3.Hadoop集群搭建

Mr李小四

已于 2022-09-27 21:52:18 修改

阅读量4.8k

点赞数 11

分类专栏： Hadoop大数据技术

于 2022-09-17 11:51:00 首次发布

本文链接：https://blog.csdn.net/shield911/article/details/126888972

版权

Hadoop大数据技术专栏收录该内容

15 篇文章 10 订阅

订阅专栏

3. Hadoop集群搭建

3.1 安装JDK

如果Linux中有自带的JDK一定要先卸载，参考配置模板机中卸载原始JDK的操作。卸载完成后再进行安装，安装JDK需要使用远程传输工具将安装包上传到Linux系统中，具体安装流程如下：

用远程传输工具将JDK导入到opt目录下面的software文件夹下面。

在这里插入图片描述

上传完成后可以在/opt/software/目录中查看到jdk的详细情况

解压JDK到/opt/module目录下：

[root@hadoop102 software]# tar -zxvf jdk-8u212-linux-x64.tar.gz -C /opt/module/

配置JDK环境变量
1. 新建/etc/profile.d/my_env.sh文件

[li@hadoop102 ~]$ vim /etc/profile.d/my_env.sh

添加如下内容：

#JAVA_HOME
export JAVA_HOME=/opt/module/jdk1.8.0_212
export PATH=$PATH:$JAVA_HOME/bin

Linux环境变量配置在/etc/profile文件或/etc/profile.d/中的区别：

1、当前Shell环境变量配置 ~/.bash_profile 当前用户专属的启动文件，可根据不同用户定制不同的环境变量。触发时机：每当创建新的shell终端或ssh登入调用（即 no login shell）

2、全局Shell环境变量配置 /etc/profile 所有用户的环境变量，统一配置。触发时机：每次开机并成功登录Linux系统将调用（即 login shell）

3、自定义Shell环境变量(目录) /etc/profile.d/*.sh 用于存放自定义shell脚本，可供所有授权用户调用，可认为其为全局变量。
触发时机：每当登入系统或有新建的shell终端（包括非交互的定时任务）都会调用

优点：
通用的环境变量，按功能独立文件存储，也便于管理（如：History日志格式化，开发工具Java、Maven、Gradle、Android、NodeJS等用到的环境变量分类存储）
有助于不同Linux主机之间进行迁移/复制、保持统一。同类功能的目录如：/etc/init.d/、/etc/rc.d//、/etc/cron.d/、/etc/yum.repos.d等。配置立即生效后，其将作用于所有已创建shell新执行的命令

注意：

目录 /etc/profile.d/ 下新建的shell脚本，注意授予执行权限；
shell脚本文件命名要规范、统一，做到见名知义；
各shell脚本中，不要存在相同环境变量名，避免后者覆盖前者，造成不可预知异常；

4、调用优先级
当登录Linux系统时，bash shell会作为登录shell启动。登录shell会从以下几个文件中读取：

/etc/profile
$HOME/.bash_profile
$HOME/.bashrc 每次启用shell会将 /etc/profile 中自定义的部分同步更新
/etc/profile.d/*.sh
$HOME/.bash_login 默认无此文件，支持自定义用户登入事件
$HOME/.bash_logout 默认文件为空，支持自定义用户登出事件

保存后退出

:wq

使用source命令更新环境变量，让新的环境变量PATH生效

[li@hadoop102 ~]$ source /etc/profile

测试JDK是否安装成功

[li@hadoop102 ~]$ java -version
java version "1.8.0_212"
Java(TM) SE Runtime Environment (build 1.8.0_212-b10)
Java HotSpot(TM) 64-Bit Server VM (build 25.212-b10, mixed mode)

表明JDK安装完成。

重启（如果java -version可以执行就不用重启）

[li@hadoop102 ~]$ reboot

3.2 安装Hadoop

Hadoop下载地址：https://archive.apache.org/dist/hadoop/common/hadoop-3.1.3/
安装流程：

用远程文件传输工具将hadoop-3.1.3.tar.gz导入到opt目录下面的software文件夹下面：

在这里插入图片描述

上传完后在/opt/software/目录中查看是否上传成功：
在这里插入图片描述

解压安装文件到/opt/module下面

[li@hadoop102 software]$ tar -zxvf hadoop-3.1.3.tar.gz -C /opt/module/

查看是否解压成功

在这里插入图片描述

将Hadoop添加到环境变量
1. 获取Hadoop安装路径

[li@hadoop102 module]$ cd hadoop-3.1.3/
[li@hadoop102 hadoop-3.1.3]$ pwd
/opt/module/hadoop-3.1.3

打开/etc/profile.d/my_env.sh文件

[li@hadoop102 profile.d]$ vim /etc/profile.d/my_env.sh
# 注意用户权限，可能需要修改权限

在my_env.sh文件末尾添加如下内容：

#HADOOP_HOME
export HADOOP_HOME=/opt/module/hadoop-3.1.3
export PATH=$PATH:$HADOOP_HOME/bin
export PATH=$PATH:$HADOOP_HOME/sbin

保存退出：wq
使用source命令更新环境变量文件

[li@hadoop102 profile.d]$ source /etc/profile

测试是否安装成功：
重启（如果Hadoop命令不能用再重启虚拟机）

[li@hadoop102 profile.d]$ reboot

3.3 Hadoop目录结构

[li@hadoop102 ~]$ cd /opt/module/hadoop-3.1.3/
[li@hadoop102 hadoop-3.1.3]$ ll
总用量 200
drwxr-xr-x. 2 li li   4096 9月  12 2019 bin
drwxr-xr-x. 3 li li   4096 9月  12 2019 etc
drwxr-xr-x. 2 li li   4096 9月  12 2019 include
drwxr-xr-x. 3 li li   4096 9月  12 2019 lib
drwxr-xr-x. 4 li li   4096 9月  12 2019 libexec
-rw-rw-r--. 1 li li 147145 9月   4 2019 LICENSE.txt
-rw-rw-r--. 1 li li  21867 9月   4 2019 NOTICE.txt
-rw-rw-r--. 1 li li   1366 9月   4 2019 README.txt
drwxr-xr-x. 3 li li   4096 9月  12 2019 sbin
drwxr-xr-x. 4 li li   4096 9月  12 2019 share

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，但通常使用的脚本在sbin目录下。
etc目录：Hadoop的配置文件目录，存放Hadoop的配置文件，主要包含：core-site.xml、hdfs-site.xml、mapred-site.xml、yarn-site.xml等文件
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，主要包含HDFS和YARN中各类服务的启动、关闭脚本。
share目录：存放Hadoop的依赖jar包、文档、和官方案例

3.4 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。

本地模式（单机运行）：默认情况下，Hadoop 配置为以非分布式模式运行，作为单个 Java 进程。对于调试很有用，用来演示官方案例，生产环境不用。
伪分布式模式：Hadoop 也可以在单节点上以伪分布式模式运行，其中每个 Hadoop 守护进程在单独的 Java 进程中运行。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。可以用作测试，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。

3.4.1 本地运行模式

WordCount案例，流程：

创建在hadoop-3.1.3文件下面创建一个wcinput文件夹：

[li@hadoop102 ~]$ cd /opt/module/hadoop-3.1.3/
[li@hadoop102 hadoop-3.1.3]$ mkdir wcinput

在wcinput文件下创建一个word.txt文件，并在文件中输入如下内容：

hadoop yarn
hadoop mapreduce
school
school

[li@hadoop102 hadoop-3.1.3]$ cd wcinput
[li@hadoop102 wcinput]$ vim word.txt

退回到Hadoop目录/opt/module/hadoop-3.1.3
执行程序

[li@hadoop102 hadoop-3.1.3]$ hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-3.1.3.jar wordcount wcinput wcoutput

执行完代码后在hadoop-3.1.3目录中会生成一个wcoutput目录，该目录中生成两个文件：

[li@hadoop102 hadoop-3.1.3]$ cd wcoutput
[li@hadoop102 wcoutput]$ ll
总用量 4
-rw-r--r--. 1 li li 38 8月  23 14:28 part-r-00000
-rw-r--r--. 1 li li  0 8月  23 14:28 _SUCCESS

查看文件part-r-00000文件内容：

[li@hadoop102 wcoutput]$ cat part-r-00000
school 2
hadoop  2
mapreduce       1
yarn    1

3.4.2 伪分布式模式

省略

3.4.3 完全分布式运行模式

完全分布式模式（Fully-Distribute Mode）也叫集群模式，是真正的分布式、由3台及以上的实体机或者虚拟机组成的集群。

所需要的配置：
1. 3台虚拟机（关闭防火墙、静态IP、主机名称、配置hosts文件，能够连接外部网络，虚拟机之间网络通畅）
2. 安装JDK、Hadoop
3. 配置JDK、Hadoop环境变量
4. 配置集群
5. 单点启动
6. 配置ssh
7. 启动集群并测试

3.5 编写集群分发脚本xsync

3.5.1 scp（secure copy）安全拷贝

scp命令是基于SSH协议的在本地主机和远程主机之间复制文件的客户端。

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. scp基本语法：

scp    -r         $pdir/$fname             $user@$host:$pdir/$fname
命令   递归       要拷贝的文件路径/名称        目的地用户@主机:目的地路径/名称

3. 案例实操

在hadoop102、hadoop103、hadoop104都已经创建好的/opt/module、/opt/software两个目录，并且已经把这两个目录归属修改为li:li

[li@hadoop102 ~]$ chown li:li /opt/software /opt/module

在hadoop102上，将hadoop102中/opt/module/jdk1.8.0_212目录拷贝到hadoop103上。

[li@hadoop102 opt]$ scp -r /opt/module/jdk1.8.0_212  li@hadoop103:/opt/module

在hadoop103上，将hadoop102中/opt/module/hadoop-3.1.3目录拷贝到hadoop103上。

[li@hadoop103 ~]$ scp -r li@hadoop102:/opt/module/hadoop-3.1.3 /opt/module/

执行命令时需要输入要连接主机的用户密码：

在这里插入图片描述

在hadoop103上操作，将hadoop102中/opt/module目录下所有目录拷贝到hadoop104上。

[li@hadoop103 ~]$ scp -r li@hadoop102:/opt/module/* li@hadoop104:/opt/module

3.5.2 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（remote synchronize）remote synchronize是一个远程数据同步工具。可通过LAN\WAN快速同步不同主机上的文件或目录；也可以使用rsync同步本地硬盘中的不同文件或目录。无论是使用rsync进行本地同步还是远程同步，首次运行时将会把全部文件复制一次，以后再运行时将只复制有变化的文件（对于新文件）或文件的变化部分（对于原文件）。这正是rsync的优势所在。
在使用rsync进行远程同步时，可以使用如下两种方式：

远程Shell方式：可以使用rsh、ssh等。默认使用ssh，即用户验证由ssh负责。
C\S方式：客户连接远程rsync服务器，用户验证由rsync服务器负责，rsync服务器也可配置为匿名访问。访问rsync服务器时，可使用URL(rsync://host)的形式。

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             $user@$host:$pdir/$fname
命令    选项参数   要拷贝的文件路径/名称         目的地用户@主机:目的地路径/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：

删除hadoop103中/opt/module/hadoop-3.1.3/wcinput

[li@hadoop103 hadoop-3.1.3]$ rm -rf wcinput

同步hadoop102中的/opt/module/hadoop-3.1.3到hadoop103

[li@hadoop102 module]$ rsync -av hadoop-3.1.3/ li@hadoop103:/opt/module/hadoop-3.1.3/
li@hadoop103's password:
sending incremental file list
wcinput/
wcinput/word.txt

sent 690,037 bytes  received 2,679 bytes  125,948.36 bytes/sec
total size is 844,991,427  speedup is 1,219.82

3.5.3 xsync集群分发脚本

需求：循环复制文件到所有节点的相同目录下
需求分析：rsync命令原始拷贝：

rsync  -av     /opt/module  		username@hostname:/opt/

期望脚本：xsync要同步的文件名称
期望脚本在任何路径都能使用（脚本放在声明了全局环境变量的路径）

[li@hadoop102 module]$ echo $PATH
/usr/local/bin:/usr/bin:/usr/local/sbin:/usr/sbin:/opt/module/jdk1.8.0_212/bin:/opt/module/hadoop-3.1.3/bin:/opt/module/hadoop-3.1.3/sbin:/home/li/.local/bin:/home/li/bin

脚本实现
a. 在/home/li/bin目录下创建xsync文件

[li@hadoop102 module]$ cd /home/li
[li@hadoop102 ~]$ mkdir bin
[li@hadoop102 ~]$ cd bin
[li@hadoop102 bin]$ vim xsync

b. 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
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

c. 修改脚本 xsync 具有执行权限

[li@hadoop102 bin]$ chmod +x xsync

d. 测试脚本

[li@hadoop102 bin]$ xsync /home/li/bin
==================== hadoop102 ====================
The authenticity of host 'hadoop102 (192.168.10.132)' can't be established.
ECDSA key fingerprint is SHA256:bZDSJaYMXq5ajm0gBenocx3VJnQO1uxdhsAzv79rrj8.
ECDSA key fingerprint is MD5:d9:aa:00:6d:20:34:7b:ba:5a:eb:22:a6:51:15:d8:6e.
Are you sure you want to continue connecting (yes/no)? yes
Warning: Permanently added 'hadoop102,192.168.10.132' (ECDSA) to the list of known hosts.
li@hadoop102's password:
li@hadoop102's password:
sending incremental file list

sent 80 bytes  received 17 bytes  17.64 bytes/sec
total size is 739  speedup is 7.62
==================== hadoop103 ====================
li@hadoop103's password:
li@hadoop103's password:
sending incremental file list
bin/
bin/xsync

sent 869 bytes  received 39 bytes  201.78 bytes/sec
total size is 739  speedup is 0.81
==================== hadoop104 ====================
li@hadoop104's password:
li@hadoop104's password:
sending incremental file list
bin/
bin/xsync

sent 869 bytes  received 39 bytes  201.78 bytes/sec
total size is 739  speedup is 0.81

e. 将脚本复制到/bin中，以便全局调用

[root@hadoop102 bin]# cp /home/li/bin/xsync /bin/

f. 同步环境变量配置（root所有者）

[root@hadoop102 bin]# xsync /etc/profile.d/my_env.sh

g.让环境变量生效

[root@hadoop103 bin]# source /etc/profile
[root@hadoop104 bin]# source /etc/profile

3.6 SSH无密登录配置

SSH是一种协议标准，是用在安全远程登录以及其它安全网络服务。
SSH协议SSH协议与telnet、ftp等协议主要的区别在于安全性。这就引出下一个问题：如何实现数据的安全呢？首先想到的实现方案肯定是对数据进行加密。加密的方式主要有两种：

对称加密（也称为密钥加密）
非对称加密（也称公钥加密）

对称加密原理：指加密解密使用同一套密钥。对称加密的加密强度高，很难破解。
但是在实际应用过程中不得不面临一个棘手的问题：如何安全的保存密钥呢？尤其是考虑到数量庞大的Client端，很难保证密钥不被泄露。一旦一个Client端的密钥被窃据，那么整个系统的安全性也就不复存在。为了解决这个问题，非对称加密应运而生。
非对称加密工作原理：

在这里插入图片描述

(服务器建立公钥：每一次启动 sshd 服务时，该服务会查找 /etc/ssh/ssh_host* 的文件，若系统刚刚安装完成时，由于没有这些公钥，因此 sshd 会主动去计算出这些需要的公钥，同时也会计算出服务器需要的私钥。)

客户端主动联机请求：若客户端想要联机到 ssh 服务器，则需要使用适当的客户端程序来联机，包括 ssh, putty 等客户端程序连接。
服务器传送公钥给客户端：接收到客户端的要求后，服务器便将第一个步骤取得的公钥传送给客户端使用 (此时应是明码传送，反正公钥本来就是给大家使用的)。
客户端记录并比对服务器的公钥数据及随机计算自己的公私钥：若客户端第一次连接到此服务器，则会将服务器的公钥记录到客户端的用户家目录内的 ~/.ssh/known_hosts 。若是已经记录过该服务器的公钥，则客户端会去比对此次接收到的与之前的记录是否有差异。若接受此公钥，则开始计算客户端自己的公私钥。
回传客户端的公钥到服务器端：用户将自己的公钥传送给服务器。此时服务器：具有服务器的私钥与客户端的公钥，而客户端则是：具有服务器的公钥以及客户端自己的私钥，你会看到，在此次联机的服务器与客户端的密钥系统 (公钥+私钥) 并不一样，所以才称为非对称加密系统。
开始双向加解密：
a. 服务器到客户端：服务器传送数据时，拿用户的公钥加密后送出。客户端接收后，用自己的私钥解密;
b.客户端到服务器：客户端传送数据时，拿服务器的公钥加密后送出。服务器接收后，用服务器的私钥解密，这样就能保证通信安全。
非对称加密有两个密钥：“公钥”和“私钥”。公钥加密后的密文，只能通过对应的私钥进行解密。而通过公钥推理出私钥的可能性微乎其微。

这样就一定安全了吗？
上述流程会有一个问题：Client端如何保证接受到的公钥就是目标Server端的？如果一个攻击者中途拦截Client的登录请求，向其发送自己的公钥，Client端用攻击者的公钥进行数据加密。攻击者接收到加密信息后再用自己的私钥进行解密，不就窃取了Client的登录信息了吗？这就是所谓的"中间人攻击"
从上面的描述可以看出，问题就在于如何对Server的公钥进行认证？在https中可以通过CA来进行公证，可是SSH的公钥和密钥都是自己生成的，没法公证。只能通过Client端自己对公钥进行确认。
SHH是基于口令的认证等方法解决的这个问题的。
STelnet也是一个远程连接的技术，可以这样理解：远程连接以前用的是Telnet,但是通过发展，发现它的安全性堪忧，所以在它的基础上做了加密，这个加密是双向加密的，但是安全性也没有说级别特别高。所以，我们就把他理解成电动车外面扣了个罩子，变成老年代步车，比电动车安全一点，但是上高速，就别想了！安全性高的是SHH，现在的远程连接基本用SHH，他是一个双向加密，我的理解是第一次的连接是不能保证安全的，但双向连接建立了后面就安全了，所以它的安全性并不是很好的，同理，因为计算机里存的有证书，只要证书不失效，是可以认证安全性的，当然，证书也有伪造的。总之一句话：没有绝对的安全。

3.6.1 配置ssh

基本语法

ssh hadoop103

如果出现如下内容：

Are you sure you want to continue connecting (yes/no)?

输入yes，并回车就可以建立连接。

3.6.2 无密钥配置

免密登录原理
生成公钥和私钥

切换到/home/li/.ssh目录，使用命令生成公钥和私钥，敲（三个回车），就会生成两个文件id_rsa（私钥）、id_rsa.pub（公钥）

[li@hadoop102 ~]$ cd /home/li/.sh
[li@hadoop102 ssh]$ ssh-keygen -t rsa
Generating public/private rsa key pair.
Enter file in which to save the key (/home/li/.ssh/id_rsa):
Enter passphrase (empty for no passphrase):
Enter same passphrase again:
Your identification has been saved in /home/li/.ssh/id_rsa.
Your public key has been saved in /home/li/.ssh/id_rsa.pub.
The key fingerprint is:
SHA256:hNFpzgSEkIcht9wFrXSbSvUgPQyi0Uzy9VRq99DHhRo li@hadoop102
The key's randomart image is:
+---[RSA 2048]----+
|++*=+O*+..   ..  |
| O===+O+=.E...   |
|. +o.==@+ .oo    |
|    o.oo+o..     |
|   . .  S .      |
|    .            |
|                 |
|                 |
|                 |
+----[SHA256]-----+
[li@hadoop102 ssh]$

在这里插入图片描述

将公钥拷贝到要免密登录的目标机器，并验证是否成功。

[li@hadoop102 .ssh]$ ssh-copy-id hadoop102
/usr/bin/ssh-copy-id: INFO: Source of key(s) to be installed: "/home/li/.ssh/id_rsa.pub"
/usr/bin/ssh-copy-id: INFO: attempting to log in with the new key(s), to filter out any that are already installed
/usr/bin/ssh-copy-id: INFO: 1 key(s) remain to be installed -- if you are prompted now it is to install the new keys
li@hadoop102's password:
Number of key(s) added: 1

Now try logging into the machine, with:   "ssh 'hadoop102'"
and check to make sure that only the key(s) you wanted were added.

[li@hadoop102 .ssh]$ ssh-copy-id hadoop103
/usr/bin/ssh-copy-id: INFO: Source of key(s) to be installed: "/home/li/.ssh/id_rsa.pub"
/usr/bin/ssh-copy-id: INFO: attempting to log in with the new key(s), to filter out any that are already installed
/usr/bin/ssh-copy-id: INFO: 1 key(s) remain to be installed -- if you are prompted now it is to install the new keys
li@hadoop103's password:

Number of key(s) added: 1

Now try logging into the machine, with:   "ssh 'hadoop103'"
and check to make sure that only the key(s) you wanted were added.

[li@hadoop102 .ssh]$ ssh-copy-id hadoop104
/usr/bin/ssh-copy-id: INFO: Source of key(s) to be installed: "/home/li/.ssh/id_rsa.pub"
/usr/bin/ssh-copy-id: INFO: attempting to log in with the new key(s), to filter out any that are already installed
/usr/bin/ssh-copy-id: INFO: 1 key(s) remain to be installed -- if you are prompted now it is to install the new keys
li@hadoop104's password:

Number of key(s) added: 1

Now try logging into the machine, with:   "ssh 'hadoop104'"
and check to make sure that only the key(s) you wanted were added.

注意：
还需要在hadoop103上采用li账号配置一下无密登录到hadoop102、hadoop103、hadoop104服务器上。
还需要在hadoop104上采用li账号配置一下无密登录到hadoop102、hadoop103、hadoop104服务器上。
还需要在hadoop102上采用root账号，配置一下无密登录到hadoop102、hadoop103、hadoop104；

ssh文件夹下（~/.ssh）的文件功能解释

[li@hadoop102 .ssh]$ cd ~/.ssh
[li@hadoop102 .ssh]$ ll
总用量 16
-rw-------. 1 li li 1182 8月  23 21:44 authorized_keys
-rw-------. 1 li li 1675 8月  23 21:26 id_rsa
-rw-r--r--. 1 li li  394 8月  23 21:26 id_rsa.pub
-rw-r--r--. 1 li li  558 8月  23 16:51 known_hosts

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