Apache Hadoop 完全分布式集群搭建

输出于拉勾大数据训练营

第 1 节 虚拟机环境准备

1、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）
2、在/opt目录下创建文件夹

mkdir -p /opt/lagou/software --软件安装包存放目录 
mkdir -p /opt/lagou/servers  --软件安装目录

3、Hadoop下载地址：

https://archive.apache.org/dist/hadoop/common/hadoop-2.9.2/

Hadoop官网地址：

http://hadoop.apache.org/

4、上传hadoop安装文件到/opt/lagou/software

第 2 节 集群规划

框架	Linux121	Linux122	Linux123
HDFS	NameNode、DataNode	DataNode	SecondaryNameNode、DataNode
YARN	NodeManager	NodeManager	NodeManager、ResourceManager

第 3 节 安装Hadoop

• 登录linux121节点，进入/opt/lagou/software，解压安装文件到/opt/lagou/servers

  tar -zxvf hadoop-2.9.2.tar.gz -C /opt/lagou/servers 

• 查看是否解压成功

ll /opt/lagou/servers/hadoop-2.9.2

• 添加Hadoop到环境变量 vim /etc/profile

##HADOOP_HOME
export HADOOP_HOME=/opt/lagou/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

校验结果：

• hadoop目录

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，如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

3.1 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

1. 将JDK路径明确配置给HDFS（修改hadoop-env.sh）
2. 指定NameNode节点以及数据存储目录（修改core-site.xml）
3. 指定SecondaryNameNode节点（修改hdfs-site.xml）
4. 指定DataNode从节点（修改etc/hadoop/slaves文件，每个节点配置信息占⼀行）

• MapReduce集群配置

1. 将JDK路径明确配置给MapReduce（修改mapred-env.sh）
2. 指定MapReduce计算框架运行Yarn资源调度框架（修改mapred-site.xml）

• Yarn集群配置

1. 将JDK路径明确配置给Yarn（修改yarn-env.sh）
2. 指定ResourceManager老大节点所在计算机节点（修改yarn-site.xml）
3. 指定NodeManager节点（会通过slaves文件内容确定）
   集群配置具体步骤:

HDFS集群配置

cd /opt/lagou/servers/hadoop-2.9.2/etc/hadoop

• 配置：hadoop-env.sh
  将JDK路径明确配置给HDFS

vim hadoop-env.sh
export JAVA_HOME=/opt/lagou/servers/jdk1.8.0_231

• 指定NameNode节点以及数据存储目录（修改 core-site.xml）

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运⾏行行时产⽣生⽂文件的存储⽬目录  -->
<property>
    <name>hadoop.tmp.dir</name>
    <value>/opt/lagou/servers/hadoop-2.9.2/data/tmp</value>
</property>

• core-site.xml的默认配置：

https://hadoop.apache.org/docs/r2.9.2/hadoop-project-dist/hadoop-common/core- default.xml

• 指定secondarynamenode节点（修改hdfs-site.xml）

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>

官方默认配置：

https://hadoop.apache.org/docs/r2.9.2/hadoop-project-dist/hadoop-hdfs/hdfs-default.xml

• 指定datanode从节点（修改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

• 指定MapReduce使用的jdk路径（修改mapred-env.sh）

vim mapred-env.sh

export JAVA_HOME=/opt/lagou/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）

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>

• mapred-site.xml默认配置：

https://hadoop.apache.org/docs/r2.9.2/hadoop-mapreduce-client/hadoop-mapreduce-client-core/mapred-default.xml

Yarn集群配置

• 指定JDK路径

vim yarn-env.sh

export JAVA_HOME=/opt/lagou/servers/jdk1.8.0_231

• 指定ResourceMnager的master节点信息（修改yarn-site.xml）

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>

• yarn-site.xml的默认配置：

https://hadoop.apache.org/docs/r2.9.2/hadoop-yarn/hadoop-yarn-common/yarn-default.xml

• 指定NodeManager节点（slaves文件已修改）
  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，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/lagou/servers/hadoop-2.9.2

3.2 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。

1. 基本语法

rsync -rvl $pdir/$fname $user@$host:$pdir/$fname

2. 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

1. 三台虚拟机安装rsync（执行安装需要保证机器联网）

yum install -y rsync

2. 把linux121机器上的/opt/lagou/software目录同步到linux122服务器的root用户下的/opt/目录

rsync -rvl /opt/lagou/software/ root@linux122:/opt/lagou/software

• 集群分发脚本编写

1. 需求：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/

2. 期望脚本
   脚本+要同步的文件名称
3. 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。
4. 脚本实现
   (1) 在/usr/local/bin⽬录下创建⽂件rsync-script，文件内容如下:

#!/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

(2) 修改脚本 rsync-script 具有执行权限

chmod 777 rsync-script

(3) 调用脚本形式：rsync-script 文件名称

rsync-script /home/root/bin

(4) 调用脚本分发Hadoop安装⽬录到其它节点

rsync-script /opt/lagou/servers/hadoop-2.9.2

第 4 节 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，非第一次不要执行格式化Namenode操作。

4.1 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/lagou/servers/hadoop-2.9.2/data/tmp/dfs/name/current

1. 在linux121上启动NameNode

[root@linux121 hadoop-2.9.2]$ hadoop-daemon.sh start namenode
[root@linux121 hadoop-2.9.2]$ jps

2. 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
  http://linux121:50070/dfshealth.html#tab-overview
  

• 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

4.2 集群群起

1. 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

2. 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

3. 启动YARN

[root@linux122 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。

4.3 Hadoop集群启动停止命令汇总

• 各个服务组件逐⼀启动/停止

1. 分别启动/停止HDFS组件

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

2. 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

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

第 5 节 集群测试

1. 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home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

2. 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，在文件中输入如下内容

vim wc.txt 

hadoop mapreduce yarn
hdfs hadoop mapreduce
mapreduce yarn lagou
lagou
lagou

• 保存退出，上传wc.txt到Hdfs目录/wcinput下

hdfs dfs -put wc.txt /wcinput

• 回到Hadoop目录/opt/lagou/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
lagou   3
mapreduce       3
yarn    2

第 6 节 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：

1. 配置mapred-site.xml

[root@linux121 hadoop]$ vi mapred-site.xml

<!-- 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>

2. 分发mapred-site.xml到其它节点

rsync-script mapred-site.xml

3. 启动历史服务器

[root@linux121 hadoop-2.9.2]$ sbin/mr-jobhistory-daemon.sh start historyserver

4. 查看历史服务器是否启动

[root@linux121 hadoop-2.9.2]$ jps

5. 查看JobHistory

http://linux121:19888/jobhistory

6.1 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：

1. 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>

2. 分发yarn-site.xml到集群其它节点

rsync-script yarn-site.xml

3. 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

4. 启动NodeManager 、ResourceManager和HistoryManager

[root@linux121 hadoop-2.9.2]$ sbin/yarn-daemon.sh start resourcemanager
[root@linux121 hadoop-2.9.2]$ sbin/yarn-daemon.sh start nodemanager
[root@linux121 hadoop-2.9.2]$ sbin/mr-jobhistory-daemon.sh start historyserver

5. 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

6. 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

7. 查看日志，如图所示
   http://linux121:19888/jobhistory