第1章 大数据概论
1.1 大数据概念
- 指无法在一定时间范围内用常规软件工具进行捕捉、
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。
1.2 大数据特点(4V)
- 大量
- 高速
- 多样(结构化数据和非结构化数据、网络日志、音频、视频、图片、地理位置信息)
- 低价值密度(价值密度的高低与数据总量的大小成反比)
1.3 大数据应用场景
- 大数据应用场景之物流仓储:大数据分析系统帮助商家精细化运营、提升销量,节约成本
- 大数据应用场景之零售:分析用户的消费习惯,为杨华提供购买商品提供方便
- 大数据应用场景之旅游:深度结合大数据能力与旅游行业的需求,共建旅游产业智慧管理、智慧服务和朱慧营销
- 大数据应用场景之商品广告推荐推荐商品
- 大数据应用场景之保险、金融及房产:海量数据挖掘以及风险预测,结合保险行业精准营销,提升精细化定价能力 ,多维度体现用户的特征
- 大数据应用场景人工智能
1.6 大数据部门组织结构(重点)
第2章 从Hadoop框架讨论大数据生态
2.1 Hadoop是什么
- Hadoop是一个由Apache基金会所开发的分布式系统基础架构。用户可以在不了解分布式底层细节的情况下,开发分布式程序。充分利用集群的威力进行高速运算和存储。Hadoop实现了一个分布式文件系统( Distributed File System),其中一个组件是HDFS(Hadoop Distributed File System)。HDFS有高容错性的特点,并且设计用来部署在低廉的(low-cost)硬件上;而且它提供高吞吐量(high throughput)来访问应用程序的数据,适合那些有着超大数据集(large data set)的应用程序。HDFS放宽了(relax)POSIX的要求,可以以流的形式访问(streaming access)文件系统中的数据。Hadoop的框架最核心的设计就是:HDFS和MapReduce。HDFS为海量的数据提供了存储,而MapReduce则为海量的数据提供了计算2.2 Hadoop发展历史
2.4 Hadoop的优势(4高)
- 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。
- 高可扩展性
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。
2.5 Hadoop组成(面试重点)
2.5.1 HDFS架构概述
- 在现代的企业环境中,单机容量往往无法存储大量数据,需要跨机器存储。统一管理分布在集群上的文件系统称为分布式文件系统 。
HDFS(Hadoop Distributed File System)是 Apache Hadoop 项目的一个子项目. Hadoop 非常适于存储大型数据 (比如 TB 和 PB), 其就是使用 HDFS 作为存储系统. HDFS 使用多台计算机存储文件, 并且提供统一的访问接口, 像是访问一个普通文件系统一样使用分布式文件系统. - 分布式文件系统解决的问题就是大数据存储。它们是横跨在多台计算机上的存储系统。分布式文件系统在大数据时代有着广泛的应用前景,它们为存储和处理超大规模数据提供所需的扩展能力。
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:
- (1)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。
- (2)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。
- (3)支持通过Kafka服务器和消费机集群来分区消息。
- (4)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(开发重点)
3.1 虚拟机环境准备
1. 克隆虚拟机
2. 修改克隆虚拟机的静态IP
3. 修改主机名
4. 关闭防火墙
5. 创建root用户
6. 配置root用户具有root权限(详见《尚硅谷大数据技术之Linux》)
7. 在/opt目录下创建文件夹
- (1)在/opt目录下创建module、software文件夹
[root@node1 opt]$ sudo mkdir module
[root@node1 opt]$ sudo mkdir software
- (2)修改module、software文件夹的所有者cd
[root@node1 opt]$ sudo chown root:root module/ software/
[root@node1 opt]$ ll
总用量 8
drwxr-xr-x. 2 root root 4096 1月 17 14:37 module
drwxr-xr-x. 2 root root 4096 1月 17 14:38 software
3.2 安装JDK
1. 卸载现有JDK
(1)查询是否安装Java软件:
[root@node1 opt]$ rpm -qa | grep java
(2)如果安装的版本低于1.7,卸载该JDK:
[root@node1 opt]$ sudo rpm -e 软件包
(3)查看JDK安装路径:
[root@node1 ~]$ which java
2. 用SecureCRT工具将JDK导入到opt目录下面的software文件夹下面
把jdk等文件上传到linux
3. 在Linux系统下的opt目录中查看软件包是否导入成功
[root@node1 opt]$ cd software/
[root@node1 software]$ ls
hadoop-2.7.5.tar.gz jdk-8u144-linux-x64.tar.gz
4. 解压JDK到/export/server目录下
[root@node1 software]$ tar -zxvf jdk-8u144-linux-x64.tar.gz -C /export/server/
5. 配置JDK环境变量
(1)先获取JDK路径
[root@node1 jdk1.8.0_144]$ pwd
/export/server/jdk1.8.0_144
(2)打开/etc/profile文件
[root@node1 software]$ sudo vim /etc/profile
在profile文件末尾添加JDK路径
#JAVA_HOME
export JAVA_HOME=/export/server/jdk1.8.0_144
export PATH=$PATH:$JAVA_HOME/bin
(3)保存后退出:wq
(4)让修改后的文件生效
[root@node1 jdk1.8.0_144]$ source /etc/profile
5. 测试JDK是否安装成功
[root@node1 jdk1.8.0_144]# java -version
java version "1.8.0_144"
注意:重启(如果java -version可以用就不用重启)
[root@node1 jdk1.8.0_144]$ sync
[root@node1 jdk1.8.0_144]$ sudo reboot
3.3 安装Hadoop
- Hadoop下载地址:
https://archive.apache.org/dist/hadoop/common/hadoop-2.7.5/
- 先在win10上解压 然后 —>把hadoop文件上传到linux系统文件中
- 进入到Hadoop安装包路径下
[root@node1 ~]$ cd /opt/server/
下面3 4 步跳过(主要是解压)
3. 解压安装文件到/export/server下面
[root@node1 software]$ tar -zxvf hadoop-2.7.5.tar.gz -C /export/server/
4. 查看是否解压成功
[root@node1 software]$ ls /export/server/
hadoop-2.7.5
- 将Hadoop添加到环境变量
(1)获取Hadoop安装路径
[root@node1 hadoop-2.7.5]$ pwd
/export/server/hadoop-2.7.5
(2)打开/etc/profile文件
[root@node1 hadoop-2.7.5]$ sudo vi /etc/profile
在profile文件末尾添加JDK路径:(shitf+g)
##HADOOP_HOME
export HADOOP_HOME=/export/server/hadoop-2.7.5
export PATH=$PATH:$HADOOP_HOME/bin
export PATH=$PATH:$HADOOP_HOME/sbin
(3)保存后退出:wq
(4)让修改后的文件生效
[root@node1 hadoop-2.7.5]$ source /etc/profile
- 测试是否安装成功
[root@node1 hadoop-2.7.5]$ hadoop version
Hadoop 2.7.5
- 重启(如果Hadoop命令不能用再重启)
[root@node1 hadoop-2.7.5]$ sync
[root@node1 hadoop-2.7.5]$ sudo reboot
3.4 Hadoop目录结构
- 1、查看Hadoop目录结构
[root@node1 hadoop-2.7.5]# ll
total 116
drwxr-xr-x. 2 root root 194 May 19 2019 bin
drwxr-xr-x. 4 root root 37 Jan 18 2021 data
drwxr-xr-x. 3 root root 20 May 19 2019 etc
drwxr-xr-x. 2 root root 106 May 19 2019 include
drwxr-xr-x. 2 root root 210 Aug 11 09:54 input
drwxr-xr-x. 3 root root 20 May 19 2019 lib
drwxr-xr-x. 2 root root 239 May 19 2019 libexec
-rw-r--r--. 1 root root 86424 May 19 2019 LICENSE.txt
drwxr-xr-x. 3 root root 4096 Aug 12 11:47 logs
-rw-r--r--. 1 root root 14978 May 19 2019 NOTICE.txt
drwxr-xr-x. 2 root root 22 Aug 11 14:56 out
drwxr-xr-x. 2 root root 42 Aug 11 10:06 output
-rw-r--r--. 1 root root 1366 May 19 2019 README.txt
drwxr-xr-x. 2 root root 4096 May 19 2019 sbin
drwxr-xr-x. 4 root root 31 May 19 2019 share
drwxr-xr-x. 2 root root 22 Aug 10 21:32 wcinput2 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
- 创建在hadoop-2.7.5文件下面创建一个input文件夹
[root@node1 hadoop-2.7.5]$ mkdir input
- 将Hadoop的xml配置文件复制到input
[root@node1 hadoop-2.7.5]$ cp etc/hadoop/*.xml input
把文件上传到hadoop
3. 执行share目录下的MapReduce程序(这里必须是上传到hadoop的文件,否则会报错)
[root@node1 hadoop-2.7.5]$ bin/hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.7.5.jar grep /input /output 'dfs[a-z.]+'
- 查看输出结果
- 先从hadoop上把文件get下来再进行查看
[root@node1 hadoop-2.7.5]$ cat output/*
4.1.2 官方WordCount案例
- 创建在hadoop-2.7.5文件下面创建一个wcinput文件夹
[root@node1 hadoop-2.7.5]$ mkdir wcinput
- 在wcinput文件下创建一个wc.input文件
[root@node1 hadoop-2.7.5]$ cd wcinput
[root@node1 wcinput]$ touch wc.input
- 编辑wc.input文件
```bash
[root@node1 wcinput]$ vi wc.input
在文件中输入如下内容
hadoop yarn
hadoop mapreduce
root
root
保存退出::wq
- 回到Hadoop目录/export/server/hadoop-2.7.5
- 执行程序
[root@node1 hadoop-2.7.5]$ hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.7.5.jar /wordcount /wcinput wcoutput
- 查看结果
12.先从hadoop上把文件get下来再进行查看
[root@node1 hadoop-2.7.5]$ cat wcoutput/part-r-00000
root 2
hadoop 2
mapreduce 1
yarn 1
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
2 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(如果提前安装好了就不需要改了,这里是配置hadoop的环境):
[root@node1 ~]# echo $JAVA_HOME
/export/server/jdk1.8.0_144
修改JAVA_HOME 路径:
export JAVA_HOME=/export/server/jdk1.8.0_144
- (b)配置:core-site.xml
<!-- 指定HDFS中NameNode的地址 -->
<property>
<name>fs.defaultFS</name>
<value>hdfs://node1:9000</value>
</property>
<!-- 指定Hadoop运行时产生文件的存储目录 -->
<property>
<name>hadoop.tmp.dir</name>
<value>/export/server/hadoop-2.7.5/data/tmp</value>
</property>
(c)配置:hdfs-site.xml
<!-- 指定HDFS副本的数量 -->
<property>
<name>dfs.replication</name>
<value>1</value>
</property>
- (2)启动集群
(a)格式化NameNode(第一次启动时格式化,以后就不要总格式化)
[root@node1 hadoop-2.7.5]$ bin/hdfs namenode -format
(b)启动NameNode
[root@node1 hadoop-2.7.5]$ sbin/hadoop-daemon.sh start namenode
(c)启动DataNode
[root@node1 hadoop-2.7.5]$ sbin/hadoop-daemon.sh start datanode
- (3)查看集群
(a)查看是否启动成功
[root@node1 hadoop-2.7.5]$ jps
13586 NameNode
13668 DataNode
13786 Jps
注意:jps是JDK中的命令,不是Linux命令。不安装JDK不能使用jps
(b)web端查看HDFS文件系统
http://node1:50070/dfshealth.html#tab-overview
(c)查看产生的Log日志
说明:在企业中遇到Bug时,经常根据日志提示信息去分析问题、解决Bug。
cd /export/server/hadoop-2.7.5/logs
[root@node1 logs]# ls
hadoop-root-datanode-node1.itcast.cn.log
hadoop-root-datanode-node1.itcast.cn.out
hadoop-root-datanode-node1.log
hadoop-root-datanode-node1.out
hadoop-root-datanode-node1.out.1
hadoop-root-datanode-node1.out.2
hadoop-root-datanode-node1.out.3
hadoop-root-datanode-node1.out.4
hadoop-root-datanode-node1.out.5
hadoop-root-namenode-node1.itcast.cn.log
hadoop-root-namenode-node1.itcast.cn.out
hadoop-root-namenode-node1.log
hadoop-root-namenode-node1.out
hadoop-root-namenode-node1.out.1
hadoop-root-namenode-node1.out.2
hadoop-root-namenode-node1.out.3
hadoop-root-namenode-node1.out.4
hadoop-root-namenode-node1.out.5
hadoop-root-secondarynamenode-node1.itcast.cn.log
hadoop-root-secondarynamenode-node1.itcast.cn.out
hadoop-root-secondarynamenode-node1.log
hadoop-root-secondarynamenode-node1.out
hadoop-root-secondarynamenode-node1.out.1
hadoop-root-secondarynamenode-node1.out.2
hadoop-root-secondarynamenode-node1.out.3
hadoop-root-secondarynamenode-node1.out.4
hadoop-root-secondarynamenode-node1.out.5
mapred-root-historyserver-node1.log
mapred-root-historyserver-node1.out
mapred-root-historyserver-node1.out.1
mapred-root-historyserver-node1.out.2
SecurityAuth-root.audit
userlogs
yarn-root-nodemanager-node1.itcast.cn.log
yarn-root-nodemanager-node1.itcast.cn.out
yarn-root-nodemanager-node1.log
yarn-root-nodemanager-node1.out
yarn-root-nodemanager-node1.out.1
yarn-root-nodemanager-node1.out.2
yarn-root-nodemanager-node1.out.3
yarn-root-nodemanager-node1.out.4
yarn-root-nodemanager-node1.out.5
yarn-root-resourcemanager-node1.itcast.cn.log
yarn-root-resourcemanager-node1.itcast.cn.out
yarn-root-resourcemanager-node1.log
yarn-root-resourcemanager-node1.out
yarn-root-resourcemanager-node1.out.1
yarn-root-resourcemanager-node1.out.2
yarn-root-resourcemanager-node1.out.3
yarn-root-resourcemanager-node1.out.4
yarn-root-resourcemanager-node1.out.5
(d)思考:为什么不能一直格式化NameNode,格式化NameNode,要注意什么?
[root@node1 hadoop-2.7.5]$ cd data/tmp/dfs/name/current/
[root@node1 current]$ cat VERSION
clusterID=CID-f0330a58-36fa-4a2a-a65f-2688269b5837
[root@node1 hadoop-2.7.5]$ cd data/tmp/dfs/data/current/
clusterID=CID-f0330a58-36fa-4a2a-a65f-2688269b5837
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。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
[root@node1 hadoop-2.7.5]$ bin/hdfs dfs -mkdir -p /user/root/input
(b)将测试文件内容上传到文件系统上
[root@node1 hadoop-2.7.5]$bin/hdfs dfs -put wcinput/wc.input
/user/root/input/
(c)查看上传的文件是否正确
[root@node1 hadoop-2.7.5]$ bin/hdfs dfs -ls /user/root/input/
[root@node1 hadoop-2.7.5]$ bin/hdfs dfs -cat /user/root/ input/wc.input
(d)运行MapReduce程序
[root@node1 hadoop-2.7.5]$ bin/hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.7.5.jar wordcount /user/root/input/ /user/root/output
(e)查看输出结果
命令行查看:
[root@node1 hadoop-2.7.5]$ bin/hdfs dfs -cat /user/root/output/*
浏览器查看,如图2-34所示
(f)将测试文件内容下载到本地
[root@node1 hadoop-2.7.5]$ hdfs dfs -get /user/root/output/part-r-00000 ./wcoutput/
(g)删除输出结果
[root@node1 hadoop-2.7.5]$ hdfs dfs -rm -r /user/root/output
可以直接测试Hadoop
hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.7.5.jar pi 2 10
4.2.2 启动YARN并运行MapReduce程序
(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>node1</value>
</property>
(d)配置: (对mapred-site.xml.template重新命名为) mapred-site.xml
[root@node1 hadoop]$ mv mapred-site.xml.template mapred-site.xml
[root@node1 hadoop]$ vi 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
- (b)启动ResourceManager
[root@node1 hadoop-2.7.5]$ sbin/yarn-daemon.sh start resourcemanager
(c)启动NodeManager
[root@node1 hadoop-2.7.5]$ sbin/yarn-daemon.sh start nodemanager
- 3)集群操作
- (a)YARN的浏览器页面查看,如图2-35所示
http://node1:8088/cluster
- (b)删除文件系统上的output文件
[root@node1 hadoop-2.7.5]$ bin/hdfs fs -rm -R /user/root/output
- (c)执行MapReduce程序
[root@node1 hadoop-2.7.5]$ bin/hadoop jar
share/hadoop/mapreduce/hadoop-mapreduce-examples-2.7.5.jar wordcount /user/root/input /user/root/output
- (d)查看运行结果,如图2-36所示
[root@node1 hadoop-2.7.5]$ bin/hdfs dfs -cat /user/root/output/*
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:
- 配置mapred-site.xml
[root@node1 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>node1:10020</value>
</property>
<!-- 历史服务器web端地址 -->
<property>
<name>mapreduce.jobhistory.webapp.address</name>
<value>node1:19888</value>
</property>
- 启动历史服务器
[root@node1 hadoop-2.7.5]$ sbin/mr-jobhistory-daemon.sh start historyserver
- 查看历史服务器是否启动
[root@node1 hadoop-2.7.5]$ jps
- 查看JobHistory
http://node1:19888/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
[root@node1 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 关闭NodeManager 、ResourceManager和HistoryManager
[root@node1 hadoop-2.7.5]$ sbin/yarn-daemon.sh stop resourcemanager
[root@node1 hadoop-2.7.5]$ sbin/yarn-daemon.sh stop nodemanager
[root@node1 hadoop-2.7.5]$ sbin/mr-jobhistory-daemon.sh stop historyserver
- 3 启动NodeManager 、ResourceManager和HistoryManager
[root@node1 hadoop-2.7.5]$ sbin/yarn-daemon.sh start resourcemanager
[root@node1 hadoop-2.7.5]$ sbin/yarn-daemon.sh start nodemanager
[root@node1 hadoop-2.7.5]$ sbin/mr-jobhistory-daemon.sh start historyserver
- 4 删除HDFS上已经存在的输出文件
[root@node1 hadoop-2.7.5]$ bin/hdfs dfs -rm -R /user/root/output
- 5 执行WordCount程序
[root@node1 hadoop-2.7.5]$ hadoop jar
share/hadoop/mapreduce/hadoop-mapreduce-examples-2.7.5.jar wordcount /user/root/input /user/root/output
- 6 查看日志,如图2-37,2-38,2-39所示
http://node1:19888/jobhistory
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-2.7.5.jar/ core-default.xml
[hdfs-default.xml] hadoop-hdfs-2.7.5.jar/ hdfs-default.xml
[yarn-default.xml] hadoop-yarn-common-2.7.5.jar/ yarn-default.xml
[mapred-default.xml] hadoop-mapreduce-client-core-2.7.5.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这个路径上,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(开发重点)
分析:
1)准备3台客户机(关闭防火墙、静态ip、主机名称)
2)安装JDK
3)配置环境变量
4)安装Hadoop
5)配置环境变量
6)配置集群
7)单点启动
8)配置ssh
9)群起并测试集群
4.3.1 虚拟机准备
4.3.2 编写集群分发脚本xsync
- scp(secure copy)安全拷贝
(1)scp定义:
scp可以实现服务器与服务器之间的数据拷贝。(from server1 to server2)
(2)基本语法
scp -r $pdir/$fname $user@hadoop$host:$pdir/$fname
命令 递归 要拷贝的文件路径/名称 目的用户@主机:目的路径/名称
(3)案例实操
(a)在node1上,将node1中/export/server目录下的软件拷贝到node2上。
[root@node1 /]$ scp -r /export/server root@node2:/export/server
(b)在node2上,将node1服务器上的/export/server目录下的软件拷贝到node2上。
[root@node2 opt]$sudo scp -r root@node1:/export/server root@node2:/export/server
(c)在node2上操作将node1中/export/server目录下的软件拷贝到node3上。
[root@node2 opt]$ scp -r root@node1:/export/server root@node3:/export/server
注意:拷贝过来的/export/server目录,别忘了在node1、node2、node3上修改所有文件的,所有者和所有者组。sudo chown root:root -R /export/server
(d)将node1中/etc/profile文件拷贝到node2的/etc/profile上。
[root@node1 ~]$ sudo scp /etc/profile root@node2:/etc/profile
(e)将node1中/etc/profile文件拷贝到node2的/etc/profile上。
[root@node1 ~]$ sudo scp /etc/profile root@node2:/etc/profile
(f)将node1中/etc/profile文件拷贝到node3的/etc/profile上。
[root@node1 ~]$ sudo scp /etc/profile root@node3:/etc/profile
注意:拷贝过来的配置文件别忘了source一下/etc/profile,。
- 2 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 $user@hadoop$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
-r 递归
-v 显示复制过程
-l 拷贝符号连接
- 2 案例实操
(a)把node1机器上的/opt/software目录同步到node2服务器的root用户下的/opt/目录
[root@node1 opt]$ rsync -rvl /opt/software/ root@node2:/opt/software
- 3 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 -rvl /export/server root@node2:/opt/
(b)期望脚本:
xsync要同步的文件名称
(c)说明:在/home/root/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。
(3)脚本实现
(a)在/home/root目录下创建bin目录,并在bin目录下xsync创建文件,文件内容如下:
[root@node2 ~]$ mkdir bin
[root@node2 ~]$ cd bin/
[root@node2 bin]$ touch xsync
[root@node2 bin]$ vi xsync
在该文件中编写如下代码
#!/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=100; host<104; host++)); do
echo ------------------- node$host --------------
rsync -rvl $pdir/$fname $user@node$host:$pdir
done
(b)修改脚本 xsync 具有执行权限
[root@node2 bin]$ chmod 777 xsync
(c)调用脚本形式:xsync 文件名称
[root@node2 bin]$ xsync /home/root/bin
注意:如果将xsync放到/home/root/bin目录下仍然不能实现全局使用,可以将xsync移动到/usr/local/bin目录下。
4.3.3 集群配置
- 1、集群部署规划
- 2、配置集群
(1)核心配置文件
配置core-site.xml
[root@node2 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://node2:9000</value>
</property>
<!-- 指定Hadoop运行时产生文件的存储目录 -->
<property>
<name>hadoop.tmp.dir</name>
<value>/export/server/hadoop-2.7.5/data/tmp</value>
</property>
(2)HDFS配置文件
配置hadoop-env.sh
[root@node2 hadoop]$ vi hadoop-env.sh
export JAVA_HOME=/export/server/jdk1.8.0_144
配置hdfs-site.xml
[root@node2 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>node3:50090</value>
</property>
(3)YARN配置文件
配置yarn-env.sh
[root@node2 hadoop]$ vi yarn-env.sh
export JAVA_HOME=/export/server/jdk1.8.0_144
配置yarn-site.xml
[root@node2 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>node2</value>
</property>
(4)MapReduce配置文件
配置mapred-env.sh
[root@node2 hadoop]$ vi mapred-env.sh
export JAVA_HOME=/export/server/jdk1.8.0_144
配置mapred-site.xml
[root@node2 hadoop]$ cp mapred-site.xml.template mapred-site.xml
[root@node2 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>
- 3.在集群上分发配置好的Hadoop配置文件
[root@node2 hadoop]$ xsync /export/server/hadoop-2.7.5/
- 4.查看文件分发情况
[root@node2 hadoop]$ cat /export/server/hadoop-2.7.5/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
[root@node2 hadoop-2.7.5]$ hadoop namenode -format
(2)在node2上启动NameNode
[root@node2 hadoop-2.7.5]$ hadoop-daemon.sh start namenode
[root@node2 hadoop-2.7.5]$ jps
(3)在node2、node2以及node3上分别启动DataNode
[root@node2 hadoop-2.7.5]$ hadoop-daemon.sh start datanode
[root@node2 hadoop-2.7.5]$ jps
3461 NameNode
3608 Jps
3561 DataNode
[root@node2 hadoop-2.7.5]$ hadoop-daemon.sh start datanode
[root@node2 hadoop-2.7.5]$ jps
3190 DataNode
3279 Jps
[root@node3 hadoop-2.7.5]$ hadoop-daemon.sh start datanode
[root@node3 hadoop-2.7.5]$ jps
3237 Jps
3163 DataNode
(4)思考:每次都一个一个节点启动,如果节点数增加到1000个怎么办?
早上来了开始一个一个节点启动,到晚上下班刚好完成,下班?
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
[root@node1 opt] $ ssh 192.168.88.101
The authenticity of host '192.168.1.103 (192.168.88.100)' 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
- 2 、无密钥配置
(1)免密登录原理,如图
(2)生成公钥和私钥(切换目录):
[root@node2 .ssh]$ ssh-keygen -t rsa
然后敲(三个回车),就会生成两个文件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
[root@node1 .ssh]$ ssh-copy-id node1
[root@node1 .ssh]$ ssh-copy-id node2
[root@node1 .ssh]$ ssh-copy-id node3
注意:
还需要在node1上采用root账号,配置一下无密登录到node1、node2、node3;
还需要在node2上采用root账号配置一下无密登录到node1、node2、node3服务器上。
- 3.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
/export/server/hadoop-2.7.5/etc/hadoop/slaves
[root@node2 hadoop]$ vi slaves
在该文件中增加如下内容:
node1
node2
node3
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
[root@node1 hadoop]$ xsync slaves
- 2、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)
[root@node1 hadoop-2.7.5]$ bin/hdfs namenode -format
(2)启动HDFS
[root@node2 hadoop-2.7.5]$ sbin/start-dfs.sh
[root@node2 hadoop-2.7.5]$ jps
4166 NameNode
4482 Jps
4263 DataNode
[root@node2 hadoop-2.7.5]$ jps
3218 DataNode
3288 Jps
[root@node3 hadoop-2.7.5]$ jps
3221 DataNode
3283 SecondaryNameNode
3364 Jps
(3)启动YARN
[root@node1 hadoop-2.7.5]$ 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://192.168.88.100:50090/status.html
- 3.集群基本测试
(1)上传文件到集群
上传小文件
[root@node2 hadoop-2.7.5]$ hdfs dfs -mkdir -p /user/root/input
[root@node2 hadoop-2.7.5]$ hdfs dfs -put wcinput/wc.input /user/root/input
上传大文件
[
root@node2 hadoop-2.7.5]$ bin/hadoop fs -put
/opt/software/hadoop-2.7.5.tar.gz /user/root/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
[root@node2 subdir0]$ pwd
/export/server/hadoop-2.7.5/data/tmp/dfs/data/current/BP-938951106-192.168.10.107-1495462844069/current/finalized/subdir0/subdir0
(b)查看HDFS在磁盘存储文件内容
[root@node2 subdir0]$ cat blk_1073741825
hadoop yarn
hadoop mapreduce
root
root
(3)拼接
-rw-rw-r--. 1 root root 134217728 5月 23 16:01 blk_1073741836
-rw-rw-r--. 1 root root 1048583 5月 23 16:01 blk_1073741836_1012.meta
-rw-rw-r--. 1 root root 63439959 5月 23 16:01 blk_1073741837
-rw-rw-r--. 1 root root 495635 5月 23 16:01 blk_1073741837_1013.meta
[root@node2 subdir0]$ cat blk_1073741836>>tmp.file
[root@node2 subdir0]$ cat blk_1073741837>>tmp.file
[root@node2 subdir0]$ tar -zxvf tmp.file
(4)下载
[root@node2 hadoop-2.7.5]$ bin/hadoop fs -get
/user/root/input/hadoop-2.7.5.tar.gz ./
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
-
2.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HDFSstart-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,每隔十分钟,同步一次时间。
配置时间同步具体实操:
- 1.时间服务器配置(必须root用户)
(1)检查ntp是否安装
[root@node1 ~]# rpm -qa|grep ntp
ntp-4.2.6p5-10.el6.centos.x86_64
fontpackages-filesystem-1.41-1.1.el6.noarch
ntpdate-4.2.6p5-10.el6.centos.x86_64
(2)修改ntp配置文件
[root@node1 ~]# vi /etc/ntp.conf
修改内容如下
a)修改1(授权192.168.88.0-192.168.88.255网段上的所有机器可以从这台机器上查询和同步时间)
#restrict 192.168.1.0 mask 255.255.255.0 nomodify notrap为
restrict 192.168.1.0 mask 255.255.255.0 nomodify notrap
b)修改2(集群在局域网中,不使用其他互联网上的时间)
server 0.centos.pool.ntp.org iburst
server 1.centos.pool.ntp.org iburst
server 2.centos.pool.ntp.org iburst
server 3.centos.pool.ntp.org iburst为
#server 0.centos.pool.ntp.org iburst
#server 1.centos.pool.ntp.org iburst
#server 2.centos.pool.ntp.org iburst
#server 3.centos.pool.ntp.org iburst
c)添加3(当该节点丢失网络连接,依然可以采用本地时间作为时间服务器为集群中的其他节点提供时间同步)
server 127.127.1.0
fudge 127.127.1.0 stratum 10
(3)修改/etc/sysconfig/ntpd 文件
[root@node1 ~]# vim /etc/sysconfig/ntpd
增加内容如下(让硬件时间与系统时间一起同步)
SYNC_HWCLOCK=yes
(4)重新启动ntpd服务
[root@node1 ~]# service ntpd status
ntpd 已停
[root@node1 ~]# service ntpd start
正在启动 ntpd: [确定]
(5)设置ntpd服务开机启动
[root@node1 ~]# chkconfig ntpd on
- 2.其他机器配置(必须root用户)
(1)在其他机器配置10分钟与时间服务器同步一次
[root@node1 ~]# crontab -e
编写定时任务如下:
*/10 * * * * /usr/sbin/ntpdate node1
(2)修改任意机器时间
[root@node1 ~]# date -s "2017-9-11 11:11:11"
(3)十分钟后查看机器是否与时间服务器同步
[root@node1 ~]# date
说明:测试的时候可以将10分钟调整为1分钟,节省时间。
第5章 Hadoop编译源码(面试重点)
5.1 前期准备工作
- CentOS联网
配置CentOS能连接外网。Linux虚拟机ping www.baidu.com 是畅通的
注意:采用root角色编译,减少文件夹权限出现问题 - jar包准备(hadoop源码、JDK8、maven、ant 、protobuf)
1)hadoop-2.7.5-src.tar.gz
(2)jdk-8u144-linux-x64.tar.gz
(3)apache-ant-1.9.9-bin.tar.gz(build工具,打包用的)
(4)apache-maven-3.0.5-bin.tar.gz
(5)protobuf-2.5.0.tar.gz(序列化的框架)
5.2 jar包安装
注意:所有操作必须在root用户下完成
- 1 、JDK解压、配置环境变量 JAVA_HOME和PATH,验证java-version(如下都需要验证是否配置成功)
[root@node1 software] # tar -zxf jdk-8u144-linux-x64.tar.gz -C /export/server/
[root@node1 software]# vi /etc/profile
#JAVA_HOME:
export JAVA_HOME=/export/server/jdk1.8.0_144
export PATH=$PATH:$JAVA_HOME/bin
[root@node1 software]#source /etc/profile
验证命令:java -version
- 2、Maven解压、配置 MAVEN_HOME和PATH
[root@node1 software]# tar -zxvf apache-maven-3.0.5-bin.tar.gz -C /export/server/
[root@node1 apache-maven-3.0.5]# vi conf/settings.xml
<mirrors>
<!-- mirror
| Specifies a repository mirror site to use instead of a given repository. The repository that
| this mirror serves has an ID that matches the mirrorOf element of this mirror. IDs are used
| for inheritance and direct lookup purposes, and must be unique across the set of mirrors.
|
<mirror>
<id>mirrorId</id>
<mirrorOf>repositoryId</mirrorOf>
<name>Human Readable Name for this Mirror.</name>
<url>http://my.repository.com/repo/path</url>
</mirror>
-->
<mirror>
<id>nexus-aliyun</id>
<mirrorOf>central</mirrorOf>
<name>Nexus aliyun</name>
<url>http://maven.aliyun.com/nexus/content/groups/public</url>
</mirror>
</mirrors>
[root@node1 apache-maven-3.0.5]# vi /etc/profile
#MAVEN_HOME
export MAVEN_HOME=/export/server/apache-maven-3.0.5
export PATH=$PATH:$MAVEN_HOME/bin
[root@node1 software]#source /etc/profile
验证命令:mvn -version
- 3、ant解压、配置 ANT _HOME和PATH
[root@node1 software]# tar -zxvf apache-ant-1.9.9-bin.tar.gz -C /export/server/
[root@node1 apache-ant-1.9.9]# vi /etc/profile
#ANT_HOME
export ANT_HOME=/export/server/apache-ant-1.9.9
export PATH=$PATH:$ANT_HOME/bin
[root@node1 software]#source /etc/profile
验证命令:ant -version
- 4、安装 glibc-headers 和 g++ 命令如下
[root@node1 apache-ant-1.9.9]# yum install glibc-headers
[root@node1 apache-ant-1.9.9]# yum install gcc-c++
- 5、安装make和cmake
[root@node1 apache-ant-1.9.9]# yum install make
[root@node1 apache-ant-1.9.9]# yum install cmake
- 6、解压protobuf ,进入到解压后protobuf主目录,/export/server/protobuf-2.5.0,然后相继执行命令
[root@node1 software]# tar -zxvf protobuf-2.5.0.tar.gz -C /export/server/
[root@node1 opt]# cd /export/server/protobuf-2.5.0/
[root@node1 protobuf-2.5.0]#./
[root@node1 protobuf-2.5.0]# make
[root@node1 protobuf-2.5.0]# make check
[root@node1 protobuf-2.5.0]# make install
[root@node1 protobuf-2.5.0]# ldconfig
[root@node1 hadoop-dist]# vi /etc/profile
#LD_LIBRARY_PATH
export LD_LIBRARY_PATH=/export/server/protobuf-2.5.0
export PATH=$PATH:$LD_LIBRARY_PATH
[root@node1 software]#source /etc/profile
验证命令:protoc --version
- 7、安装openssl库
[root@node1 software]#yum install openssl-devel
- 8、安装 ncurses-devel库
[root@node1 software]#yum install ncurses-devel
到此,编译工具安装基本完成。
5.3 编译源码
- 1、解压源码到/opt/目录
[root@node1 software]# tar -zxvf hadoop-2.7.5-src.tar.gz -C /opt/
- 2、进入到hadoop源码主目录
[root@node1 hadoop-2.7.5-src]# pwd
/opt/hadoop-2.7.5-src
- 3、通过maven执行编译命令
[root@node1 hadoop-2.7.5-src]#mvn package -Pdist,native -DskipTests -Dtar
- 4、成功的64位hadoop包在/opt/hadoop-2.7.5-src/hadoop-dist/target下
[root@node1 target]# pwd
/opt/hadoop-2.7.5-src/hadoop-dist/target
- 5、编译源码过程中常见的问题及解决方案
(1)MAVEN install时候JVM内存溢出
处理方式:在环境配置文件和maven的执行文件均可调整MAVEN_OPT的heap大小。(详情查阅MAVEN 编译 JVM调优问题,如:http://outofmemory.cn/code-snippet/12652/maven-outofmemoryerror-method)
(2)编译期间maven报错。可能网络阻塞问题导致依赖库下载不完整导致,多次执行命令(一次通过比较难):
[root@node1 hadoop-2.7.5-src]#mvn package -Pdist,nativeN -DskipTests -Dtar
(3)报ant、protobuf等错误,插件下载未完整或者插件版本问题,最开始链接有较多特殊情况
第6章 常见错误及解决方案
1)防火墙没关闭、或者没有启动YARN
INFO client.RMProxy: Connecting to ResourceManager at hadoop108/192.168.10.108:8032
2)主机名称配置错误
3)IP地址配置错误
4)ssh没有配置好
5)root用户和root两个用户启动集群不统一
6)配置文件修改不细心
7)未编译源码
Unable to load native-hadoop library for your platform... using builtin-java classes where applicable
17/05/22 15:38:58 INFO client.RMProxy: Connecting to ResourceManager at hadoop108/192.168.10.108:8032
8)不识别主机名称
java.net.UnknownHostException: node2: node2
at java.net.InetAddress.getLocalHost(InetAddress.java:1475)
at org.apache.hadoop.mapreduce.JobSubmitter.submitJobInternal(JobSubmitter.java:146)
at org.apache.hadoop.mapreduce.Job$10.run(Job.java:1290)
at org.apache.hadoop.mapreduce.Job$10.run(Job.java:1287)
at java.security.AccessController.doPrivileged(Native Method)
at javax.security.auth.Subject.doAs(Subject.java:415)
解决办法:
(1)在/etc/hosts文件中添加192.168.88.100 node1
(2)主机名称不要起hadoop hadoop000等特殊名称
9)DataNode和NameNode进程同时只能工作一个。
10)执行命令不生效,粘贴word中命令时,遇到-和长–没区分开。导致命令失效
解决办法:尽量不要粘贴word中代码。
11)jps发现进程已经没有,但是重新启动集群,提示进程已经开启。原因是在linux的根目录下/tmp目录中存在启动的进程临时文件,将集群相关进程删除掉,再重新启动集群。
12)jps不生效。
原因:全局变量hadoop java没有生效。解决办法:需要source /etc/profile文件。
13)8088端口连接不上
[root@node1 ~]$ cat /etc/hosts
#127.0.0.1 localhost localhost.localdomain localhost4 localhost4.localdomain4
#::1 node2