Apache Hadoop 完全分布式集群搭建
-
软件和操作系统版本
Hadoop框架是采用Java语言编写,需要java环境(jvm)JDK版本:JDK8版本 -
Hadoop搭建方式(统一使用vmware虚拟机虚拟三台linux节点,linux操作系统:Centos7)
- 单机模式:单节点模式,非集群,生产不会使用这种方式
- 单机伪分布式模式:单节点,多线程模拟集群的效果,生产不会使用这种方式
- 完全分布式模式:多台节点,真正的分布式Hadoop集群的搭建(生产环境建议使用这种方式)
虚拟机环境准备
-
三台虚拟机(静态IP,关闭防火墙,修改主机名,配置免密登录,集群时间同步)
-
在/opt目录下创建文件夹
mkdir -p /opt/learn/software --软件安装包存放目录 mkdir -p /opt/learn/servers --软件安装目录
-
上传hadoop安装文件到/opt/learn/software
集群规划
框架 | linux121 | linux122 | linux123 |
---|---|---|---|
HDFS | NameNode、DataNode | DataNode | SecondaryNameNode、DataNode |
YARN | NodeManager | NodeManager | NodeManager、ResourceManager |
安装Hadoop
-
登录linux121节点;进入/opt/learn/software,解压安装文件到/opt/learn/servers
cd /opt/learn/software tar -zxvf hadoop-2.9.2.tar.gz -C /opt/learn/servers
-
查看是否解压成功
ll /opt/learn/servers/hadoop-2.9.2
-
添加Hadoop到环境变量 vim /etc/profile
##HADOOP_HOME export HADOOP_HOME=/opt/learn/servers/hadoop-2.9.2 export PATH=$PATH:$HADOOP_HOME/bin export PATH=$PATH:$HADOOP_HOME/sbin
-
使环境变量生效
source /etc/profile
-
验证hadoop
hadoop version
检验结果:
-
hadoop目录
drwxr-xr-x. 2 root root 194 Nov 13 2018 bin
drwxr-xr-x. 3 root root 20 Nov 13 2018 etc
drwxr-xr-x. 2 root root 106 Nov 13 2018 include
drwxr-xr-x. 3 root root 20 Nov 13 2018 lib
drwxr-xr-x. 2 root root 239 Nov 13 2018 libexec
-rw-r--r--. 1 root root 106210 Nov 13 2018 LICENSE.txt
-rw-r--r--. 1 root root 15917 Nov 13 2018 NOTICE.txt
-rw-r--r--. 1 root root 1366 Nov 13 2018 README.txt
drwxr-xr-x. 3 root root 4096 Nov 13 2018 sbin
drwxr-xr-x. 4 root root 31 Nov 13 2018 share
1. bin目录:对Hadoop进行操作的相关命令,如hadoop,hdfs等
2. etc目录:Hadoop的配置文件目录,入hdfs-site.xml,core-site.xml等
3. lib目录:Hadoop本地库(解压缩的依赖)
4. sbin目录:存放的是Hadoop集群启动停止相关脚本,命令
5. share目录:Hadoop的一些jar,官方案例jar,文档等
集群配置
Hadoop集群配置 = HDFS集群配置 + MapReduce集群配置 + Yarn集群配置
-
HDFS集群配置
-
将JDK路径明确配置给HDFS(修改hadoop-env.sh)
cd /opt/learn/servers/hadoop-2.9.2/etc/hadoop vim hadoop-env.sh export JAVA_HOME=/opt/learn/servers/jdk1.8.0_231
-
指定NameNode节点以及数据存储目录(修改core-site.xml,默认配置地址)
vim core-site.xml
<!-- 指定HDFS中NameNode的地址 --> <property> <name>fs.defaultFS</name> <value>hdfs://linux121:9000</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/learn/servers/hadoop-2.9.2/data/tmp</value> </property>
-
指定SecondaryNameNode节点(修改hdfs-site.xml),官方默认配置
vim hdfs-site.xml
<!-- 指定Hadoop辅助名称节点主机配置 --> <property> <name>dfs.namenode.secondary.http-address</name> <value>linux123:50090</value> </property> <!--副本数量 --> <property> <name>dfs.replication</name> <value>3</value> </property>
-
指定DataNode从节点(修改etc/hadoop/slaves文件,每个节点配置信息占一行)
vim slaves linux121 linux122 linux123
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。
-
-
MapReduce集群配置
-
将JDK路径明确配置给MapReduce(修改mapred-env.sh)
vim mapred-env.sh export JAVA_HOME=/opt/learn/servers/jdk1.8.0_231
-
指定MapReduce计算框架运行Yarn资源调度框架(修改mapred-site.xml,默认配置)
mv mapred-site.xml.template mapred-site.xml vim mapred-site.xml
<!-- 指定MR运行在Yarn上 --> <property> <name>mapreduce.framework.name</name> <value>yarn</value> </property>
-
-
Yarn集群配置
-
将JDK路径明确配置给Yarn(修改yarn-env.sh)
vim yarn-env.sh export JAVA_HOME=/opt/learn/servers/jdk1.8.0_231
-
指定ResourceManager老大节点所在计算机节点(修改yarn-site.xml,默认配置)
vim yarn-site.xml
<!-- 指定YARN的ResourceManager的地址 --> <property> <name>yarn.resourcemanager.hostname</name> <value>linux123</value> </property> <!-- Reducer获取数据的方式 --> <property> <name>yarn.nodemanager.aux-services</name> <value>mapreduce_shuffle</value> </property>
-
指定NodeManager节点(会通过slaves文件内容确定)
-
注意:
Hadoop安装目录所属用户和所属用户组信息,默认是501 dialout,而我们操作Hadoop集群的用户使用的是虚拟机的root用户,所以为了避免出现信息混乱,修改Hadoop安装目录所属用户和用户组!!
chown -R root:root /opt/learn/servers/hadoop-2.9.2
分发配置
编写集群分发脚本rsync-script
-
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 -rvl $pdir/$fname $user@$host:$pdir/$fname
命令 选项参数 要拷贝的文件路径/名称 目的用户@主机:目的路径/名称
-
选项参数说明
选项 功能 -r 递归 -v 显示复制过程 -l 拷贝符号连接 -
-
rsync案例
-
三台虚拟机安装rsync (执行安装需要保证机器联网)
[root@linux121 ~]# yum install -y rsync
-
把linux121机器上的/opt/learn/software目录同步到linux122服务器的root用户下的/opt/目录
[root@linux121 opt]$ rsync -rvl /opt/learn/software/ root@linux122:/opt/learn/software
-
-
集群分发脚本编写
-
循环复制文件到集群所有节点的相同目录下
rsync命令原始拷贝:rsync -rvl /opt/module root@linux123:/opt/
-
期望脚本
脚本+要同步的文件名称 -
说明:在/usr/local/bin这个目录下存放的脚本,root用户可以在系统任何地方直接执行
-
脚本实现
在/usr/local/bin目录下创建文件rsync-script,文件内容如下[root@linux121 bin]$ touch rsync-script [root@linux121 bin]$ vim rsync-script
-
在文件中编写shell代码
#!/bin/bash #1 获取命令输入参数的个数,如果个数为0,直接退出命令 paramnum=$# if((paramnum==0)); then echo no params; exit; fi #2 根据传入参数获取文件名称 p1=$1 file_name=`basename $p1` echo fname=$file_name #3 获取输入参数的绝对路径 pdir=`cd -P $(dirname $p1); pwd` echo pdir=$pdir #4 获取用户名称 user=`whoami` #5 循环执行rsync for((host=121; host<124; host++)); do echo ------------------- linux$host -------------- rsync -rvl $pdir/$file_name $user@linux$host:$pdir done
-
修改脚本 rsync-script 具有执行权限
[root@linux121 bin]$ chmod 777 rsync-script
-
调用脚本形式:rsync-script 文件名称
[root@linux121 bin]$ rsync-script /home/root/bin
-
调用脚本分发Hadoop安装目录到其它节点
[root@linux121 bin]$ rsync-script /opt/learn/servers/hadoop-2.9.2
-
-
启动集群
注意:如果集群是第一次启动,需要在Namenode所在节点格式化NameNode,非第一次不用执行格式化Namenode操作!!
单节点启动
[root@linux121 hadoop-2.9.2]$ hadoop namenode -format
格式化命令执行效果:
格式化后创建的文件:/opt/learn/servers/hadoop-2.9.2/data/tmp/dfs/name/current
-
在linux121上启动NameNode
[root@linux121 hadoop-2.9.2]$ hadoop-daemon.sh start namenode [root@linux121 hadoop-2.9.2]$ jps
-
在linux121、linux122以及linux123上分别启动DataNode
[root@linux121 hadoop-2.9.2]$ hadoop-daemon.sh start datanode [root@linux121 hadoop-2.9.2]$ jps 3461 NameNode 3608 Jps 3561 DataNode [root@linux122 hadoop-2.9.2]$ hadoop-daemon.sh start datanode [root@linux122 hadoop-2.9.2]$ jps 3190 DataNode 3279 Jps [root@linux123 hadoop-2.9.2]$ hadoop-daemon.sh start datanode [root@linux123 hadoop-2.9.2]$ jps 3237 Jps 3163 DataNode
-
web端查看Hdfs界面
-
查看HDFS集群正常节点
-
Yarn集群单节点启动
[root@linux123 servers]# yarn-daemon.sh start resourcemanager [root@linux123 servers]# jps 7881 ResourceManager 8094 Jps [root@linux122 servers]# yarn-daemon.sh start nodemanager [root@linux122 servers]# jps 8166 NodeManager 8223 Jps [root@linux121 servers]# yarn-daemon.sh start nodemanager [root@linux121 servers]# jps 8166 NodeManager 8223 Jps
集群群起
-
如果已经单节点方式启动了Hadoop,可以先停止之前的启动的Namenode与Datanode进程,如果之前Namenode没有执行格式化,这里需要执行格式化!!!
hadoop namenode -format
-
启动HDFS
[root@linux121 hadoop-2.9.2]$ sbin/start-dfs.sh [root@linux121 hadoop-2.9.2]$ jps 4166 NameNode 4482 Jps 4263 DataNode [root@linux122 hadoop-2.9.2]$ jps 3218 DataNode 3288 Jps [root@linux123 hadoop-2.9.2]$ jps 3221 DataNode 3283 SecondaryNameNode 3364 Jps
-
启动YARN
[root@linux123 hadoop-2.9.2]$ sbin/start-yarn.sh
注意:NameNode和ResourceManger不是在同一台机器,不能在NameNode上启动 YARN,应该在ResouceManager所在的机器上启动YARN。
Hadoop集群启动停止命令汇总
- 各个服务组件逐一启动/停止
-
分别启动/停止HDFS组件
hadoop-daemon.sh start / stop namenode / datanode / secondarynamenode
-
启动/停止YARN
yarn-daemon.sh start / stop resourcemanager / nodemanager
-
- 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
-
集群测试
-
HDFS 分布式存储初体验
从linux本地文件系统上传下载文件验证HDFS集群工作正常hdfs dfs -mkdir -p /test/input #本地hoome目录创建一个文件 cd /root vim test.txt hello hdfs #上传linxu文件到Hdfs hdfs dfs -put /root/test.txt /test/input #从Hdfs下载文件到linux本地 hdfs dfs -get /test/input/test.txt
-
MapReduce 分布式计算初体验
-
在HDFS文件系统根目录下面创建一个wcinput文件夹
[root@linux121 hadoop-2.9.2]$ hdfs dfs -mkdir /wcinput
-
在/root/目录下创建一个wc.txt文件(本地文件系统)
[root@linux121 hadoop-2.9.2]$ cd /root/ [root@linux121 wcinput]$ touch wc.txt
-
编辑wc.txt文件
[root@linux121 wcinput]$ vi wc.txt
-
在文件中输入如下内容
hadoop mapreduce yarn hdfs hadoop mapreduce mapreduce yarn learn learn learn
-
保存退出
: wq!
-
上传wc.txt到Hdfs目录/wcinput下
hdfs dfs -put wc.txt /wcinput
-
回到Hadoop目录/opt/learn/servers/hadoop-2.9.2
-
执行程序
[root@linux121 hadoop-2.9.2]$ hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.9.2.jar wordcount /wcinput /wcoutput
-
查看结果
[root@linux121 hadoop-2.9.2]$ hdfs dfs -cat /wcoutput/part-r-00000 hadoop 2 hdfs 1 learn 3 mapreduce 3 yarn 2
-
配置历史服务器
在Yarn中运行的任务产生的日志数据不能查看,为了查看程序的历史运行情况,需要配置一下历史日志服务器。具体配置步骤如下
-
配置mapred-site.xml
[root@linux121 hadoop]$ vi 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>linux121:10020</value> </property> <!-- 历史服务器web端地址 --> <property> <name>mapreduce.jobhistory.webapp.address</name> <value>linux121:19888</value> </property>
-
分发mapred-site.xml到其它节点
rsync-script mapred-site.xml
-
启动历史服务器
[root@linux121 hadoop-2.9.2]$ sbin/mr-jobhistory-daemon.sh start historyserver
-
查看历史服务器是否启动
[root@linux121 hadoop-2.9.2]$ jps
-
查看JobHistory
http://linux121:19888/jobhistory
配置日志的聚集
日志聚集:应用(Job)运行完成以后,将应用运行日志信息从各个task汇总上传到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
HistoryManager。
开启日志聚集功能具体步骤如下:
-
配置yarn-site.xml
[root@linux121 hadoop]$ vi yarn-site.xml
在该文件里面增加如下配置。
<!-- 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>
-
分发yarn-site.xml到集群其它节点
rsync-script yarn-site.xml
-
关闭NodeManager 、ResourceManager和HistoryManager
[root@linux121 hadoop-2.9.2]$ sbin/yarn-daemon.sh stop resourcemanager [root@linux121 hadoop-2.9.2]$ sbin/yarn-daemon.sh stop nodemanager [root@linux121 hadoop-2.9.2]$ sbin/mr-jobhistory-daemon.sh stop historyserver
-
删除HDFS上已经存在的输出文件
[root@linux121 hadoop-2.9.2]$ bin/hdfs dfs -rm -R /wcoutput
-
执行WordCount程序
[root@linux121 hadoop-2.9.2]$ hadoop jar share/hadoop/mapreduce/hadoop- mapreduce-examples-2.9.2.jar wordcount /wcinput /wcoutput
-
查看日志,如图所示