Hadoop_1

Hadoop1

• hadoop是什么

  • 狭义上

    • 特指Apache 的一款软件 java语言开发 开源软件 大数据问题解决处理平台

      Hadoop HDFS:分布式文件系统  解决了海量数据存储问题
      Hadoop MapReduce:分布式计算框架 解决了海量数据的计算问题
      Hadoop YARN:资源管理任务调度系统
      

  • 广义上

    • 特指hadoop 生态圈 包括了大数据解决的各个不同步骤的软件
    • 甚至一些非apache 的项目也会处于生态圈中

• hadoop的优点和应用

  • 优点：扩容能力强 使用分布式的思想解决了海量数据的处理问题

    ​ 使用方便简单 相比较于传统的处理方式 犹如一缕清风

  • 应用：hadoop精准了区分 what to do(做什么 业务)| how to do（怎么做 技术）

    hadoop提供了大数据存储能力 计算能力 跟具体的行业不会挂钩 通用的大数据解决方案。

---

hadoop集群搭建

• hadoop发行版本

  • 社区版：官方版本 apache社区维护

    • 优点：功能最新的 免费

    • 缺点：稳定性 兼容性不好

      https://archive.apache.org/dist/hadoop/common/
      
      hadoop-2.6.0-src.tar.gz  官方提供的源码包
      hadoop-2.6.0.tar.gz    官方预编译安装包
      

  • 商业版：商业公司在社区版本至少进行商业化开发 架构 api 配置不会发生改变 主要改变bug和兼容性

    • 优点：稳的一批 兼容性极好

    • 缺点：花钱 某些软件可能版本不高 不能使用最新的功能

      http://archive.cloudera.com/cdh5/cdh/5/
      
      hadoop-2.6.0-cdh5.14.0-src.tar.gz  cdh版本源码包
      hadoop-2.6.0-cdh5.14.0.tar.gz   cdh版本预编译安装包
      

      只要保证cdh版本号是一致的 该版本号中所有的生态圈软件之间都是兼容的

  • 在博客中 我们使用cdh最稳定的一个版本 cdh5.14.0–hadoop 2.6.0

• hadoop自身版本发展

  • 历经了1.X 2.X 3.X
  • 当下企业中使用最多的是2系列高阶版本 2.5~2.8 稳定兼容性最好

• hadoop集群介绍

  • hadoop分为两个集群 hdfs集群 yarn集群
  • hdfs集群 分布式文件存储
    • 主角色：namenode(nn)
    • 从角色：datanode(dn)
    • 主角色辅助角色（秘书角色）：secondarynamenode(snn)
  • yarn集群 集群资源管理 任务调度
    • 主角色：resourcemanager(rm)
    • 从角色：nodemanager(nm)

• hadoop部署模型

  • 单机模式 所有的进程在一个机器上运行 过家家
  • 伪分布模式 每个进程独立 在一台机器上 模拟分布式执行环境
  • 分布式集群模式：多个进程多台机器 生成环境中的模式
  • HA高可用集群： 主要解决了单点故障 保证集群稳定 可靠

• hadoop安装环境检测

  • jdk是否正常安装 环境变量

  • 时间是否同步

  • 防火墙是否关闭

    iptables selinux

  • 主机名 ip映射

  • 免密登录 ssh

• hadoop源码编译

  • 为什么某些软件需要编译源码

    软件的运行依赖于操作系统平台 操作系统之间存在着差异性  下载源码结合具体平台进行编译
    修改源码中某些组件的逻辑
    

  • 什么叫做编译

    以java语言来说 把.java 编译成.class —>jar 便于程序运行

  • 如何编译源码

    在每个版本的hadoop 源码包中 building.txt 里面描述了该版本的编译需要配置的依赖软件

    最终只需要执行mvn -pachage 进行编译

    保证编译过程中网络的顺畅 jar可以下载 推荐使用博客中提供cdh编译需要的jar仓库

• 集群规划(站在架构的角度规划服务器集群分配)

  • 根据软件自己 软件之间的工作特性结合服务器的硬件特性 合理安排软件运行在不同的机器上

  • 原则：

    • 优先满足软件需要的硬件资源
    • 尽量避免有冲突的软件不在一起
    • 有工作上依赖的软件尽量部署在一起

    NodeManager和Datanode通常部署在一台机器上。

    node-1: NameNode   DataNode                   | ResourceManager NodeManager
    node-2:            DataNode  SecondaryNameNode|                 NodeManager
    node-3:            DataNode                   |                 NodeManager
    

    如何扩展hadoop集群

    node-4   DataNode  NodeManager
    node-5   DataNode  NodeManager
    node-6   DataNode  NodeManager
    .......
    

• hadoop 安装目录结构

   bin        hadoop集群管理的基本脚本  
   etc        配置文件路径
   include
   lib
   libexec
   sbin       hadoop集群启动关闭的脚本（单节点逐个  一键启动）
   share      hadoop 编译之后的jar  官方自带示例
  

• hadoop配置修改

  • 第一类 shell脚本 hadoop-env.sh

    导入java_home 保证hadoop运行的时候一定可以正确的加载jdk环境变量

    vim etc/hadoop/hadoop-env.sh
    export JAVA_HOME=/export/servers/jdk1.8.0_65
    

  • 第二类配置文件 4个 xml文件（分别配置了 hdfs mapreduce yarn common）

    • core-site.xml common模块

      <!-- 指定HADOOP所使用的文件系统schema（URI），HDFS的老大（NameNode）的地址 -->
      <property>
      	<name>fs.defaultFS</name>
      	<value>hdfs://node-1:8020</value>
      </property>
      
      <!-- 指定hadoop运行时产生文件的存储目录,默认/tmp/hadoop-${user.name} -->
      <property>
      	<name>hadoop.tmp.dir</name>
      	<value>/export/data/hadoopdata</value>
      </property>
      

    • hdfs-site.xml hdfs模块

      <property>
              <name>dfs.replication</name>
              <value>2</value>
      </property>
         <property>
              <name>dfs.namenode.secondary.http-address</name>
              <value>node-2:50090</value>
      </property>
      

    • mapred-site.xml mr模块

      <property>
      	<name>mapreduce.framework.name</name>
      	<value>yarn</value>
      </property>
      

    • yarn-site.xml

      <property>
              <name>yarn.resourcemanager.hostname</name>
              <value>node-1</value>
      </property>
      <property>
              <name>yarn.nodemanager.aux-services</name>
              <value>mapreduce_shuffle</value>
      </property>
      

  • 第三类配置文件 slaves

    • 配合一键启动脚本 到slaves指定的机器上启动hdfs和yarn集群的从角色
    • 通过 dfs.hosts 指定的slaves文件中的机器才可以加入hadoop集群 白名单
    • 一个写一个ip或者主机名

    node-1
    node-2
    node-3
    

• 把主节点上配置 好的安装包scp给其他节点上

  cd /export/servers/
  scp -r hadoop-2.6.0-cdh5.14.0/ node-2:$PWD
  scp -r hadoop-2.6.0-cdh5.14.0/ node-3:$PWD
  

• 添加hadoop的环境变量

  export HADOOP_HOME=/export/servers/hadoop-2.6.0-cdh5.14.0
  export PATH=$PATH:$JAVA_HOME/bin:$HADOOP_HOME/bin:$HADOOP_HOME/sbin
  

---

hadoop初体验

• namnode format操作

  • 首次启动集群需要针对hdfs 操作

  • 操作只需要进行一次 通常在namenode所在节点进行

  • format中主要创建了hadoop运行时依赖的一些文件夹和文件

    Storage directory /export/data/hadoopdata/dfs/name has been successfully formatted.
    

    -rw-r--r--. 1 root root 321 Jul 18 14:53 fsimage_0000000000000000000
    -rw-r--r--. 1 root root  62 Jul 18 14:53 fsimage_0000000000000000000.md5
    -rw-r--r--. 1 root root   2 Jul 18 14:53 seen_txid
    -rw-r--r--. 1 root root 208 Jul 18 14:53 VERSION
    

  • Q:如果不小心format多从会如何？怎么解决？

    • 后果：集群中主从角色互相不识别 貌合神离 之前集群的元数据都会丢失

  • 解决：把3台机器上hadoop.tmp.dir 指定文件夹全部删除 重新format一次

• hadoop集群的启动方式

  • 单节点逐个启动

    • hdfs集群

       hadoop-daemon.sh start|stop  namenode/datanode/secondarynamenode  
      

    • yarn集群

       yarn-daemon.sh start|stop  reourcemanager/nodemanager
      

    • 好处：可以精准的控制每个机器上每个进程启停状态 便于后期维护集群

  • 脚本一键启动

    • 前提是必须配置好 ssh免密登录 指定slaves文件

    • hdfs集群

      start-dfs.sh     stop-dfs.sh 
      

    • yarn集群

      start-yarn.sh    stop-yarn.sh
      

    • 更狠的命令 一键启动两个集群

      start-all.sh  stop-all.sh
      

• hadoop web-ui页面

  • hdfs:http://namenode_ip:50070
  • yarn:http://resourcemanager_ip:8088

• 初体验

  • hdfs 存储文件集群
    • 本质就是用于文件存储的
    • 结构上也是目录树结构 从/根目录开始
    • 文件夹是文件夹 目录是目录
    • 操作起来比较慢？为什么慢？ 难道是分布式存储造成？
  • yarn+mr
    • mr程序本质就是一个java程序
    • mr程序第一步去寻找yarn？为什么去？寻找资源。？
    • mr程序分为两个阶段的 先map 再reduce
    • mr输出的结果好像有顺序 字典序（a–z 0–9）

---

MapReduce jobhistory

• 记录已经完成的mr程序的信息 历史任务信息

• 如何开启

  vim  mapred-site.xml
  
  <property>
  	<name>mapreduce.jobhistory.address</name>
  	<value>node-1:10020</value>
  </property>
  <property>
  	<name>mapreduce.jobhistory.webapp.address</name>
  	<value>node-1:19888</value>
  </property>
  

• 把修改好的配置文件scp给其他机器上

  scp -r /export/servers/hadoop-2.6.0-cdh5.14.0/etc/hadoop/mapred-site.xml node-2:/export/servers/hadoop-2.6.0-cdh5.14.0/etc/hadoop/
  
  scp -r /export/servers/hadoop-2.6.0-cdh5.14.0/etc/hadoop/mapred-site.xml node-3:/export/servers/hadoop-2.6.0-cdh5.14.0/etc/hadoop/
  

• 单独启动关闭historyserver 服务（只需要配置指定的机器上启动即可）

  mr-jobhistory-daemon.sh start historyserver
  如果关闭的话 用下述命令
  mr-jobhistory-daemon.sh start historyserver
  

• 访问浏览historyserver

• 注意事项

  • historyserver 是否运行不影响hadoop集群正常工作 只是为了更好查看历史运行信息的

​

---

hadoop hdfs 垃圾回收机制

• 何为垃圾回收

  开启垃圾回收站 把删除的文件首先放置在回收站中 等待配置的时间结束 进行真正的数据删除

• 如何开始

  vim core-site.xml
  
  <property>
  	<name>fs.trash.interval</name>
  	<value>1440</value>
  </property>
  

• 把配置文件 scp给其他节点上

  scp -r /export/servers/hadoop-2.6.0-cdh5.14.0/etc/hadoop/core-site.xml node-2:/export/servers/hadoop-2.6.0-cdh5.14.0/etc/hadoop/
  
  scp -r /export/servers/hadoop-2.6.0-cdh5.14.0/etc/hadoop/core-site.xml node-3:/export/servers/hadoop-2.6.0-cdh5.14.0/etc/hadoop/
  

• 垃圾回收机制演示效果

  • 未开启

    [root@node-1 ~]# hadoop fs -rm /test/1.txt
    Deleted /test/1.txt
    

  • 开启

    hadoop fs -rm /test/1.txt
    19/07/18 16:18:17 INFO fs.TrashPolicyDefault: Moved: 'hdfs://node-1:8020/test/1.txt' to trash at: hdfs://node-1:8020/user/root/.Trash/Current/test/1.txt
    

    本质是把删除文件 首先移动一个指定的文件夹下面

  • 恢复删除的数据

    hadoop fs -mv /user/root/.Trash/Current/test/1.txt /test
    

  • 跳过垃圾回收 直接删除

    skipTrash 选项删除文件，该选项不会将文件发送到垃圾箱。它将从HDFS 中完全删除