hadoop分布式集群搭建

Hadoop入门

1. 了解Hadoop

1.1 Hadoop 的优势（4高）

高可靠性：存在多个数据副本，即使某个元素或存储出现故障，也不会导致数据的丢失

高拓展性：在集群见分配任务数据，可方便的拓展数以千计的节点

高效性：Hadoop是并行工作的，以加快任务的处理速度

高容错性：能够自动将失败的任务重新分配

1.2 Hadoop的组成

在Hadoop1.x时代，Hadoop中的MapReduce同时处理业务逻辑和资源的调度，耦合度比较大

在Hadoop2.x时代，Hadoop增加了Yarn，Yarn只负责资源的调度，MapReduce只负责运算。

Hadoop3.x时代在组成上没有发生变化。

1.3HDFS架构

什么是HDFS？

HDFS是Hadoop DIstributed File System 的简称，是一个分布式文件系统

HDFS简述

NameNode(nn):

存储文件中的元数据，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

DateNode (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Name Node原数据进行备份

YARN概述

Yet Another Resource Negotiator简称YARN，是资源协调者，是Hadoop的资源管理器

ResourceManager（RM）

整个集群资源(CPU、内存等)的老大

NodeManager(NM)

单个节点服务器资源的老大

ApplicationMaster(AM)

单个任务运行的老大

Container

容器，相当于一台独立的服务器，里面封装了任务运行所需要的资源，如内存、CPU、磁盘、网络等

客户端可以存在多个

集群上可以运行多个ApplicationMaster

每个NodeMangager 可以有多个Container

MapReduce

MapReduce将运算过程分为两个阶段

1. Map阶段并行处理输入数据
2. Reduce阶段对Map结果进行汇总

HDFS YARN MapReduce三者之间的关系

大数据技术生态体系

框架图：

Hadoop集群环境的安装

集群角色的规划

规划准则

根据软件工作特性和服务器硬件资源情况合理分配

角色规划注意事项

资源上有争抢夺冲突的，尽量不要部署在一起。

工作上需要相互配合的，尽量部署在一起。

安装JDK

由于是最小安装，所以不在带openJDK，只能自己安装。

将jdk拖入到服务器进行解压，随后配置环境变量如下：

随后输入使得文件重新加载。

source /etc/profile

输入Javac 查看是否安装成功

显然安装成功。

安装Hadoop

下载Hadoop 然后进行解压，这里是解压到了opt/module下，解压后进入到其路径下，获取路径

随后配置环境变量：

重新加载，随后进行检查:

hadoop version

运行结果如下：

显然已经安装成功。若搭配集群，操作方法相同。

配置免密登录

配置免密登录需要安装ssh，这里由于是提前安装好的，就不再进行安装。由于我实在root用户下进行操作的，所以某些操作可能不同

进入到/root/.ssh下

生成公钥、私钥：

在这个过程中需要连点三个回车。随后需要将公钥交给免密登录的目标机器上，由于是集群，这里一共有四个hadoop132 ~ hadoop-135，其中将hadoop132作为父节点，加上了-father 即hadoop132-father

开始进行拷贝。

ssh-copy-id hadoop132-father
ssh-copy-id hadoop133
ssh-copy-id hadoop134
ssh-copy-id hadoop135

集群的角色划分

服务器	运行角色
hadoop132-father	namenode datanode resourcemanager nodemanager
hadoop133	secondarynamenode datanode nodemanager
hadoop134	datanode nodemanager

配置文件

配置文件主要在hadoop目录下的etc/hadoop/文件下

配置hadoop-env.sh

文件路径在 HADOOP_HOME下的etc/hadoop

配置文件如下：

export JAVA_HOME=/opt/module/jdk1.8.0_301
export HADOOP_HOME=/opt/module/hadoop-3.3.1

export HDFS_NAMENODE_USER=root
export HDFS_DATANODE_USER=root
export HDFS_SECONDARYNAMENODE_USER=root
export YARN_RESOURCEMANAGER_USER=root
export YARN_NODEMANAGER_USER=root

配置core-site.xml

core-site.xml是hadoop的核心配置文件，但是这是可以进行自定义的，默认配置文件为core-default.xml.

core-default.xml喝core-site.xml的功能是一样的，如果在core-site.xml中没有配置属性，那么就会自动获取core-default.xml文件中的相同属性的值

我们编写配置文件

<!-- 默认文件系统的名称。通过URI中schema区分不同文件系统。-->
<!-- file:///本地文件系统 hdfs:// hadoop分布式文件系统 gfs://。-->
<!-- hdfs文件系统访问地址：http://nn_host:8020。-->
<property>
    <name>fs.defaultFS</name>
    <value>hdfs://hadoop132-father:8020</value>
</property>
<!-- hadoop本地数据存储目录 format时自动生成 -->
<property>
    <name>hadoop.tmp.dir</name>
    <value>/opt/data/hadoop</value>
</property>
<!-- 在Web UI访问HDFS使用的用户名。-->
<property>
    <name>hadoop.http.staticuser.user</name>
    <value>root</value>
</property>

配置hdfs-site.xml文件

HDFS的核心配置文件，主要配置HDFS的相关参数，默认配置选项为hdfs-default.xml

配置如下：

<!-- 设定SNN运行主机和端口。-->
<property>
    <name>dfs.namenode.secondary.http-address</name>
    <value>hadoop133:9868</value>
</property>

修改mapred-site.xml

MapReduce的核心配置文件

配置如下：

<!-- mr程序默认运行方式。yarn集群模式 local本地模式-->
<property>
  <name>mapreduce.framework.name</name>
  <value>yarn</value>
</property>
<!-- MR App Master环境变量。-->
<property>
  <name>yarn.app.mapreduce.am.env</name>
  <value>HADOOP_MAPRED_HOME=${HADOOP_HOME}</value>
</property>
<!-- MR MapTask环境变量。-->
<property>
  <name>mapreduce.map.env</name>
  <value>HADOOP_MAPRED_HOME=${HADOOP_HOME}</value>
</property>
<!-- MR ReduceTask环境变量。-->
<property>
  <name>mapreduce.reduce.env</name>
  <value>HADOOP_MAPRED_HOME=${HADOOP_HOME}</value>
</property>

修改YARN核心配置文件

核心文件为：yarn-site.xml

<!-- yarn集群主角色RM运行机器。-->
<property>
    <name>yarn.resourcemanager.hostname</name>
    <value>hadoop132-father</value>
</property>
<!-- NodeManager上运行的附属服务。需配置成mapreduce_shuffle,才可运行MR程序。-->
<property>
    <name>yarn.nodemanager.aux-services</name>
    <value>mapreduce_shuffle</value>
</property>
<!-- 每个容器请求的最小内存资源（以MB为单位）。-->
<property>
  <name>yarn.scheduler.minimum-allocation-mb</name>
  <value>512</value>
</property>
<!-- 每个容器请求的最大内存资源（以MB为单位）。-->
<property>
  <name>yarn.scheduler.maximum-allocation-mb</name>
  <value>2048</value>
</property>
<!-- 容器虚拟内存与物理内存之间的比率。-->
<property>
  <name>yarn.nodemanager.vmem-pmem-ratio</name>
  <value>4</value>
</property>

修改workers

workers主要记录的集群的主机名，一半有以下两个作用：

1. 配合一键启动脚本如start-dfs.sh进行集群的启动。这时候slaver文件里面的主机标记的就是从节点角色所在的机器
2. 可以配合hdfs-site.xml里面的dfs.hosts属性形成一种白名单机制。dfs.hosts指定一个文件，其中包括允许连接到NameNode的主机列表。必须指定文件的完整路径名，那么所有在workers中的主机才可以加入集群。如果为空，表示允许所有集群

配置如下：

hadoop132-father
hadoop133
hadoop134

同步配置

采用的是rsync命令，因为hadoop都是安装好的，所以只需要对修改文件进行一个配置即可。

rsync -av hadoop/ root@hadoop134:/opt/module/hadoop-3.3.1/etc/hadoop/
rsync -av hadoop/ root@hadoop133:/opt/module/hadoop-3.3.1/etc/hadoop/

NameNode format（格式化）操作

本质上时进行一个初始化。首次启动HDFS是必须进行此操作

format本质上是初始化工作，进行HDFS清理和准备工作

命令：hdfs namenode -format

注意：

1. 首次启动之前需要进行format操作
2. format操作只能执行一次，后续不再进行操作
3. 如果多次format出了造成数据丢失外，也会造成hdfs集群主从角色互不识别，通过删除所有机器的hadoop.tmp.dir目录 并重新format进行解决

如果出现了这个就表示格式化成功，或者说初始化成功

启动集群

Hadoop 集群存在两种启动方式：

1. 手动单个启动
2. 集群启动

手动单个启动

• 缺点：废人
• 优点： 精确，可以用于排除故障

HDFS集群

hdfs -daemon start namenode|datanode|secondarynamenode
hdfs -daemon stop namenode|datanode|secondarynamenode

YARN集群

yarn -daemon start resourcemanager|nodemanager
yarn -daemon stop  resourcemanager|nodemanager

案例：

一键操作

可以通过hadoop提供的shell脚本进行一键启动关闭

前提 配置好了免密登录和workers文件

HDFS集群：

start-dfs.sh
stop-dfs.sh

YARN集群

start-yarn.sh
stop-yarn.sh

直接启动hadoop集群

start-all.sh
stop-all.sh

启动测试

father节点：

hadoop133节点

hadoop134节点：

访问UI页面：

HDFS　UI页面

hadoop132-father:9870

页面如下：

YARN UI页面：

hadoop132-father:8088

页面如下：

测试是否成功：

上传文件进行尝试：

将这个hadoop的压缩包进行一个上传

上传指令：

hadoop fs -put hadoop-3.3.1.tar.gz /w