Hadoop环境的搭建
1.配置克隆主机的环境
(1) 准备虚拟机 (最小化安装Linux-模板机)
(2) 对模板机进行数据初始化配置 (登录root用户)
-- ip地址要进行修改
[root@hadoop100 桌面]#vim /etc/sysconfig/network-scripts/ifcfg-ens33
[root@hadoop100 桌面]#service network restart
-- 用Xshell工具远程连接Linux
-- 通过yum安装所需要的插件
[root@hadoop100 桌面]#sudo yum install -y epel-release
[root@hadoop100 桌面]#sudo yum install -y psmisc nc net-tools rsync vim lrzsz ntp libzstd openssl-static tree iotop
-- 关闭防火墙
[root@hadoop100 桌面]#systemctl stop firewalld
[root@hadoop100 桌面]#systemctl disable firewalld.service
-- 修改主机名
[root@hadoop100 桌面]#vim /etc/hostname
-- 创建atguigu用户,并且提升atguigu用户为root权限
[root@hadoop100 桌面]#useradd atguigu
[root@hadoop100 桌面]#passwd atguigu
//去这里修改被指文件 //大概在91行后
[root@hadoop100 桌面]#vim /etc/sudoers
## Allow root to run any commands anywhere
root ALL=(ALL) ALL
atguigu ALL=(ALL) NOPASSWD:ALL
-- 修改Linux的hosts文件
[root@hadoop100 桌面]#vim /etc/hosts
-- 在/opt目录下创建两个文件夹 software 和 moudle
[root@hadoop100 桌面]#mkdir /opt/software
[root@hadoop100 桌面]#mkdir /opt/module
//更改所有组和所有者
[root@hadoop100 opt]#chown -R atguigu:atguigu software/ module/
(3) 克隆模板机准备第一台机器
-- 修改ip地址
[root@hadoop100 桌面]#vim /etc/sysconfig/network-scripts/ifcfg-ens33
[root@hadoop100 桌面]#service network restart
-- 修改主机名
[root@hadoop100 桌面]#vim /etc/hostname
--重启
[root@hadoop100 桌面]#sudo reboot
2.安装JDK环境和安装Hadoop
在克隆机上安装jdk
-- 将安装包上传至/opt/software 下
-- 将jdk解压到/opt/module
[root@hadoop100 桌面]#tar -zxvf jdk-8u212-linux-x64.tar.gz -C /opt/module/
-- 配置jdk的环境变量
-- 在/etc/profile.d 目录下创建 my_env.sh
-- 在my_env.sh中编写一下内容
#创建JAVA_HOME
JAVA_HOME=/opt/module/jdk1.8.0_212
#将JAVA_HOME/bin追加到PATH系统变量中
PATH=$PATH:$JAVA_HOME/bin
#提升当前变量为系统变量
export JAVA_HOME PATH
[root@hadoop100 桌面]#source /etc/profile
#测试JDK是否安装成功
java -version (如果能看到以下结果、则Java正常安装java version "1.8.0_212")
在克隆机上安装hadoop软件
-- 将安装包上传至/opt/software 下
-- 将hadoop解压到/opt/module
[root@hadoop100 桌面]#tar -zxvf hadoop-3.1.3.tar.gz -C /opt/module/
-- 配置hadoop的环境变量
-- 在/etc/profile.d 目录下创建 my_env.sh
[root@hadoop100 桌面]#sudo vim /etc/profile.d/my_env.sh
-- 在my_env.sh中编写一下内容
#创建JAVA_HOME
JAVA_HOME=/opt/module/jdk1.8.0_212
HADOOP_HOME=/opt/module/hadoop-3.1.3
#将JAVA_HOME/bin、HADOOP_HOME/bin、HADOOP_HOME/sbin 追加到PATH系统变量中
PATH=$PATH:$JAVA_HOME/bin:$HADOOP_HOME/bin:$HADOOP_HOME/sbin
#提升当前变量为系统变量
export JAVA_HOME PATH HADOOP_HOME
[root@hadoop100 桌面]#source /etc/profile
#测试是否安装成功
[atguigu@hadoop101 hadoop-3.1.3]$ hadoop version
(结果)Hadoop 3.1.3
3.Hadoop下的重要目录
(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
Hadoop运行模式
本地运行模式
说明:Hadoop默认配置就是本地模式,因此不需要进行任何设置即可运行本地模式
举例:
--在hadoop-3.1.3文件下面创建一个input文件夹
[root@hadoop100 桌面]#cd /opt/module/hadoop-3.1.3
[root@hadoop100 hadoop-3.1.3]#mkdir input
--将斗罗大陆.txt和笑傲江湖.txt放在 input 文件夹内
--执行share目录下的MapReduce程序
//hadoop 因为设置了全局变量所以任何位置都可以调用
[root@hadoop100 hadoop-3.1.3]#hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-3.1.3.jar grep input output5 "令狐冲"
//hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-3.1.3.jar grep input output "令狐冲"
//这里的 grep 是hadoop-mapreduce-examples-3.1.3.jar包下的方法
//这里的input output 分别是输出文档(数据来源)和输出结果的地方
//这里的 "令狐冲" 是索引条件
--查看结果
[root@hadoop100 hadoop-3.1.3]#cd output
[root@hadoop100 hadoop-3.1.3]#cat part-r-00000
完全分布式运行模式(开发重点)
编写集群分发脚本xsync
-
准备集群需要的机器
-
将hadoop102的数据同步给hadoop103和hadoop104
scp安全拷贝 (同名直接覆盖)
定义:scp可以实现服务器与服务器之间的数据拷贝
基本语法
scp -r 要拷贝的文件路径/名称 目的用户@主机:目的路径/名称
//-r 代表递归(同步文件夹下所有的内容)
rsync远程同步工具 (只同步差异数据)
定义: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
基本语法
rsync -av 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 |
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
xsync集群分发脚本
使用环境:
(1) 循环复制文件到所有节点的相同目录下
(2) 期望脚本:基于rsync技术将文件从一个节点同步到其他所有节点
脚本实现
在/home/atguigu目录下创建bin目录,并在bin目录下创建xsync文件
(说明:在/home/atguigu/bin这个目录下存放的脚本,atguigu用户可以在系统任何地方直接执行。因为/home/atguigu/bin在系统的PATH环境变量中)
[atguigu@hadoop101 ~]#cd /home/atguigu
[atguigu@hadoop101 ~]#mkdir bin
[atguigu@hadoop101 ~]#vim xsync
在该文件中编写如下代码
#!/bin/bash
#1. 判断参数个数
if [ $# -lt 1 ]
then
echo Not Enough Arguement!
exit;
fi
#2. 遍历集群所有机器
//=======这里需要修改
for host in hadoop102 hadoop103 hadoop104
do
echo ==================== $host ====================
#3. 遍历所有目录,挨个发送
for file in $@
do
#4 判断文件是否存在
if [ -e $file ]
then
#5. 获取父目录
pdir=$(cd -P $(dirname $file); pwd)
#6. 获取当前文件的名称
fname=$(basename $file)
ssh $host "mkdir -p $pdir"
rsync -av $pdir/$fname $host:$pdir
else
echo $file does not exists!
fi
done
done
修改脚本 xsync 具有执行权限
[atguigu@hadoop101 ~]#chmod 777 xsync
集群配置
集群部署规划
注意:NameNode和SecondaryNameNode不要安装在同一台服务器
注意:ResourceManager也很消耗内存,不要和NameNode、SecondaryNameNode配置
在同一台机器上。
hadoop102 | hadoop103 | hadoop104 | |
---|---|---|---|
HDFS | NameNode DataNode | DataNode | SecondaryNameNode DataNode |
YARN | NodeManager | ResourceManager NodeManager | NodeManager |
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。
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-3.1.3.jar/ core-default.xml |
[hdfs-default.xml] | hadoop-hdfs-3.1.3.jar/ hdfs-default.xml |
[yarn-default.xml] | hadoop-yarn-common-3.1.3.jar/ yarn-default.xml |
[mapred-default.xml] | hadoop-mapreduce-client-core-3.1.3.jar/ mapred-default.xml |
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** H A D O O P H O M E / e t c / h a d o o p ∗ ∗ 这 个 路 径 上 , 用 户 可 以 根 据 项 目 需 求 重 新 进 行 修 改 配 置 ( 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( HADOOPHOME/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(HADOOP_HOME指的是hadoop根目录)
配置集群
(1) 配置:hadoop-env.sh (Hadoop3.0版本后就可以省略这步 )
Linux系统中获取JDK的安装路径:
[atguigu@ hadoop101 ~]# echo $JAVA_HOME
/opt/module/jdk1.8.0_212
在hadoop-env.sh文件中修改JAVA_HOME 路径:(它注释了,看清楚打开添加即可 #export JAVA_HOME=)
export JAVA_HOME=/opt/module/jdk1.8.0_212
(2) 核心配置文件
这些文件在$HADOOP_HOME/etc/hadoop 下
[atguigu@ hadoop101 ~]#cd $HADOOP_HOME/etc/hadoop
[atguigu@ hadoop101 ~]#vim core-site.xml
(a) 配置core-site.xml
<!-- 指定NameNode的地址 -->
<property>
<name>fs.defaultFS</name>
#====hadoop102这边根据自己hostname==进行更改
#====hadoop102 这边是指定了namenode开启的所在机的地址hostname名
#===8020是内部通讯的端口号======
<value>hdfs://hadoop102:8020</value>
</property>
<!-- 指定hadoop数据的存储目录
官方配置文件中的配置项是hadoop.tmp.dir ,用来指定hadoop数据的存储目录,此次配置用的hadoop.data.dir是自己定义的变量, 因为在hdfs-site.xml中会使用此配置的值来具体指定namenode 和 datanode存储数据的目录
-->
<property>
#hadoop.data.dir 自定义变量名(该变量指向地址是用来存储Hadoop数据的)
#hdfs-site.xml会调用该变量存储namenode和datenode
<name>hadoop.data.dir</name>
<value>/opt/module/hadoop-3.1.3/data</value>
</property>
<!-- 下面是兼容性配置,先跳过 -->
<!-- 配置该atguigu(superUser)允许通过代理访问的主机节点 -->
<property>
<name>hadoop.proxyuser.atguigu.hosts</name>
<value>*</value>
</property>
<!-- 配置该atguigu(superuser)允许代理的用户所属组 -->
<property>
<name>hadoop.proxyuser.atguigu.groups</name>
<value>*</value>
</property>
<!-- 配置该atguigu(superuser)允许代理的用户-->
<property>
<name>hadoop.proxyuser.atguigu.users</name>
<value>*</value>
</property>
(3) HDFS配置文件
(a) 配置hdfs-site.xml
vim hdfs-site.xml
文件内容如下:
<!-- 指定副本数 -->
<property>
<name>dfs.replication</name>
<value>3</value>
</property>
<!-- 指定NameNode数据的存储目录 -->
<property>
<name>dfs.namenode.name.dir</name>
<value>file://${hadoop.data.dir}/name</value>
</property>
<!-- 指定Datanode数据的存储目录 -->
<property>
<name>dfs.datanode.data.dir</name>
<value>file://${hadoop.data.dir}/data</value>
</property>
<!-- 指定SecondaryNameNode数据的存储目录 -->
<property>
<name>dfs.namenode.checkpoint.dir</name>
<value>file://${hadoop.data.dir}/namesecondary</value>
</property>
<!-- 兼容配置,先跳过 -->
<property>
<name>dfs.client.datanode-restart.timeout</name>
<value>30s</value>
</property>
<!-- nn web端访问地址-->
<property>
<name>dfs.namenode.http-address</name>
<value>hadoop102:9870</value>
</property>
<!-- 2nn web端访问地址-->
<property>
<name>dfs.namenode.secondary.http-address</name>
<value>hadoop104:9868</value>
</property>
(4) YARN配置文件
(a) 配置 yarn-site.xml
vim yarn-site.xml
文件内容如下
<!--NodeManager上运行的附属服务。需配置成mapreduce_shuffle,才可运行MapReduce程序-->
<property>
<name>yarn.nodemanager.aux-services</name>
<value>mapreduce_shuffle</value>
</property>
<!-- 指定ResourceManager的地址-->
<property>
<name>yarn.resourcemanager.hostname</name>
<value>hadoop103</value>
</property>
<!-- 环境变量的继承 -->
<property>
<name>yarn.nodemanager.env-whitelist</name>
<value>JAVA_HOME,HADOOP_COMMON_HOME,HADOOP_HDFS_HOME,HADOOP_CONF_DIR,CLASSPATH_PREPEND_DISTCACHE,HADOOP_YARN_HOME,HADOOP_MAPRED_HOME</value>
</property>
<!-- 取消虚拟内存的限制 -->
<property>
<name>yarn.nodemanager.vmem-check-enabled</name>
<value>false</value>
</property>
(5) MapReduce配置文件
配置mapred-site.xml
vim mapred-site.xml
文件内容如下
<!-- 指定MapReduce程序运行在Yarn上 -->
<property>
<name>mapreduce.framework.name</name>
<value>yarn</value>
</property>
(4) 在集群上分发配置好的hadoop
xsync /opt/module/hadoop-3.1.3
(5)在其他节点查看文件分发情况
集群单点启动//不重要
1) 如果集群是第一次启动,需要格式化NameNode
hdfs namenode -format
2) 在hadoop102上启动NameNode
hdfs --daemon start namenode
3) 完成后执行jps命令,看到如下结果(进程号可能不同):
3461 NameNode
4) 在hadoop102、hadoop103以及hadoop104上执行如下命令(三台都要执行)启动datanode
hdfs --daemon start datanode
5) 在hadoop104上启动secondarynamenode
hdfs --daemon start secondarynamenode
6) 在hadoop103上启动ResourceManager
yarn --daemon start resourcemanager
7) 在hadoop102、hadoop103以及hadoop104上执行如下命令(三台都要执行)启动nodemanager
yarn --daemon start nodemanager
SSH无密登录配置
(1) ssh
基本语法
ssh 另一台电脑的ip地址或者主机名
(2) 配置免密
(a) 分别在hadoop102 hadoop103 hadoop104生成公钥和私钥
ssh-keygen -t rsa
然后敲(三个回车),就会在 ~/.ssh目录下生成两个文件
id_rsa(私钥)、id_rsa.pub(公钥)
(b) 分别在hadoop102 hadoop103 hadoop104执行,将公钥拷贝到要免密登录的目标机器上
ssh-copy-id hadoop102
ssh-copy-id hadoop103
ssh-copy-id hadoop104
© 注意: 如果还想实现其他用户的免密登录,还需要在每台节点上采用其他账号,完成免密的配置。注意给自己也整份!!!!!
群起集群
不能多次格式化
注意:格式化NameNode,会产生新的集群id,导致DataNode中记录的的集群id和刚生成的NameNode的集群id不 一致,DataNode找不到NameNode。所以,格式NameNode时,一定要先删除每个节点的data目录和logs日志,然后再格式化NameNode
如果集群是第一次启动,需要格式化NameNode
hdfs namenode -format
(1) 配置workers文件
(a) 编辑workers文件加入如下内容
vim /opt/module/hadoop-3.1.3/etc/hadoop/workers
hadoop102
hadoop103
hadoop104
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。
(2) 同步workers文件到其他节点
xsync workers
启动集群
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
查看服务情况
jps
查看hdfs服务情况(web端查看):hostname:9870或者运行nn的主机的ip:9870
查看yarn服务情况(web端查看):hostname:8088或者运行的主机的ip:8088
19888
配置历史服务器
(1) 配置 mapred-site.xml
vi mapred-site.xml
在该文件下配置
<!-- 历史服务器端地址 -->
<property>
<name>mapreduce.jobhistory.address</name>
<value>hadoop102:10020</value>
</property>
<!-- 历史服务器web端地址 -->
<property>
<name>mapreduce.jobhistory.webapp.address</name>
<value>hadoop102:19888</value>
</property>
(2) 分发配置
xsync $HADOOP_HOME/etc/hadoop/mapred-site.xml
(3) 在hadoop102启动历史服务器
mapred --daemon start historyserver
(4) 查看历史服务器是否启动
jps
输出:JobHistoryServer
(5) JobHistoryServer
http://hadoop102:19888/jobhistory
配置日志聚集
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
(1) 配置 yarn-site.xml
vim yarn-site.xml
在该文件里面增加如下配置
<property>
<name>yarn.log-aggregation-enable</name>
<value>true</value>
</property>
<property>
<name>yarn.log.server.url</name>
<value>http://hadoop102:19888/jobhistory/logs</value>
</property>
<property>
<name>yarn.log-aggregation.retain-seconds</name>
<value>604800</value>
</property>
(2) 分发配置
xsync $HADOOP_HOME/etc/hadoop/yarn-site.xml
解决web页面中操作没有权限问题
hadoop默认情况下开启了权限检查,且默认使用dir.who作为http访问的静态用户,因此可通过关闭权限检查或者配置http访问的静态用户为atguigu,二选一即可.
在core-site.xml中修改http访问的静态用户为atguigu
<property>
<name>hadoop.http.staticuser.user</name>
<value>atguigu</value>
</property>
在hdfs-site.xml中关闭权限检查
<property>
<name>dfs.permissions.enabled</name>
<value>false</value>
</property>