Hadoop系列文章:
Hadoop学习笔记之初始Hadoop
Hadoop学习笔记之HDFS
Hadoop学习笔记之MapReduce(一)
Hadoop学习笔记之MapReduce(二)
Hadoop学习笔记之Yarn
1 Hadoop概述
1.1 Hadoop是什么?
1.2 Hadoop的优势(4高)
在说明Hadoop的4高之前我们应该了解大数据的4V特性:volume(大量)、velocity(高速)、variety(多样)、value(低价值密度)。
而hadoop的4高特性分别为:
1.3 Hadoop的组成
1.3.1 HDFS架构概述
Hadoop Distributed File System,简称 HDFS,是一个分布式文件系统。
在其中有三个组成成分:NameNode(nn)、DataNode(dn)、Secondary NameNode(2nn)。
- NameNode: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。
- DataNode: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:每隔一段时间对NameNode元数据备份。
1.3.2 YARN 架构概述
Yet Another Resource Negotiator 简称 YARN ,另一种资源协调者,是 Hadoop 的资源管理器。
1.3.3 MapReduce 架构概述
MapReduce 将计算过程分为两个阶段:Map 和 Reduce.
- Map 阶段并行处理输入数据
- Reduce 阶段对 Map 结果进行汇总
1.3.4 HDFS、YARN、MapReduce 三者关系
1.3.5 大数据技术生态体系
图中涉及的技术名词解释如下:
- 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。
- Flume:Flume 是一个高可用的,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;
- Kafka:Kafka 是一种高吞吐量的分布式发布订阅消息系统;
- 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。
- Flink:Flink 是当前最流行的开源大数据内存计算框架。用于实时计算的场景较多。
- Oozie:Oozie 是一个管理 Hadoop 作业(job)的工作流程调度管理系统。
- 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。
- 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。
- ZooKeeper: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。
2 Hadoop 运行环境搭建(开发重点)
在之前的这篇文章中如何搭建一个简单的Liunx开发环境 ,我已经讲述了如何搭建一个简单的集群,现在我们这里主要简单的讲解一下如何在集群中安装hadoop,以及相关配置文件的配置。
2.1 在在 hadoop104下安装 Hadoop
Hadoop 下载地址:hadoop3.1.3下载地址。
-
用 XFtp 文件传输工具将 hadoop-3.1.3.tar.gz 导入到 opt 目录下面的 software 文件夹下面。
-
进入到 Hadoop 安装包路径下:cd /opt/software/hadoop
-
解压安装文件到/opt/module 下面: tar -zxvf hadoop-3.1.3.tar.gz -C /opt/module/hadoop/
-
查看是否解压成功:ls /opt/module/hadoop/
-
将 Hadoop 添加到环境变量
-
获取 Hadoop 安装路径:/opt/module/hadoop/hadoop-3.1.3
-
打开/etc/profile.d/my_env.sh 文件:vim /etc/profile.d/my_env.sh
-
在 my_env.sh 文件末尾添加如下内容:(shift+g)
#HADOOP_HOME export HADOOP_HOME=/opt/module/hadoop/hadoop-3.1.3 export PATH=$PATH:$HADOOP_HOME/bin export PATH=$PATH:$HADOOP_HOME/sbin
-
让修改后的文件生效:source /etc/profile
-
测试是否安装成功: hadoop version
-
2.2 Hadoop 目录结构
查看 Hadoop 目录结构
重要目录:
- bin 目录:存放对 Hadoop 相关服务(hdfs,yarn,mapred)进行操作的脚本
- etc 目录:Hadoop 的配置文件目录,存放 Hadoop 的配置文件
- lib 目录:存放 Hadoop 的本地库(对数据进行压缩解压缩功能)
- sbin 目录:存放启动或停止 Hadoop 相关服务的脚本
- share 目录:存放 Hadoop 的依赖 jar 包、文档、和官方案例
3 Hadoop 运行模式
Hadoop 官方网站:http://hadoop.apache.org/
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。
- 本地模式:单机运行,只是用来演示一下官方案例。 生产环境不用 。
- 伪分布式模式:也是单机运行,但是具备 Hadoop 集群的所有功能,一台服务器模拟一个分布式的环境。个别缺钱的公司用来测试, 生产环境不用 。
- 完全分布式模式:多台服务器组成分布式环境。 生产环境使用 。我也主要讲解以下完全分布式模式.
3.1 本地运行模式(官方 WordCount)
-
创建在 hadoop-3.1.3 文件下面创建一个 wcinput 文件夹 :
mkdir wcinput
-
在 wcinput 文件下创建一个 word.txt 文件:
vim wcinput/word.txt
-
在文件中输入如下内容
hadoop yarn hadoop mapreduce zjw spark
-
回到 Hadoop 目录
cd /opt/module/hadoop/hadoop-3.1.3
-
执行程序
hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-3.1.3.jar wordcount wcinput wcoutput
-
查看结果:
cat wcoutput/part-r-00000
3.2 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JDK环境变量
4)安装 Hadoop
5)配置Hadoop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
我这篇文章讲解配置环境变量以及群起并测试集群,那些其它步骤,在之前提供链接的那篇文章中有介绍。
3.2.1 集群配置规划
注意:
- NameNode 和 SecondaryNameNode 不要安装在同一台服务器
- ResourceManager 也很消耗内存,不要和 NameNode、SecondaryNameNode 配置在同一台机器上。
3.2.2 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:
- 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。
3.2.3 配置集群
- 核心配置文件:
cd $HADOOP_HOME/etc/hadoop
vim core-site.xml
文件内容如下:
<?xml version="1.0" encoding="UTF-8"?>
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>
<configuration>
<!-- 指定 NameNode 的地址 -->
<property>
<name>fs.defaultFS</name>
<value>hdfs://hadoop104:8020</value>
</property>
<!-- 指定 hadoop 数据的存储目录 -->
<property>
<name>hadoop.tmp.dir</name>
<value>/opt/module/hadoop/hadoop-3.1.3/data</value>
</property>
<!-- 配置 HDFS 网页登录使用的静态用户为 root -->
<property>
<name>hadoop.http.staticuser.user</name>
<value>zjw</value>
</property>
</configuration>
- HDFS 配置文件:
vim hdfs-site.xml
<?xml version="1.0" encoding="UTF-8"?>
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>
<configuration>
<!-- nn web 端访问地址-->
<property>
<name>dfs.namenode.http-address</name>
<value>hadoop104:9870</value>
</property>
<!-- 2nn web 端访问地址-->
<property>
<name>dfs.namenode.secondary.http-address</name>
<value>hadoop106:9868</value>
</property>
</configuration>
- YARN 配置文件:
vim yarn-site.xml
<?xml version="1.0" encoding="UTF-8"?>
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>
<configuration>
<!-- 指定 MR 走 shuffle -->
<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>hadoop105</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>
</configuration>
- MapReduce 配置文件:
vim mapred-site.xml
<?xml version="1.0" encoding="UTF-8"?>
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>
<configuration>
<!-- 指定 MapReduce 程序运行在 Yarn 上 -->
<property>
<name>mapreduce.framework.name</name>
<value>yarn</value>
</property>
</configuration>
- 配置 workers:
vim /opt/module/hadoop/hadoop-3.1.3/etc/hadoop/workers
hadoop104
hadoop105
hadoop106
3.2.4 分发hadoop
在上述配置后就可以分发hadoop以及配置hadoop的环境变量给其它两台机器了。
分发 /opt/module/hadoop/
分发环境变量配置文件
在其它两台机器刷新环境配置文件,并检验是hadoop是否成功分发
3.2.5 启动集群
-
第一次启动在namenode中初始化hadfs:
hdfs namenode -format
如果集群是第一次启动,需要在 hadoop102 节点格式化 NameNode(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。如果集群在运行过程中报错,需要重新格式化 NameNode 的话,一定要先停 止namenode 和 datanode 进程,并且要删除所有机器的 data 和 logs 目录,然后再进行格式化。如果不删除的话会因为集群的版本号不一致而启动失败,版本号在/opt/module/hadoop/hadoop-3.1.3/data/dfs/data/current/VERSION中) -
在Hadoop104上启动 HDFS:
sbin/start-dfs.sh
(当前位于/opt/module/hadoop/hadoop-3.1.3) -
在配置了 ResourceManager 的节点(hadoop105)启动 YARN:
sbin/start-yarn.sh
-
验证每台机器上启动的服务,是否跟我们预期一致
预期
hadoop104:
hadoop105:
hadoop106:
5. Web 端查看 HDFS 的 NameNode
1. 浏览器中输入:http://hadoop104:9870
2. 查看 HDFS 上存储的数据信息
3.
- Web 端查看 YARN 的 ResourceManager
- 浏览器中输入:http://hadoop105:8088
- 查看 YARN 上运行的 Job 信息
3.2.6 集群基本测试
(1)上传文件到集群:
将这个word.txt上传到HDFS中:
内容如下:
hadoop fs -mkdir /input
hadoop fs -put /opt/module/hadoop/hadoop-3.1.3/word.txt /input
结果如下:
上面图片中展示的只是一个Web页面,实际上不能存储数据,而数据的存储在我们的集群中的datanode节点中,我们在配置文件中配置了数据的存储路径,我们可以在该路径下找到存储在HDFS的数据。
在hadoop105、106上查看,发现该文件下的内容一致,因为我们当时设置的副本数为3,所以三个datanode节点斗存储了该数据的备份。
(2)执行一个wordcount任务
确保在hdfs中有input文件夹,而且文件夹下有word.txt
hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-3.1.3.jar wordcount /input /output
在hadoop105:8088上查看任务执行情况:
执行结果在hdfs的output文件下中:
3.2.6 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:
vim 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>hadoop104:10020</value>
</property>
<!-- 历史服务器 web 端地址 -->
<property>
<name>mapreduce.jobhistory.webapp.address</name>
<value>hadoop104:19888</value>
</property>
-
分发配置 :
xsync $HADOOP_HOME/etc/hadoop/mapred-site.xml
-
在 hadoop104 启动历史服务器:
mapred --daemon start historyserver
-
查看历史服务器是否启动:
jps
-
查看 JobHistory:http://hadoop104:19888/jobhistory
3.2.7 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HistoryServer。
开启日志聚集功能具体步骤如下:
- 配置 yarn-site.xml:
vim yarn-site.xml
在该文件里面增加如下配置。
<!-- 开启日志聚集功能 -->
<property>
<name>yarn.log-aggregation-enable</name>
<value>true</value>
</property>
<!-- 设置日志聚集服务器地址 -->
<property>
<name>yarn.log.server.url</name>
<value>http://hadoop104:19888/jobhistory/logs</value>
</property>
<!-- 设置日志保留时间为 7 天 -->
<property>
<name>yarn.log-aggregation.retain-seconds</name>
<value>604800</value>
</property>
- 分发配置:
xsync $HADOOP_HOME/etc/hadoop/yarn-site.xml
- 关闭 NodeManager 、ResourceManager 和 HistoryServer:
sbin/stop-yarn.sh
mapred --daemon stop historyserver
- 启动 NodeManager 、ResourceManage 和 HistoryServer:
start-yarn.sh
mapred --daemon start historyserver
- 删除 HDFS 上已经存在的输出文件:hadoop fs -rm -r /output
- 执行 WordCount 程序:
hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-3.1.3.jar wordcount /input /output - 查看日志
-
历史服务器地址:http://hadoop104:19888/jobhistory
-
查看任务运行日志
-
3.2.8:集群启动/停止方式总结
- 各个模块分开启动/停止(配置 ssh 是前提)常用
- 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
- 整体启动/停止 HDFS:
- 各个服务组件逐一启动/停止
-
分别启动/停止 HDFS 组件
hdfs --daemon start/stop namenode/datanode/secondarynamenode
- 启动/停止 YARN.
yarn --daemon start/stop resourcemanager/nodemanager
-
3.2.9 编写 Hadoop 集群常用脚本
(1).Hadoop 集群启停脚本(包含 HDFS,Yarn,Historyserver):myhadoop.sh
cd /home/zjw/bin
sudo vim myhadoop.sh
输入以下内容:
#!/bin/bash
if [ $# -lt 1 ]
then
echo "No Args Input..."
exit ;
fi
case $1 in
"start")
echo " =================== 启动 hadoop 集群 ==================="
echo " --------------- 启动 hdfs ---------------"
ssh hadoop104 "/opt/module/hadoop/hadoop-3.1.3/sbin/start-dfs.sh"
echo " --------------- 启动 yarn ---------------"
ssh hadoop105 "/opt/module/hadoop/hadoop-3.1.3/sbin/start-yarn.sh"
echo " --------------- 启动 historyserver ---------------"
ssh hadoop104 "/opt/module/hadoop/hadoop-3.1.3/bin/mapred --daemon start historyserver"
;;
"stop")
echo " =================== 关闭 hadoop 集群 ==================="
echo " --------------- 关闭 historyserver ---------------"
ssh hadoop104 "/opt/module/hadoop/hadoop-3.1.3/bin/mapred --daemon stop historyserver"
echo " --------------- 关闭 yarn ---------------"
ssh hadoop105 "/opt/module/hadoop/hadoop-3.1.3/sbin/stop-dfs.sh"
echo " --------------- 关闭 hdfs ---------------"
ssh hadoop104 "/opt/module/hadoop/hadoop-3.1.3/sbin/stop-yarn.sh"
;;
*)
echo "Input Args Error..."
;;
esac
保存后退出,然后赋予脚本执行权限: chmod +x myhadoop.sh
(2)查看三台服务器 Java 进程脚本:jpsall
cd /home/zjw/bin
sudo vim jpsall
输入如下内容:
#!/bin/bash
for host in hadoop104 hadoop105 hadoop106
do
echo =============== $host ===============
ssh $host jps
done
赋予脚本执行权限: chmod +x jpsall
(3)分发/home/zjw/bin 目录,保证自定义脚本在三台机器上都可以使用: xsync /home/zjw/bin/
使用示例:
3.2.10 常用端口号说明
4 集群时间同步
如果服务器在公网环境(能连接外网),可以不采用集群时间同步,因为服务器会定期和公网时间进行校准;
如果服务器在内网环境,必须要配置集群时间同步,否则时间久了,会产生时间偏差,导致集群执行任务时间不同步。
- 需求
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,生产环境根据任务对时间的准确程度要求周期同步。测试环境为了尽快看到效果,采用 1 分钟同步一次。 - 时间服务器配置(必须 root 用户)
-
查看所有节点 ntpd 服务状态和开机自启动状态
sudo systemctl status ntpd sudo systemctl start ntpd sudo systemctl is-enabled ntpd
-
修改 hadoop102 的 ntp.conf 配置文件:
sudo vim /etc/ntp.conf
修改内容如下:
修改 1(授权 192.168.10.0-192.168.10.255 网段上的所有机器可以从这台机器上查询和同步时间)
-