下都需要验证是否配置成功)
[root@linux01 software] # tar -zxf jdk-7u79-linux-x64.gz -C /opt/module/
[root@linux01 software]# vi /etc/profile

#JAVA_HOME
export JAVA_HOME=/opt/module/jdk1.7.0_79
export PATH=$PATH:$JAVA_HOME/bin

[root@linux01 software]#source /etc/profile
验证命令：java -version
2）Maven解压、配置 MAVEN_HOME和PATH。
[root@linux01 software]# tar -zxvf apache-maven-3.0.5-bin.tar.gz -C /opt/module/
[root@linux01 apache-maven-3.0.5]# vi /etc/profile

#MAVEN_HOME
export MAVEN_HOME=/opt/module/apache-maven-3.0.5
export PATH=$PATH:$MAVEN_HOME/bin

[root@linux01 software]#source /etc/profile
验证命令：mvn -version
3）ant解压、配置 ANT _HOME和PATH。
[root@linux01 software]# tar -zxvf apache-ant-1.9.9-bin.tar.gz -C /opt/module/
[root@linux01 apache-ant-1.9.9]# vi /etc/profile

#ANT_HOME
export ANT_HOME=/opt/module/apache-ant-1.9.9
export PATH=$PATH:$ANT_HOME/bin

[root@linux01 software]#source /etc/profile
验证命令：ant -version
4）安装 glibc-headers 和 g++ 命令如下:
[root@linux01 apache-ant-1.9.9]# yum install glibc-headers
[root@linux01 apache-ant-1.9.9]# yum install gcc-c++
5）安装make和cmake
[root@linux01 apache-ant-1.9.9]# yum install make
[root@linux01 apache-ant-1.9.9]# yum install cmake
6）解压protobuf ，进入到解压后protobuf主目录，/opt/module/protobuf-2.5.0
然后相继执行命令：
[root@linux01 software]# tar -zxvf protobuf-2.5.0.tar.gz -C /opt/module/
[root@linux01 opt]# cd /opt/module/protobuf-2.5.0/
[root@linux01 protobuf-2.5.0]#./configure
[root@linux01 protobuf-2.5.0]# make
[root@linux01 protobuf-2.5.0]# make check
[root@linux01 protobuf-2.5.0]# make install
[root@linux01 protobuf-2.5.0]# ldconfig
[root@linux01 hadoop-dist]# vi /etc/profile

#LD_LIBRARY_PATH
export LD_LIBRARY_PATH=/opt/module/protobuf-2.5.0
export PATH=$PATH:$LD_LIBRARY_PATH

[root@hadoop101 software]#source /etc/profile
验证命令：protoc –version
7）安装openssl库
[root@linux01 software]#yum install openssl-devel
8）安装 ncurses-devel库：
[root@linux01 software]#yum install ncurses-devel
到此，编译工具安装基本完成。