一、入门
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
在Hadoop1.x时代,Hadoop中的MapReduce同时处理业务逻辑运算和资源的调度,耦合性较大。
在Hadoop2.x时代,增加了Yarn。Yarn只负责资源的调度,MapReduce只负责运算。
在Hadoop3.x在组成上没有变化。
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。
- ResourceManager (RM):整个集群资源(内存、CPU等)的老大
- NodeManager (NM)︰单个节点服务器资源老大
- ApplicationMaster (AM)︰单个任务运行的老大
- container:容器,相当一台独立的服务器,里面封装了任务运行所需要的资源,如内存、CPU、磁盘、网络等。
客户端可以有多个
集群上可以运行多个ApplicationMaster
每个NodeManager上可以有多个Container
1.2.3、MapReduce架构概述
MapReduce将计算过程分为两个阶段: Map和 Reducee
- Map阶段并行处理输入数据
- Reduce阶段对Map结果进行汇总k
1.2.4、HDFS、YARN、MapReduce三者关系
1.3、大数据技术生态体系
二、Hadoop运行环境搭建
2.1、模板虚拟机环境准备
2.1.1、CentOS 硬盘分配
挂载点:/boot 期望容量:1G 文件系统:ext4
挂载点:swap 期望容量:4G 文件系统:swap
挂载点:/ 期望容量:默认 文件系统:xfs
2.1.2、IP和主机名称
su root
vim /etc/sysconfig/network-scripts/ifcfg-ens33
更改
BOOTPROTO=" static"
添加
IPADDR=“192.168.3.24” #IP地址
PREFIX=“24”
GATEWAY=“192.168.3.1” #网关地址
DNS1=“202.97.224.68” #域名解析器
IPV6_PRIVACY=“no”
vim /etc/hostname
更改为自己的主机名称
vim /etc/hosts
添加主机映射
192.168.3.24 master
192.168.3.25 slave1
192.168.3.26 slave2
reboot
在win10上配置主机映射
C:\windows\system32\drivers\etc
添加主机映射
192.168.3.24 master
192.168.3.25 slave1
192.168.3.26 slave2
2.1.3、模板虚拟机准备完成
【首先保证网络畅通】
【安装 epel-release】
yum install -y epel-release
【关闭防火墙,关闭防火墙开机自启】
systemctl stop firewallde
systemctl disable firewalld.service
【删除自带的jdk】
rpm -qa | grep jdk
rpm -e --nodeps XXXXX.jdk
【安装jdk】
【安装Hadoop】
【配置 Hadoop {参考本文2.4、集群配置} 】
【配置 workers {参考本文2.5.1、配置 workers} 】
2.2、克隆虚拟机
修改克隆机IP
修改克隆机主机名称
2.3、ssh免密登入
cd .ssh/
ssh-keygen -t rsa
ssh-copy-id 要传给主机的主机名
2.4、集群配置
2.4.1、集群部署规划
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
2.4.2、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。
2.4.2.1、核心配置文件 core-site. xml
<?xml version="1.0" encoding="UTF-8"?>
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>
<configuration>
<property>
<name>fs.defaultFS</name>
<value>hdfs://master:9000</value>
<description>指定默认NameNode的访问地址以及端口号</description>
</property>
<property>
<name>hadoop.tmp.dir</name>
<value>/nacl/hadoop/data/tmp</value>
<description>其它临时目录的父目录,会被其它临时目录用到</description>
</property>
<property>
<name>hadoop.http.staticuser.user</name>
<value>root</value>
<description>配置HDFS 网页登录使用的静态用户</description>
</property>
</configuration>
2.4.2.2、HDFS 配置文件 hdfs-site.xml
<configuration>
<property>
<name>dfs.namenode.http-address</name>
<value>master:9870</value>
<description>hdfs web端访问地址</description>
</property>
<property>
<name>dfs.namenode.secondary.http-address</name>
<value>slave2:9868</value>
<description>2nn web端访问地址</description>
</property>
</configuration>
2.4.2.3、YARN配置文件 yarn-site.xml
<configuration>
<property>
<name>yarn.nodemanager.aux-services</name>
<value>mapreduce_shuffle</value>
<description>获取数据的方式是shuffle</description>
</property>
<property>
<name>yarn.resourcemanager.hostname</name>
<value>slave1</value>
<description>指定ResourceManager的地址</description>
</property>
<property>
<name>yarn.nodemanager.env-whitelist</name>
<value>JAVA_HOME,HADOOP_COMMON_HOME,HADOOP_HDFS_HOME,HADOOP_CO
NF_DIR,CLASSPATH_PREPEND_DISTCACHE,HADOOP_YARN_HOME,HADOOP_MAP
RED_HOME</value>
<description>环境变量的继承</description>
</property>
<property>
<name>yarn.log-aggregation-enable</name>
<value>true</value>
<description>开启日志聚集功能</description>
</property>
<property>
<name>yarn.log.server.url</name>
<value>http://master:19888/jobhistory/logs</value>
<description>设置日志聚集服务器地址</description>
</property>
<property>
<name>yarn.log-aggregation.retain-seconds</name>
<value>604800</value>
<description>设置日志保留时间为 7 天</description>
</property>
<property>
<name>yarn.nodemanager.pmem-check-enabled</name>
<value>false</value>
</property>
<property>
<name>yarn.nodemanager.vmem-check-enabled</name>
<value>false</value>
</property>
</configuration>
2.4.2.4、MapReduce配置文件 mapred-site.xml
<configuration>
<property>
<name>mapreduce.framework.name</name>
<value>yarn</value>
<description>指定MapReduce程序运行在Yarn上</description>
</property>
<property>
<name>mapreduce.jobhistory.address</name>
<value>master:10020</value>
<description>历史服务器端地址</description>
</property>
<property>
<name>mapreduce.jobhistory.webapp.address</name>
<value>master:19888</value>
<description> 历史服务器 web 端地址</description>
</property>
</configuration>
2.5、群起集群
2.5.1、配置 workers
vim /opt/module/hadoop-3.1.3/etc/hadoop/workers
在该文件中增加Hadoop主机名称
2.5.2、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。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。 )
hdfs namenode -format
sbin start-all.sh
在配置了ResourceManager的节点启动YARN
sbin start-yarn.sh
在配置了jobhistory的节点启动历史服务器
mapred --daemon start historyserver
2.5.3、常用脚本
2.5.3.1、集群分发
#!/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
执行时,只需:xsync 文件或文件夹1 文件或文件夹2.....
执行即可。
2.5.3.2、集群集中启动、停止
#!/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 master "/nacl/hadoop/hadoop-3.3.6/sbin/start-dfs.sh"
echo "------------- 启动 yarn ---------------------------"
ssh slave1 "/nacl/hadoop/hadoop-3.3.6/sbin/start-yarn.sh"
echo "---------- 启动 historyserver ----------------------"
ssh master "/nacl/hadoop/hadoop-3.3.6/bin/mapred --daemon start historyserver"
;;
"stop")
echo "================ 关闭hadoop集群 =========================="
echo "-------------- 关闭historyserver ------------------------"
ssh master "/nacl/hadoop/hadoop-3.3.6/bin/mapred --daemon stop historyserver"
echo "---------------- 关闭 yarn ------------------------------"
ssh slave1 "/nacl/hadoop/hadoop-3.3.6/sbin/stop-yarn.sh"
echo "---------------- 关闭 hdfs ------------------------------"
ssh master "/nacl/hadoop/hadoop-3.3.6/sbin/stop-dfs.sh"
;;
*)
echo "Input Args Error..."
;;
esac
使用
停止myhadoop.sh stop
启动myhadoop.sh start
2.5.3.3、遍历集群中每台服务器调用jps查看上面的java进程启动情况
#!/bin/bash
for host in hadoop102 hadoop103 hadoop104
do
echo ================= $host =================
ssh $host jps
done
使用 jpsall
三、常用端口和配置文件
Hadoop 3.x中:
● HDFS NameNode 内部通讯端口:8020/9000/9820
● HDFS NameNode 对用户的web查询端口:9870
● Yarn查看任务运行情况的web页面端口:8088
● 历史服务器对外暴露的web页面端口:19888
hadoop 3.x中:core-site.xml、hdfs-site.xml、yarn-site.xml、mapred-site.xml、workers