大数据之Hadoop简介及环境搭建

第1章 大数据概论

1.1 大数据概念

大数据（Big Data）：指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。

主要解决，海量数据的存储和海量数据的分析计算问题。

按顺序给出数据存储单位：bit、Byte、KB、MB、GB、TB、PB、EB、ZB、YB、BB、NB、DB。
1Byte = 8bit 1K = 1024Byte 1MB = 1024K
1G = 1024M 1T = 1024G 1P = 1024T

1.2 大数据特点（4V）

1、Volume（大量）
截至目前，人类生产的所有印刷材料的数据量是200PB，而历史上全人类总共说过的话的数据量大约是5EB。当前，典型个人计算机硬盘的容量为TB量级，而一些大企业的数据量已经接近EB量级。

2、Velocity（高速）
这是大数据区分于传统数据挖掘的最显著特征。在海量的数据面前，处理数据的效率就是企业的生命。

3、Variety（多样）
这种类型的多样性也让数据被分为结构化数据和非结构化数据。相对于以往便于存储的以数据库/文本为主的结构化数据，非结构化数据越来越多，包括网络日志、音频、视频、图片、地理位置信息等，这些多类型的数据对数据的处理能力提出了更高要求。

4、Value（低价值密度）

价值密度的高低与数据总量的大小成反比。如何快速对有价值数据“提纯”成为目前大数据背景下待解决的难题。

1.3 大数据应用场景

1、物流仓储：大数据分析系统助力商家精细化运营、提升销量、节约成本。
2、零售：分析用户消费习惯，为用户购买商品提供方便，从而提升商品销量。经典案例，子尿布+啤酒。
3、旅游：深度结合大数据能力与旅游行业需求，共建旅游产业智慧管理、智慧服务和智慧营销的未来。

4、商品广告推荐：给用户推荐可能喜欢的商品
5、保险：海量数据挖掘及风险预测，助力保险行业精准营销，提升精细化定价能力。
6、金融：多维度体现用户特征，帮助金融机构推荐优质客户，防范欺诈风险。
7、房产：大数据全面助力房地产行业，打造精准投策与营销，选出更合适的地，建造更合适的楼，卖给更合适的人。
8、人工智能

1.4 大数据部门业务流程分析

产品人员提需求（统计总用户数、日活跃用户数、回流用户数等）--> 数据部门搭建数据平台、分析数据指标 --> 数据可视化（报表展示、邮件发送、大屏幕展示等）

1.5 大数据部门常见组织结构

第2章 Hadoop大数据生态

2.1 Hadoop是什么

1）Hadoop是一个由Apache基金会所开发的分布式系统基础架构。
2）主要解决，海量数据的存储和海量数据的分析计算问题。
3）广义上来说，Hadoop通常是指一个更广泛的概念——Hadoop生态圈。

2.2 Hadoop发展历史

1）Lucene框架是Doug Cutting开创的开源软件，用Java书写代码，实现与Google类似的全文搜索功能，它提供了全文检索引擎的架构，包括完整的查询引擎和索引引擎。
2）2001年年底Lucene成为Apache基金会的一个子项目。
3）对于海量数据的场景，Lucene面对与Google同样的困难，存储数据困难，检索速度慢。
4）学习和模仿Google解决这些问题的办法 ：微型版Nutch。
5）可以说Google是Hadoop的思想之源(Google在大数据方面的三篇论文)
GFS --->HDFS Map-Reduce --->MR BigTable --->HBase
6）2003-2004年，Google公开了部分GFS和MapReduce思想的细节，以此为基础Doug Cutting等人用了2年业余时间实现了DFS和MapReduce机制，使Nutch性能飙升。
7）2005 年Hadoop 作为 Lucene的子项目 Nutch的一部分正式引入Apache基金会。
8）2006 年 3 月份，Map-Reduce和Nutch Distributed File System (NDFS) 分别被纳入到 Hadoop 项目中，Hadoop就此正式诞生，标志着大数据时代来临。
9）名字来源于Doug Cutting儿子的玩具大象。

2.3 Hadoop三大发行版本

Hadoop三大发行版本：Apache、Cloudera、Hortonworks。
Apache版本最原始（最基础）的版本，对于入门学习最好。
Cloudera在大型互联网企业中用的较多。
Hortonworks文档较好。
1.Apache Hadoop
官网地址：http://hadoop.apache.org/releases.html
下载地址：https://archive.apache.org/dist/hadoop/common/

2.Cloudera Hadoop
官网地址：https://www.cloudera.com/downloads/cdh/5-10-0.html
下载地址：http://archive-primary.cloudera.com/cdh5/cdh/5/

（1）2008年成立的Cloudera是最早将Hadoop商用的公司，为合作伙伴提供Hadoop的商用解决方案，主要是包括支持、咨询服务、培训。
（2）2009年Hadoop的创始人Doug Cutting也加盟Cloudera公司。Cloudera产品主要为CDH，Cloudera Manager，Cloudera Support
（3）CDH是Cloudera的Hadoop发行版，完全开源，比Apache Hadoop在兼容性，安全性，稳定性上有所增强。
（4）Cloudera Manager是集群的软件分发及管理监控平台，可以在几个小时内部署好一个Hadoop集群，并对集群的节点及服务进行实时监控。Cloudera Support即是对Hadoop的技术支持。
（5）Cloudera的标价为每年每个节点4000美元。Cloudera开发并贡献了可实时处理大数据的Impala项目。

2.Hortonworks Hadoop
官网地址：https://hortonworks.com/products/data-center/hdp/
下载地址：https://hortonworks.com/downloads/#data-platform

（1）2011年成立的Hortonworks是雅虎与硅谷风投公司Benchmark Capital合资组建。
（2）公司成立之初就吸纳了大约25名至30名专门研究Hadoop的雅虎工程师，上述工程师均在2005年开始协助雅虎开发Hadoop，贡献了Hadoop80%的代码。
（3）雅虎工程副总裁、雅虎Hadoop开发团队负责人Eric Baldeschwieler出任Hortonworks的首席执行官。 （4）Hortonworks的主打产品是Hortonworks Data Platform（HDP），也同样是100%开源的产品，HDP除常见的项目外还包括了Ambari，一款开源的安装和管理系统。
（5）HCatalog，一个元数据管理系统，HCatalog现已集成到Facebook开源的Hive中。Hortonworks的Stinger开创性的极大的优化了Hive项目。Hortonworks为入门提供了一个非常好的，易于使用的沙盒。 （6）Hortonworks开发了很多增强特性并提交至核心主干，这使得Apache Hadoop能够在包括Window Server和Windows Azure在内的Microsoft Windows平台上本地运行。定价以集群为基础，每10个节点每年为12500美元。

2.4 Hadoop的优势（4高）

1）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。
2）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。
3）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。
4）高容错性：能够自动将失败的任务重新分配。

2.5 Hadoop组成

Hadoop1.x和Hadoop2.x区别

2.5.1 HDFS架构概述

1）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。
2）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。
3）Secondary NameNode(2nn)：用来监控HDFS状态的辅助后台程序，每隔一段时间获取HDFS元数据的快照。

2.5.2 YARN架构概述

2.5.3 MapReduce架构概述

MapReduce将计算过程分为两个阶段：Map和Reduce
1）Map阶段并行处理输入数据
2）Reduce阶段对Map结果进行汇总

2.6 大数据技术生态体系

1）Sqoop：Sqoop是一款开源的工具，主要用于在Hadoop、Hive与传统的数据库(MySql)间进行数据的传递，可以将一个关系型数据库（例如 ：MySQL，Oracle 等）中的数据导进到Hadoop的HDFS中，也可以将HDFS的数据导进到关系型数据库中。
2）Flume：Flume是Cloudera提供的一个高可用的，高可靠的，分布式的海量日志采集、聚合和传输的系统，Flume支持在日志系统中定制各类数据发送方，用于收集数据；同时，Flume提供对数据进行简单处理，并写到各种数据接受方（可定制）的能力。
3）Kafka：Kafka是一种高吞吐量的分布式发布订阅消息系统，有如下特性：
（a）通过O(1)的磁盘数据结构提供消息的持久化，这种结构对于即使数以TB的消息存储也能够保持长时间的稳定性能。
（b）高吞吐量：即使是非常普通的硬件Kafka也可以支持每秒数百万的消息。
（c）支持通过Kafka服务器和消费机集群来分区消息。
（d）支持Hadoop并行数据加载。
4）Storm：Storm用于“连续计算”，对数据流做连续查询，在计算时就将结果以流的形式输出给用户。
5）Spark：Spark是当前最流行的开源大数据内存计算框架。可以基于Hadoop上存储的大数据进行计算。
6）Oozie：Oozie是一个管理Hdoop作业（job）的工作流程调度管理系统。
7）Hbase：HBase是一个分布式的、面向列的开源数据库。HBase不同于一般的关系数据库，它是一个适合于非结构化数据存储的数据库。
8）Hive：Hive是基于Hadoop的一个数据仓库工具，可以将结构化的数据文件映射为一张数据库表，并提供简单的SQL查询功能，可以将SQL语句转换为MapReduce任务进行运行。 其优点是学习成本低，可以通过类SQL语句快速实现简单的MapReduce统计，不必开发专门的MapReduce应用，十分适合数据仓库的统计分析。
10）R语言：R是用于统计分析、绘图的语言和操作环境。R是属于GNU系统的一个自由、免费、源代码开放的软件，它是一个用于统计计算和统计制图的优秀工具。
11）Mahout：Apache Mahout是个可扩展的机器学习和数据挖掘库。
12）ZooKeeper：Zookeeper是Google的Chubby一个开源的实现。它是一个针对大型分布式系统的可靠协调系统，提供的功能包括：配置维护、名字服务、 分布式同步、组服务等。ZooKeeper的目标就是封装好复杂易出错的关键服务，将简单易用的接口和性能高效、功能稳定的系统提供给用户。

2.7 推荐系统框架图

第3章 Hadoop运行环境搭建

3.1 虚拟机环境准备

基本环境：

hostname: hadoop101
ip: 192.168.56.101
user: hadoop    # 配置sudo权限

关闭firewalld

sudo systemctl stop firewalld

关闭NetworkManager

sudo systemctl stop NetworkManager

name: 关闭selinux

sudo setenforce 0
sudo sed -i 's#SELINUX=enforcing#SELINUX=disabled#g' /etc/selinux/config

在/opt目录下创建文件夹

（1）在/opt目录下创建modules、softwares、datas文件夹

[hadoop@hadoop101 opt]$ sudo mkdir modules
[hadoop@hadoop101 opt]$ sudo mkdir softwares
[hadoop@hadoop101 opt]$ sudo mkdir datas

（2）修改modules、softwares文件夹的所有者

[hadoop@hadoop101 opt]$ sudo chown hadoop:hadoop modules/ softwares/ datas/
[hadoop@hadoop101 opt]$ ll
total 3
drwxr-xr-x   2 hadoop hadoop 4096 Oct 11 20:09 datas
drwxr-xr-x.  2 hadoop hadoop 4096 Oct 11 20:09 modules
drwxr-xr-x.  2 hadoop hadoop 4096 Oct 11 20:09 softwares

3.2 安装JDK

1、将jdk安装包上传到/opt/softwares目录

[hadoop@hadoop101 opt]$ ls softwares/
jdk-8u144-linux-x64.tar.gz  logstash-6.3.1.tar.gz

2、 解压JDK到/opt/module目录下

[hadoop@hadoop101 softwares]$ tar -xvf /opt/softwares/jdk-8u144-linux-x64.tar.gz -C /opt/modules/

3、配置JDK环境变量

（1）先获取JDK路径

[hadoop@hadoop101 jdk1.8.0_144]$ pwd
/opt/modules/jdk1.8.0_144

（2）打开/etc/profile文件

[hadoop@hadoop101 jdk1.8.0_144]$ sudo vim /etc/profile

（3）在profile文件末尾添加JDK路径

# JAVA_HOME
export JAVA_HOME=/opt/modules/jdk1.8.0_144
export PATH=$PATH:$JAVA_HOME/bin

（4）保存后退出

:wq

（5）让修改后的文件生效

[hadoop@hadoop101 jdk1.8.0_144]$ source /etc/profile

4、测试JDK是否安装成功

[hadoop@hadoop101 jdk1.8.0_144]$ java -version
java version "1.8.0_144"
Java(TM) SE Runtime Environment (build 1.8.0_144-b01)
Java HotSpot(TM) 64-Bit Server VM (build 25.144-b01, mixed mode)

3.3 安装Hadoop

1、Hadoop下载地址：

https://archive.apache.org/dist/hadoop/common/hadoop-2.7.2/

2、将hadoop安装包hadoop-2.7.2.tar.gz上传到/opt/softwares

[hadoop@hadoop101 softwares]$ ls
hadoop-2.7.2.tar.gz

3、进入/opt/softwares，将hadoop-2.7.2.tar.gz解压到/opt/modules目录

[hadoop@hadoop101 softwares]$ tar -xvf hadoop-2.7.2.tar.gz -C /opt/modules/

4、检查是否解压成功

[hadoop@hadoop101 softwares]$ ls /opt/modules/
hadoop-2.7.2         jdk1.8.0_144

5、将Hadoop添加到环境变量

（1）获取Hadoop安装路径

[hadoop@hadoop101 hadoop-2.7.2]$ pwd
/opt/modules/hadoop-2.7.2

（2）打开/etc/profile文件

[hadoop@hadoop101 hadoop-2.7.2]$ sudo vim /etc/profile

在profile文件末尾添加JDK路径：（shitf+g）

# HADOOP_HOME
export HADOOP_HOME=/opt/modules/hadoop-2.7.2
export PATH=$PATH:$HADOOP_HOME/bin:$HADOOP_HOME/sbin

（3）保存后退出

:wq

（4）让修改后的文件生效

[hadoop@hadoop101 hadoop-2.7.2]$  source /etc/profile

1. 测试是否安装成功

[hadoop@hadoop101 hadoop-2.7.2]$ hadoop version
Hadoop 2.7.2

3.4 Hadoop目录结构

1、查看Hadoop目录结构

[hadoop@hadoop101 hadoop-2.7.2]$ ll
total 28
drwxr-xr-x 2 hadoop hadoop   194 May 22  2017 bin
drwxr-xr-x 3 hadoop hadoop    20 May 22  2017 etc
drwxr-xr-x 2 hadoop hadoop   106 May 22  2017 include
drwxr-xr-x 3 hadoop hadoop    20 May 22  2017 lib
drwxr-xr-x 2 hadoop hadoop   239 May 22  2017 libexec
-rw-r--r-- 1 hadoop hadoop 15429 May 22  2017 LICENSE.txt
-rw-r--r-- 1 hadoop hadoop   101 May 22  2017 NOTICE.txt
-rw-r--r-- 1 hadoop hadoop  1366 May 22  2017 README.txt
drwxr-xr-x 2 hadoop hadoop  4096 May 22  2017 sbin
drwxr-xr-x 4 hadoop hadoop    31 May 22  2017 share

2、重要目录

（1）bin目录：存放对Hadoop相关服务（HDFS,YARN）进行操作的脚本
（2）etc目录：Hadoop的配置文件目录，存放Hadoop的配置文件
（3）lib目录：存放Hadoop的本地库（对数据进行压缩解压缩功能）
（4）sbin目录：存放启动或停止Hadoop相关服务的脚本
（5）share目录：存放Hadoop的依赖jar包、文档、和官方案例

第4章 Hadoop运行模式

Hadoop运行模式包括：本地模式、伪分布式模式以及完全分布式模式。
Hadoop官方网站：http://hadoop.apache.org/

4.1 本地运行模式

4.1.1 官方Grep案例

1. 创建在hadoop-2.7.2文件下面创建一个input文件夹

[hadoop@hadoop101 hadoop-2.7.2]$ mkdir input

1. 将Hadoop的xml配置文件复制到input

[hadoop@hadoop101 hadoop-2.7.2]$ cp etc/hadoop/*.xml input
[hadoop@hadoop101 hadoop-2.7.2]$ ll input
total 48
-rw-r--r-- 1 hadoop hadoop 4436 Nov  7 19:40 capacity-scheduler.xml
-rw-r--r-- 1 hadoop hadoop  774 Nov  7 19:40 core-site.xml
-rw-r--r-- 1 hadoop hadoop 9683 Nov  7 19:40 hadoop-policy.xml
-rw-r--r-- 1 hadoop hadoop  775 Nov  7 19:40 hdfs-site.xml
-rw-r--r-- 1 hadoop hadoop  620 Nov  7 19:40 httpfs-site.xml
-rw-r--r-- 1 hadoop hadoop 3518 Nov  7 19:40 kms-acls.xml
-rw-r--r-- 1 hadoop hadoop 5511 Nov  7 19:40 kms-site.xml
-rw-r--r-- 1 hadoop hadoop  690 Nov  7 19:40 yarn-site.xml

1. 执行share目录下的MapReduce程序

[hadoop@hadoop101 hadoop-2.7.2]$ bin/hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.7.2.jar grep input output 'dfs[a-z.]+'

1. 查看输出结果

[hadoop@hadoop101 hadoop-2.7.2]$ cat output/*
1   dfsadmin

4.1.2 官方WordCount案例

1. 创建在hadoop-2.7.2文件下面创建一个wcinput文件夹

[hadoop@hadoop101 hadoop-2.7.2]$ mkdir wcinput

1. 在wcinput文件下创建一个wc.input文件并写入以下文件

[hadoop@hadoop101 hadoop-2.7.2]$ cd wcinput/
[hadoop@hadoop101 wcinput]$ vim wc.input
[hadoop@hadoop101 wcinput]$ cat wc.input 
hello world
hello java
hello big data
hello scala
spark hello world
python hello world
hadoop hdfs
map reduce
hello hadoop

保存退出：

：wq

1. 回到Hadoop目录/opt/modules/hadoop-2.7.2执行程序

[hadoop@hadoop101 hadoop-2.7.2]$ bin/hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.7.2.jar wordcount wcinput wcoutput

1. 查看结果

[hadoop@hadoop101 hadoop-2.7.2]$ cat wcoutput/*
big 1
data    1
hadoop  2
hdfs    1
hello   7
java    1
map 1
python  1
reduce  1
scala   1
spark   1
world   3

4.2 伪分布式运行模式

4.2.1 启动HDFS并运行MapReduce程序

1. 分析

（1）配置集群
（2）启动、测试集群增、删、查
（3）执行WordCount案例

1. 执行步骤

（1）配置集群
（a）配置：hadoop-env.sh

Linux系统中获取JDK的安装路径：

[hadoop@hadoop101 hadoop-2.7.2]$ echo $JAVA_HOME
/opt/modules/jdk1.8.0_144

修改JAVA_HOME 路径：

export JAVA_HOME=/opt/modules/jdk1.8.0_144

（b）配置：core-site.xml

<!-- 指定HDFS中NameNode的地址 -->
<property>
        <name>fs.defaultFS</name>
        <value>hdfs://hadoop101:9000</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/modules/hadoop-2.7.2/datas/tmp</value>
</property>

（c）配置：hdfs-site.xml

<!-- 指定HDFS副本的数量 -->
<property>
        <name>dfs.replication</name>
        <value>1</value>
</property>

（2）启动集群

（a）格式化NameNode（第一次启动时格式化，之后不需要格式化）

[hadoop@hadoop101 hadoop-2.7.2]$ bin/hdfs namenode -format

# 下面这行代表格式成功
21/11/07 20:13:24 INFO common.Storage: Storage directory /opt/modules/hadoop-2.7.2/datas/tmp/dfs/name has been successfully formatted.

（b）启动NameNode

[hadoop@hadoop101 hadoop-2.7.2]$ sbin/hadoop-daemon.sh start namenode
starting namenode, logging to /opt/modules/hadoop-2.7.2/logs/hadoop-hadoop-namenode-hadoop101.out

（c）启动DataNode

[hadoop@hadoop101 hadoop-2.7.2]$ sbin/hadoop-daemon.sh start datanode
starting datanode, logging to /opt/modules/hadoop-2.7.2/logs/hadoop-hadoop-datanode-hadoop101.out

（3）查看集群

（a）查看是否启动成功

[hadoop@hadoop101 hadoop-2.7.2]$ jps | grep -v Jps
2528 DataNode
2403 NameNode

（b）web端查看HDFS文件系统

windows配置hosts
192.168.56.101 hadoop101

http://hadoop101:50070/dfshealth.html#tab-overview

（c）查看产生的Log日志

日志目录：/opt/modules/hadoop-2.7.2/logs

[hadoop@hadoop101 logs]$ ll
total 60
-rw-rw-r-- 1 hadoop hadoop 24108 Nov  7 20:16 hadoop-hadoop-datanode-hadoop101.log
-rw-rw-r-- 1 hadoop hadoop   718 Nov  7 20:15 hadoop-hadoop-datanode-hadoop101.out
-rw-rw-r-- 1 hadoop hadoop 27709 Nov  7 20:16 hadoop-hadoop-namenode-hadoop101.log
-rw-rw-r-- 1 hadoop hadoop   718 Nov  7 20:14 hadoop-hadoop-namenode-hadoop101.out
-rw-rw-r-- 1 hadoop hadoop     0 Nov  7 20:14 SecurityAuth-hadoop.audit

（d）查看集群信息

[hadoop@hadoop101 current]$ pwd
/opt/modules/hadoop-2.7.2/datas/tmp/dfs/name/current
[hadoop@hadoop101 current]$ cat VERSION
#Sun Nov 07 20:13:24 CST 2021
namespaceID=1202142462
clusterID=CID-6415cfba-4e8a-46ec-bdcf-0bd815e665d7
cTime=0
storageType=NAME_NODE
blockpoolID=BP-1930525962-192.168.56.101-1636287204165
layoutVersion=-63

[hadoop@hadoop101 current]$ pwd
/opt/modules/hadoop-2.7.2/datas/tmp/dfs/data/current
[hadoop@hadoop101 current]$ cat VERSION 
#Sun Nov 07 20:16:00 CST 2021
storageID=DS-9a007717-2d15-4f5e-8b7b-796a1fb06f09
clusterID=CID-6415cfba-4e8a-46ec-bdcf-0bd815e665d7
cTime=0
datanodeUuid=90ed98e8-1f45-4f22-a6e2-e78b810c418d
storageType=DATA_NODE
layoutVersion=-56

注意：重新格式化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。所以，格式NameNode时，一定要先删除data数据和log日志，然后再格式化NameNode。

（4）操作集群
（a）在HDFS文件系统上创建一个input文件夹

[hadoop@hadoop101 hadoop-2.7.2]$ bin/hdfs dfs -mkdir -p /user/hadoop/input

（b）将测试文件内容上传到文件系统上

[hadoop@hadoop101 hadoop-2.7.2]$ bin/hdfs dfs -put wcinput/wc.input /user/hadoop/input

（c）查看上传的文件是否正确

[hadoop@hadoop101 hadoop-2.7.2]$ hdfs dfs -ls /user/hadoop/input
Found 1 items
-rw-r--r--   1 hadoop supergroup        123 2021-11-07 20:35 /user/hadoop/input/wc.input
[hadoop@hadoop101 hadoop-2.7.2]$ hdfs dfs -cat /user/hadoop/input/wc.input
hello world
hello java
hello big data
hello scala
spark hello world
python hello world
hadoop hdfs
map reduce
hello hadoop

（d）运行MapReduce程序

[hadoop@hadoop101 hadoop-2.7.2]$ hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.7.2.jar wordcount /user/hadoop/input /user/hadoop/output

（e）查看输出结果

[hadoop@hadoop101 hadoop-2.7.2]$ hdfs dfs -cat /user/hadoop/output/*
big 1
data    1
hadoop  2
hdfs    1
hello   7
java    1
map 1
python  1
reduce  1
scala   1
spark   1
world   3

（f）将测试文件内容下载到本地

[hadoop@hadoop101 hadoop-2.7.2]$ rm -rf wcoutput/*
[hadoop@hadoop101 hadoop-2.7.2]$ hdfs dfs -get /user/hadoop/output/part-r-00000 ./wcoutput/

（g）删除输出结果

[hadoop@hadoop101 hadoop-2.7.2]$ hdfs dfs -rm -r /user/hadoop/output

4.2.2 启动YARN并运行MapReduce程序

1. 分析

（1）配置集群在YARN上运行MR
（2）启动、测试集群增、删、查
（3）在YARN上执行WordCount案例

1. 执行步骤

（1）配置集群
（a）配置yarn-env.sh

配置一下JAVA_HOME

export JAVA_HOME=/opt/modules/jdk1.8.0_144

（b）配置yarn-site.xml

<!-- Reducer获取数据的方式 -->
<property>
    <name>yarn.nodemanager.aux-services</name>
    <value>mapreduce_shuffle</value>
</property>

<!-- 指定YARN的ResourceManager的地址 -->
<property>
    <name>yarn.resourcemanager.hostname</name>
    <value>hadoop101</value>
</property>

（c）配置：mapred-env.sh

配置一下JAVA_HOME

export JAVA_HOME=/opt/modules/jdk1.8.0_144

（d）配置： (对mapred-site.xml.template重新命名为) mapred-site.xml

[hadoop@hadoop101 hadoop]$ mv mapred-site.xml.template mapred-site.xml
[hadoop@hadoop101 hadoop]$ vim mapred-site.xml 

<!-- 指定MR运行在YARN上 -->
<property>
        <name>mapreduce.framework.name</name>
        <value>yarn</value>
</property>

（2）启动集群

（a）启动前必须保证NameNode和DataNode已经启动

[hadoop@hadoop101 hadoop-2.7.2]$ jps | grep -v Jps
2528 DataNode
2403 NameNode

（b）启动ResourceManager

[hadoop@hadoop101 hadoop-2.7.2]$ sbin/yarn-daemon.sh start resourcemanager
starting resourcemanager, logging to /opt/modules/hadoop-2.7.2/logs/yarn-hadoop-resourcemanager-hadoop101.out

（c）启动NodeManager

[hadoop@hadoop101 hadoop-2.7.2]$ sbin/yarn-daemon.sh start nodemanager
starting nodemanager, logging to /opt/modules/hadoop-2.7.2/logs/yarn-hadoop-nodemanager-hadoop101.out

（d）查看是否启动成功

[hadoop@hadoop101 hadoop-2.7.2]$ jps | grep -v Jps
2528 DataNode
2403 NameNode
3484 ResourceManager
3725 NodeManager

（3）集群操作

（a）YARN的浏览器页面查看

（b）删除文件系统上的output文件

[hadoop@hadoop101 hadoop-2.7.2]$ hdfs dfs -rm -r /user/hadoop/output

（c）执行MapReduce程序

[hadoop@hadoop101 hadoop-2.7.2]$ hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.7.2.jar wordcount /user/hadoop/input /user/hadoop/output

（d）查看运行结果

4.2.3 配置历史服务器

为了查看程序的历史运行情况，需要配置一下历史服务器。具体配置步骤如下：

1. 配置mapred-site.xml，在文件中添加如下内容：

<!-- 历史服务器端地址 -->
<property>
        <name>mapreduce.jobhistory.address</name>
        <value>hadoop101:10020</value>
</property>
<!-- 历史服务器web端地址 -->
<property>
        <name>mapreduce.jobhistory.webapp.address</name>
        <value>hadoop101:19888</value>
</property>

1. 启动历史服务器

[hadoop@hadoop101 hadoop-2.7.2]$ sbin/mr-jobhistory-daemon.sh start historyserver
starting historyserver, logging to /opt/modules/hadoop-2.7.2/logs/mapred-hadoop-historyserver-hadoop101.out

1. 查看历史服务器是否启动

[hadoop@hadoop101 hadoop-2.7.2]$ jps | grep -v Jps
2528 DataNode
2403 NameNode
4311 JobHistoryServer
3484 ResourceManager
3725 NodeManager

1. 查看JobHistory：http://hadoop101:19888/jobhistory

4.2.4 配置日志的聚集

日志聚集概念：应用运行完成以后，将程序运行日志信息上传到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，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>

1. 关闭NodeManager 、ResourceManager和HistoryServer

[hadoop@hadoop101 hadoop-2.7.2]$ sbin/yarn-daemon.sh stop nodemanager
stopping nodemanager

[hadoop@hadoop101 hadoop-2.7.2]$ sbin/yarn-daemon.sh stop resourcemanager
stopping resourcemanager

[hadoop@hadoop101 hadoop-2.7.2]$ sbin/mr-jobhistory-daemon.sh stop historyserver
stopping historyserver

[hadoop@hadoop101 hadoop-2.7.2]$ jps | grep -v Jps
2528 DataNode
2403 NameNode

1. 启动NodeManager 、ResourceManager和HistoryServer

[hadoop@hadoop101 hadoop-2.7.2]$ sbin/yarn-daemon.sh start resourcemanager
starting resourcemanager, logging to /opt/modules/hadoop-2.7.2/logs/yarn-hadoop-resourcemanager-hadoop101.out

[hadoop@hadoop101 hadoop-2.7.2]$ sbin/yarn-daemon.sh start nodemanager
starting nodemanager, logging to /opt/modules/hadoop-2.7.2/logs/yarn-hadoop-nodemanager-hadoop101.out

[hadoop@hadoop101 hadoop-2.7.2]$ sbin/mr-jobhistory-daemon.sh start historyserver
starting historyserver, logging to /opt/modules/hadoop-2.7.2/logs/mapred-hadoop-historyserver-hadoop101.out

[hadoop@hadoop101 hadoop-2.7.2]$ jps | grep -v Jps
2528 DataNode
2403 NameNode
4533 ResourceManager
4934 JobHistoryServer
4778 NodeManager

1. 删除HDFS上已经存在的输出文件

[hadoop@hadoop101 hadoop-2.7.2]$ hdfs dfs -rm -r /user/hadoop/output

1. 执行WordCount程序

[hadoop@hadoop101 hadoop-2.7.2]$ hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.7.2.jar wordcount /user/hadoop/input /user/hadoop/output

1. 查看日志

4.2.5 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。

（1）默认配置文件：

要获取的默认文件	文件存放在Hadoop的jar包中的位置
[core-default.xml]	hadoop-common-2.7.2.jar/ core-default.xml
[hdfs-default.xml]	hadoop-hdfs-2.7.2.jar/ hdfs-default.xml
[yarn-default.xml]	hadoop-yarn-common-2.7.2.jar/ yarn-default.xml
[mapred-default.xml]	hadoop-mapreduce-client-core-2.7.2.jar/ mapred-default.xml

（2）自定义配置文件：

core-site.xml、hdfs-site.xml、yarn-site.xml、mapred-site.xml四个配置文件存放在$HADOOP_HOME/etc/hadoop这个目录下，用户可以根据项目需求重新进行修改配置。

4.3 完全分布式运行模式

4.3.1 编写集群分发脚本xsync

为方便不同主机之间的文件拷贝，编写一个xsync同步脚本

1. 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   -av    $pdir/$fname     $user@hadoop$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
-a	归档拷贝
-v	显示复制过程

（2）案例实操

（a）把hadoop101机器上的/opt/softwares目录同步到hadoop102服务器的root用户下的/opt/目录

[hadoop@hadoop101 softwares]$ rsync -av /opt/softwares/ hadoop102:/opt/softwares/
sending incremental file list
./
hadoop-2.7.2.tar.gz
jdk-8u144-linux-x64.tar.gz

sent 383,267,298 bytes  received 57 bytes  85,170,523.33 bytes/sec
total size is 383,173,529  speedup is 1.00

1. 编写xsync集群分发脚本

（1）需求：循环复制文件到所有节点的相同目录下

（2）需求分析：

（a）rsync命令原始拷贝：

rsync -av /opt/modules hadoop@hadoop102:/opt/

（b）期望脚本：

xsync 要同步的文件名称

（c）说明：在/home/hadoop/bin目录下存放的脚本，hadoop用户可以在系统任何地方直接执行。

（3）脚本实现

（a）在/home/hadoop目录下创建bin目录，并在bin目录下创建xsync文件，文件内容如下：

#!/bin/bash
#1 获取输入参数个数，如果没有参数，直接退出
pcount=$#
if ((pcount==0)); then
echo no args;
exit;
fi

#2 获取文件名称
p1=$1
fname=`basename $p1`
echo fname=$fname

#3 获取上级目录到绝对路径
pdir=`cd -P $(dirname $p1); pwd`
echo pdir=$pdir

#4 获取当前用户名称
user=`whoami`

#5 循环
for((host=101; host<104; host++)); do
        echo ------------------- hadoop$host --------------
        rsync -av $pdir/$fname $user@hadoop$host:$pdir
done

（b）修改脚本 xsync 具有执行权限

[hadoop@hadoop101 bin]$ chmod +x xsync

（c）配置环境变量并使其生效

# ~/bin
export PATH=$PATH:/home/hadoop/bin

（d）测试，使用方法：xsync 目录/文件名

[hadoop@hadoop101 bin]$ xsync xsync
fname=xsync
pdir=/home/hadoop/bin
------------------- hadoop101 --------------
sending incremental file list

sent 59 bytes  received 12 bytes  142.00 bytes/sec
total size is 499  speedup is 7.03
------------------- hadoop102 --------------
sending incremental file list
xsync

sent 605 bytes  received 35 bytes  1,280.00 bytes/sec
total size is 499  speedup is 0.78
------------------- hadoop103 --------------
sending incremental file list
xsync

sent 605 bytes  received 35 bytes  426.67 bytes/sec
total size is 499  speedup is 0.78

4.3.2 集群配置

1. 集群部署规划

	hadoop101	hadoop102	hadoop103
HDFS	NameNode、DataNode	DataNode	SecondaryNameNode、DataNode
YARN	NodeManager	ResourceManager、NodeManager	NodeManager

1. 删除之前在hadoop101上部署的伪分布式hadoop，并重新解压到/opt/modules目录下

# 删除之前配置的hadoop
rm -rf hadoop-2.7.2/

# 重新解压hadoop到/opt/modules
tar -xvf hadoop-2.7.2.tar.gz  -C /opt/modules/

1. 配置集群

（1）核心配置文件

配置core-site.xml

[hadoop@hadoop101 hadoop]$ vi core-site.xml

在该文件中编写如下配置

<!-- 指定HDFS中NameNode的地址 -->
<property>
    <name>fs.defaultFS</name>
    <value>hdfs://hadoop101:9000</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/modules/hadoop-2.7.2/datas/tmp</value>
</property>

（2）HDFS配置文件

配置hadoop-env.sh

[hadoop@hadoop101 hadoop]$ vi hadoop-env.sh
export JAVA_HOME=/opt/modules/jdk1.8.0_144

配置hdfs-site.xml

[hadoop@hadoop101 hadoop]$ vi hdfs-site.xml

在该文件中编写如下配置

<property>
        <name>dfs.replication</name>
        <value>3</value>
</property>

<!-- 指定Hadoop辅助名称节点主机配置 -->
<property>
      <name>dfs.namenode.secondary.http-address</name>
      <value>hadoop103:50090</value>
</property>

（3）YARN配置文件

配置yarn-env.sh

[hadoop@hadoop101 hadoop]$ vi yarn-env.sh
export JAVA_HOME=/opt/modules/jdk1.8.0_144

配置yarn-site.xml

[hadoop@hadoop101 hadoop]$ vi yarn-site.xml

在该文件中增加如下配置

<!-- Reducer获取数据的方式 -->
<property>
        <name>yarn.nodemanager.aux-services</name>
        <value>mapreduce_shuffle</value>
</property>

<!-- 指定YARN的ResourceManager的地址 -->
<property>
        <name>yarn.resourcemanager.hostname</name>
        <value>hadoop102</value>
</property>

（4）MapReduce配置文件

配置mapred-env.sh

[hadoop@hadoop101 hadoop]$ vi mapred-env.sh
export JAVA_HOME=/opt/modules/jdk1.8.0_144

配置mapred-site.xml

[hadoop@hadoop101 hadoop]$ cp mapred-site.xml.template mapred-site.xml
[hadoop@hadoop101 hadoop]$ vi mapred-site.xml

在该文件中增加如下配置

<!-- 指定MR运行在Yarn上 -->
<property>
    <name>mapreduce.framework.name</name>
    <value>yarn</value>
</property>

1. 在集群上分发配置好的Hadoop配置文件

[hadoop@hadoop101 hadoop]$ xsync /opt/modules/hadoop-2.7.2/

1. 查看文件分发情况

[hadoop@hadoop102 hadoop]$ cat /opt/module/hadoop-2.7.2/etc/hadoop/core-site.xml

4.3.4 集群单点启动

（1）如果集群是第一次启动，需要格式化NameNode

[hadoop@hadoop101 hadoop-2.7.2]$ hdfs namenode -format

（2）在hadoop101上启动NameNode

[hadoop@hadoop101 hadoop-2.7.2]$ hadoop-daemon.sh start namenode
[hadoop@hadoop101 modules]$ jps
2267 NameNode

（3）在hadoop101、hadoop102以及hadoop103上分别启动DataNode

[hadoop@hadoop101 hadoop-2.7.2]$ hadoop-daemon.sh start datanode
[hadoop@hadoop101 modules]$ jps
2267 NameNode
2365 DataNode

[hadoop@hadoop102 hadoop-2.7.2]$ hadoop-daemon.sh start datanode
[hadoop@hadoop102 hadoop-2.7.2]$ jps
3190 DataNode

[hadoop@hadoop103 hadoop-2.7.2]$ hadoop-daemon.sh start datanode
[hadoop@hadoop103 ~]$ jps
2522 DataNode

4.3.5 SSH无密登录配置

1. 配置ssh

（1）基本语法

ssh另一台电脑的ip地址

（2）ssh连接时出现Host key verification failed的解决方法

[hadoop@hadoop101 hadoop] $ ssh 192.168.1.102
The authenticity of host '192.168.1.102 (192.168.1.102)' can't be established.
RSA key fingerprint is cf:1e:de:d7:d0:4c:2d:98:60:b4:fd:ae:b1:2d:ad:06.
Are you sure you want to continue connecting (yes/no)? 
Host key verification failed.

（3）解决方案如下：直接输入yes

1. 无密钥配置

（1）免密登录原理

（2）生成公钥和私钥：

[hadoop@hadoop101 ~]$ ssh-keygen -t rsa

然后敲（三个回车），就会在~/.ssh目录生成两个文件id_rsa（私钥）、id_rsa.pub（公钥）

（3）将公钥拷贝到要免密登录的目标机器上

[hadoop@hadoop101 ~]$ ssh-copy-id hadoop101

[hadoop@hadoop101 ~]$ ssh-copy-id hadoop102

[hadoop@hadoop101 ~]$ ssh-copy-id hadoop103

注意：

还需要在hadoop101上采用root账号，配置一下无密登录到hadoop101、hadoop102、hadoop103；

还需要在hadoop102上采用hadoop账号配置一下无密登录到hadoop101、hadoop102、hadoop103服务器上。

1. .ssh文件夹下（~/.ssh）的文件功能解释

known_hosts	记录ssh访问过计算机的公钥(public key)
id_rsa	生成的私钥
id_rsa.pub	生成的公钥
authorized_keys	存放授权过得无密登录服务器公钥

4.3.6 群起集群

1. 配置slaves

/opt/modules/hadoop-2.7.2/etc/hadoop/slaves
[hadoop@hadoop102 hadoop]$ vi slaves

在该文件中增加如下内容：

hadoop101
hadoop102
hadoop103

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。

同步所有节点配置文件

[hadoop@hadoop101 hadoop]$ xsync slaves

1. 启动集群

（1）如果集群是第一次启动，需要格式化NameNode（注意格式化之前，一定要先停止上次启动的所有namenode和datanode进程，然后再删除data和log数据）

[hadoop@hadoop101 hadoop-2.7.2]$ bin/hdfs namenode -format

（2）启动HDFS

[root@hadoop101 ~]# start-dfs.sh
[hadoop@hadoop101 ~]$ jps
5648 Jps
5367 DataNode
5261 NameNode

[hadoop@hadoop102 hadoop-2.7.2]$ jps
2929 DataNode
3041 Jps

[hadoop@hadoop103 ~]$ jps
3396 SecondaryNameNode
3476 Jps
3290 DataNode

（3）启动YARN

[atguigu@hadoop103 hadoop-2.7.2]$ sbin/start-yarn.sh

注意：NameNode和ResourceManger如果不是同一台机器，不能在NameNode上启动 YARN，应该在ResouceManager所在的机器上启动YARN。

（4）Web端查看SecondaryNameNode

（a）浏览器中输入：http://hadoop103:50090/status.html

（b）查看SecondaryNameNode信息

1. 集群基本测试

（1）上传文件到集群

 上传小文件

[hadoop@hadoop101 ~]$ hdfs dfs -mkdir -p /user/hadoop/input
[hadoop@hadoop101 ~]$ hdfs dfs -put input/wc.txt /user/hadoop/input

 上传大文件

[hadoop@hadoop101 ~]$ hdfs dfs -put /opt/softwares/hadoop-2.7.2.tar.gz /user/hadoop/input

（2）上传文件后查看文件存放在什么位置

（a）查看HDFS文件存储路径

[hadoop@hadoop101 subdir0]$ pwd
/opt/modules/hadoop/datas/tmp/dfs/data/current/BP-1292485737-192.168.56.101-1636379461328/current/finalized/subdir0/subdir0

（b）查看HDFS在磁盘存储文件内容

[hadoop@hadoop101 subdir0]$ cat blk_1073741825
my name is jack yan
jack yan
jack
i like learn program course
program
hello world
hello shenzhen

（3）下载

[hadoop@hadoop101 ~]$ ls
bin  input  

[hadoop@hadoop101 ~]$ hdfs dfs -get /user/hadoop/input/hadoop-2.7.2.tar.gz

[hadoop@hadoop101 ~]$ ls
bin  hadoop-2.7.2.tar.gz  input  

4.3.7 集群启动/停止方式总结

1. 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

1. 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

4.3.8 集群时间同步

时间同步的方式：找一个机器，作为时间服务器，所有的机器与这台集群时间进行定时的同步，比如，每隔五分钟，同步一次时间。

在这里时间服务器搭在hadoop100机器上，hadoop集群的其他机器上安装ntp同步hadoop100上的时间

搭建服务器及时间同步的过程可参考：搭建本地时间同步服务器 - 简书