</property>
<!-- 整合hive 用户代理设置 -->
<property>
<name>hadoop.proxyuser.root.hosts</name>
<value>*</value>
</property>
<property>
<name>hadoop.proxyuser.root.groups</name>
<value>*</value>
</property>
<!-- 文件系统垃圾桶保存时间 -->
<property>
<name>fs.trash.interval</name>
<value>1440</value>
</property>
```
+ hdfs-site.xml
```
<!-- 设置SNN进程运行机器位置信息 -->
<property>
<name>dfs.namenode.secondary.http-address</name>
<value>node2:9868</value>
</property>
```
+ mapred-site.xml
```
<!-- 设置MR程序默认运行模式： yarn集群模式 local本地模式 -->
<property>
<name>mapreduce.framework.name</name>
<value>yarn</value>
</property>
<!-- MR程序历史服务地址 -->
<property>
<name>mapreduce.jobhistory.address</name>
<value>node1:10020</value>
</property>
<!-- MR程序历史服务器web端地址 -->
<property>
<name>mapreduce.jobhistory.webapp.address</name>
<value>node1:19888</value>
</property>
<property>
<name>yarn.app.mapreduce.am.env</name>
<value>HADOOP_MAPRED_HOME=${HADOOP_HOME}</value>
</property>
<property>
<name>mapreduce.map.env</name>
<value>HADOOP_MAPRED_HOME=${HADOOP_HOME}</value>
</property>
<property>
<name>mapreduce.reduce.env</name>
<value>HADOOP_MAPRED_HOME=${HADOOP_HOME}</value>
</property>
```
+ yarn-site.xml
```
<!-- 设置YARN集群主角色运行机器位置 -->
<property>
<name>yarn.resourcemanager.hostname</name>
<value>node1</value>
</property>
<property>
<name>yarn.nodemanager.aux-services</name>
<value>mapreduce_shuffle</value>
</property>
<!-- 是否将对容器实施物理内存限制 -->
<property>
<name>yarn.nodemanager.pmem-check-enabled</name>
<value>false</value>
</property>
<!-- 是否将对容器实施虚拟内存限制。 -->
<property>
<name>yarn.nodemanager.vmem-check-enabled</name>
<value>false</value>
</property>
<!-- 开启日志聚集 -->
<property>
<name>yarn.log-aggregation-enable</name>
<value>true</value>
</property>
<!-- 设置yarn历史服务器地址 -->
<property>
<name>yarn.log.server.url</name>
<value>http://node1:19888/jobhistory/logs</value>
</property>
<!-- 历史日志保存的时间 7天 -->
<property>
<name>yarn.log-aggregation.retain-seconds</name>
<value>604800</value>
</property>
```
+ workers
```
node1
node2
node3
```
- 分发同步hadoop安装包
cd /export/server
scp -r hadoop-3.3.0 root@node2:$PWD
scp -r hadoop-3.3.0 root@node3:$PWD
- 将hadoop添加到环境变量（3台机器）
vim /etc/profile
export HADOOP\_HOME=/export/server/hadoop-3.3.0
export PATH=$PATH:$HADOOP\_HOME/bin:$HADOOP\_HOME/sbin
source /etc/profile
#别忘了scp给其他两台机器哦
-
Hadoop集群启动
- （首次启动）格式化namenode
hdfs namenode -format- 脚本一键启动
[root@node1 ~]# start-dfs.sh Starting namenodes on [node1] Last login: Thu Nov 5 10:44:10 CST 2020 on pts/0 Starting datanodes Last login: Thu Nov 5 10:45:02 CST 2020 on pts/0 Starting secondary namenodes [node2] Last login: Thu Nov 5 10:45:04 CST 2020 on pts/0 [root@node1 ~]# start-yarn.sh Starting resourcemanager Last login: Thu Nov 5 10:45:08 CST 2020 on pts/0 Starting nodemanagers Last login: Thu Nov 5 10:45:44 CST 2020 on pts/0-
Web UI页面
- HDFS集群：http://node1:9870/
- YARN集群：http://node1:8088/
-
错误1:运行hadoop3官方自带mr示例出错。
- 错误信息
Error: Could not find or load main class org.apache.hadoop.mapreduce.v2.app.MRAppMaster Please check whether your etc/hadoop/mapred-site.xml contains the below configuration: <property> <name>yarn.app.mapreduce.am.env</name> <value>HADOOP_MAPRED_HOME=${full path of your hadoop distribution directory}</value> </property> <property> <name>mapreduce.map.env</name> <value>HADOOP_MAPRED_HOME=${full path of your hadoop distribution directory}</value> </property> <property> <name>mapreduce.reduce.env</name> <value>HADOOP_MAPRED_HOME=${full path of your hadoop distribution directory}</value> </property>- 解决 mapred-site.xml,增加以下配置
<property> <name>yarn.app.mapreduce.am.env</name> <value>HADOOP_MAPRED_HOME=${HADOOP_HOME}</value> </property> <property> <name>mapreduce.map.env</name> <value>HADOOP_MAPRED_HOME=${HADOOP_HOME}</value> </property> <property> <name>mapreduce.reduce.env</name> <value>HADOOP_MAPRED_HOME=${HADOOP_HOME}</value> </property>
Hadoop集群启停
- 每台机器上每次手动启动关闭一个角色进程,可以精准控制每个进程启停，避免群起群停。
- HDFS集群
#hadoop2.x版本命令
hadoop-daemon.sh start|stop namenode|datanode|secondarynamenode
#hadoop3.x版本命令
hdfs --daemon start|stop namenode|datanode|secondarynamenode
- YARN集群
#hadoop2.x版本命令
yarn-daemon.sh start|stop resourcemanager|nodemanager
#hadoop3.x版本命令
yarn --daemon start|stop resourcemanager|nodemanager
shell脚本一键启停
- 在node1上，使用软件自带的shell脚本一键启动。前提：配置好机器之间的SSH免密登录和workers文件。
- HDFS集群 start-dfs.sh stop-dfs.sh
- YARN集群 start-yarn.sh stop-yarn.sh
- Hadoop集群 start-all.sh stop-all.sh
HDFS集群
- 地址：http://namenode_host:9870 其中namenode_host是namenode运行所在机器的主机名或者ip 如果使用主机名访问，别忘了在Windows配置hosts
YARN集群
- 地址：http://resourcemanager_host:8088 其中resourcemanager_host是resourcemanager运行所在机器的主机名或者ip 如果使用主机名访问，别忘了在Windows配置hosts
3、HDFS分布式文件系统基础
文件系统定义
- 文件系统 是一种 存储 和 组织数据 的方法，实现了数据的存储、分级组织、访问和获取等操作，使得用户 对文件访问和查找变得容易；
- 文件系统使用 树形目录 的抽象逻辑概念代替了硬盘等物理设备使用数据块的概念，用户不必关心数据底层存在硬盘哪里，只需要记住这个文件的所属目录和文件名即可；
- 文件系统通常使用硬盘和光盘这样的存储设备，并维护文件在设备中的物理位置。
传统常见的文件系统
- 所谓 传统 常见的文件系统更多指的的单机的文件系统，也就是底层不会横跨多台机器实现。比如windows操作系统上的文件系统、Linux上的文件系统、FTP文件系统等等。
- 这些文件系统的共同特征包括：
- 带有抽象的目录树结构，树都是从/根目录开始往下蔓延；
- 树中节点分为两类：目录和文件 ；
- 从根目录开始，节点路径具有唯一性。
数据、元数据
- 数据
指存储的内容本身，比如文件、视频、图片等，这些数据底层最终是存储在磁盘等存储介质上的，一般用户无需关心，只需要基于目录树进行增删改查即可，实际针对数据的操作由文件系统完成。 - 元数据
元数据（metadata）又称之为解释性数据，记录数据的数据；
文件系统元数据一般指文件大小、最后修改时间、底层存储位置、属性、所属用户、权限等信息。
海量数据存储遇到的问题
- 成本高
传统存储硬件通用性差，设备投资加上后期维护、升级扩容的成本非常高。 - 如何支撑高效率的计算分析
传统存储方式意味着数据：存储是存储，计算是计算，当需要处理数据的时候把数据移动过来。
程序和数据存储是属于不同的技术厂商实现，无法有机统一整合在一起。 - 性能低
单节点I/O性能瓶颈无法逾越，难以支撑海量数据的高并发高吞吐场景。 - 可扩展性差
无法实现快速部署和弹性扩展，动态扩容、缩容成本高，技术实现难度大。
一、分布式存储的优点
问题：数据量大，单机存储遇到瓶颈
解决：
单机纵向扩展：磁盘不够加磁盘，有上限瓶颈限制
多机横向扩展：机器不够加机器，理论上无限扩展
二、元数据记录的功能
问题：文件分布在不同机器上不利于寻找
解决：元数据记录下文件及其存储位置信息，快速定位文件位置
三、分块存储好处
问题：文件过大导致单机存不下、上传下载效率低
解决：文件分块存储在不同机器，针对块并行操作提高效率
四：副本机制的作用
问题：硬件故障难以避免，数据易丢失
解决：不同机器设置备份，冗余存储，保障数据安全
HDFS简介
- HDFS（Hadoop Distributed File System ），意为： Hadoop分布式文件系统 。是Apache Hadoop核心组件之一，作为大数据生态圈最底层的分布式存储服务而存在。也可以说大数据首先要解决的问题就是海量数据的存储问题。
- HDFS主要是解决大数据如何存储问题的。分布式意味着是HDFS是横跨在多台计算机上的存储系统。
- HDFS是一种能够在普通硬件上运行的分布式文件系统，它是高度容错的，适应于具有大数据集的应用程序，它非常适于存储大型数据(比如TB 和PB)。
- HDFS使用多台计算机存储文件, 并且提供统一的访问接口, 像是访问一个普通文件系统一样使用分布式文件系统。
HDFS设计目标
- 硬件故障（Hardware Failure）是常态，HDFS可能有成百上千的服务器组成，每一个组件都有可能出现故障。因此 故障检测和自动快速恢复 是HDFS的核心架构目标。
- HDFS上的应用主要是以流式读取数据（Streaming Data Access）。HDFS被设计成 用于批处理 ，而不是用户交互式的。相较于数据访问的反应时间，更 注重数据访问的高吞吐量 。
- 典型的HDFS文件大小是GB到TB的级别。所以，HDFS被调整成 支持大文件（Large Data Sets） 。它应该提供很高的聚合数据带宽，一个集群中支持数百个节点，一个集群中还应该支持千万级别的文件。
- 大部分HDFS应用对文件要求的是 write-one-read-many 访问模型。一个文件一旦创建、写入、关闭之后就不需要修改了。这一假设简化了数据一致性问题，使高吞吐量的数据访问成为可能。
- 移动计算的代价比之移动数据的代价低。一个应用请求的计算，离它操作的数据越近就越高效。将计算移动到数据附近，比之将数据移动到应用所在显然更好。
- HDFS被设计为可从一个平台轻松移植到另一个平台。这有助于将HDFS广泛用作大量应用程序的首选平台。
HDFS应用场景
适合场景
大文件
数据流式访问
一次写入多次读取
低成本部署，廉价PC
高容错
不适合场景
小文件
数据交互式访问
频繁任意修改
低延迟处理
HDFS重要特性
（ 1 ）主从架构
- HDFS集群是标准的master/slave主从架构集群。
- 一般一个HDFS集群是有一个Namenode和一定数目的Datanode组成。
- Namenode是HDFS主节点，Datanode是HDFS从节点，两种角色各司其职，共同协调完成分布式的文件存储服务。
- 官方架构图中是一主五从模式，其中五个从角色位于两个机架（Rack）的不同服务器上。
（ 2 ）分块存储
- HDFS中的文件在物理上是分块存储（block）的，默认大小是128M（ 134217728 ），不足128M则本身就是一块。
- 块的大小可以通过配置参数来规定，参数位于hdfs-default.xml中：dfs.blocksize。
（ 3 ）副本机制
- 文件的所有block都会有副本。副本系数可以在文件创建的时候指定，也可以在之后通过命令改变。
- 副本数由参数 dfs.replication 控制，默认值是 3 ，也就是会额外再复制 2 份，连同本身总共 3 份副本。
（ 4 ）元数据管理
在HDFS中，Namenode管理的元数据具有两种类型：
- 文件自身属性信息
文件名称、权限，修改时间，文件大小，复制因子，数据块大小。 - 文件块位置映射信息
记录文件块和DataNode之间的映射信息，即哪个块位于哪个节点上。
（ 5 ）namespace
- HDFS支持传统的层次型文件组织结构。用户可以创建目录，然后将文件保存在这些目录里。文件系统名字空间的层次结构和大多数现有的文件系统类似：用户可以创建、删除、移动或重命名文件。
- Namenode负责维护文件系统的namespace名称空间，任何对文件系统名称空间或属性的修改都将被Namenode记录下来。
- HDFS会给客户端提供一个统一的抽象目录树，客户端通过路径来访问文件，形如：hdfs://namenode:port/dir-a/dir-b/dir-c/file.data。
（ 6 ）数据块存储
- 文件的各个block的具体存储管理由DataNode节点承担。
- 每一个block都可以在多个DataNode上存储。
HDFS shell命令行解释说明
介绍
- 命令行界面（英语：command-line interface，缩写：CLI），是指用户通过键盘输入指令，计算机接收到指令后，予以执行一种人际交互方式。
- Hadoop提供了文件系统的shell命令行客户端: hadoop fs [generic options]
文件系统协议
- HDFS Shell CLI支持操作多种文件系统，包括本地文件系统（file:///）、分布式文件系统（hdfs://nn:8020）等
- 具体操作的是什么文件系统取决于命令中文件路径URL中的前缀协议。
- 如果没有指定前缀，则将会读取环境变量中的fs.defaultFS属性，以该属性值作为默认文件系统。
区别
- hadoop dfs 只能操作HDFS文件系统（包括与Local FS间的操作），不过已经Deprecated；
- hdfs dfs 只能操作HDFS文件系统相关（包括与Local FS间的操作），常用；
- hadoop fs 可操作任意文件系统，不仅仅是hdfs文件系统，使用范围更广；
目前版本来看，官方最终推荐使用的是hadoop fs。当然hdfs dfs在市面上的使用也比较多。
HDFS shell命令行常用操作
1 、创建文件夹
- hadoop fs -mkdir [-p] …
path 为待创建的目录
-p选项的行为与Unix mkdir -p非常相似，它会沿着路径创建父目录。
2 、查看指定目录下内容
- hadoop fs -ls [-h] [-R] [< path> …]
path 指定目录路径
-h 人性化显示文件size
-R 递归查看指定目录及其子目录
3 、上传文件到HDFS指定目录下
- hadoop fs -put [-f] [-p] …
-f 覆盖目标文件（已存在下）
-p 保留访问和修改时间，所有权和权限。
localsrc 本地文件系统（客户端所在机器）
dst 目标文件系统（HDFS）
4 、查看HDFS文件内容
- hadoop fs -cat …
读取指定文件全部内容，显示在标准输出控制台。
注意：对于 大文件内容读取，慎重 。
5 、下载HDFS文件
- hadoop fs -get [-f] [-p] …
下载文件到本地文件系统指定目录，localdst必须是目录
-f 覆盖目标文件（已存在下）
-p 保留访问和修改时间，所有权和权限。
6 、拷贝HDFS文件
- hadoop fs -cp [-f] …
-f 覆盖目标文件（已存在下）
7 、追加数据到HDFS文件中
- hadoop fs -appendToFile …
将所有给定本地文件的内容追加到给定dst文件。
dst如果文件不存在，将创建该文件。
如果为-，则输入为从标准输入中读取。
8 、HDFS数据移动操作
- hadoop fs -mv …
移动文件到指定文件夹下
可以使用该命令移动数据，重命名文件的名称
命令官方指导文档
https://hadoop.apache.org/docs/r3.3.0/hadoop-project-dist/hadoop-common/FileSystemShell.html
4、HDFS工作流程与机制
HDFS集群角色与职责
主角色：namenode
- NameNode 是Hadoop分布式文件系统的核心，架构中的主角色。
- NameNode维护和管理文件系统元数据 ，包括名称空间目录树结构、文件和块的位置信息、访问权限等信息。
- 基于此，NameNode成为了访问HDFS的唯一入口。
- NameNode内部通过内存和磁盘文件两种方式管理元数据。
- 其中磁盘上的元数据文件包括Fsimage内存元数据镜像文件和edits log（Journal）编辑日志。
从角色：datanode
网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。
一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！
e维护和管理文件系统元数据** ，包括名称空间目录树结构、文件和块的位置信息、访问权限等信息。
- 基于此，NameNode成为了访问HDFS的唯一入口。
- NameNode内部通过内存和磁盘文件两种方式管理元数据。
- 其中磁盘上的元数据文件包括Fsimage内存元数据镜像文件和edits log（Journal）编辑日志。
从角色：datanode
[外链图片转存中…(img-PQdiKCao-1714645039449)]
[外链图片转存中…(img-8XVgFInd-1714645039450)]
网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。
一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！
6421
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
