下载
在下面的地址下载字节需要的版本,如果是windows下建议先下载hadoop windows工具包看一下现在支持哪些版本,然后选择对应的hadoop版本。
下载完之后解压:
hadoop windows工具包可选版本
hadoop windows工具包bin目录
hadoop根目录
hadoop bin目录
使用hadoop工具包的bin目录覆盖hadoop的bin目录,注意对应版本,一般大版本对上基本就没有问题。覆盖之前最好先备份。
配置文件
core-site.xml
<configuration>
<property>
<name>fs.defaultFS</name>
<value>hdfs://localhost:9000</value>
</property>
<property>
<name>hadoop.tmp.dir</name>
<value>/G:/datacenter/data30/tmp</value>
</property>
</configuration>
主要配置的是hdfs这个文件系统的访问接口和临时目录。
hdfs-site.xml
<configuration>
<property>
<name>dfs.replication</name>
<value>1</value>
</property>
<property>
<name>dfs.namenode.name.dir</name>
<value>/G:/datacenter/data30/namenode</value>
</property>
<property>
<name>dfs.datanode.data.dir</name>
<value>/G:/datacenter/data30/datanode</value>
</property>
</configuration>
配置hdfs系统的namenode目录和datanode目录。
mapred-site.xml
<configuration>
<property>
<name>mapreduce.framework.name</name>
<value>yarn</value>
</property>
</configuration>
yarn-site.xml
<configuration>
<property>
<name>yarn.nodemanager.aux-services</name>
<value>mapreduce_shuffle</value>
</property>
<property>
<name>yarn.nodemanager.aux-services.mapreduce.shuffle.class</name>
<value>org.apache.hadoop.mapred.ShuffleHandler</value>
</property>
</configuration>
这里的yarn不是打包工具,而是一个资源调度器,YARN只提供运算资源的调度,用户程序向YARN申请资源,YARN就负责分配资源。
YARN中的主管角色叫ResourceManager,YARN中具体提供运算资源的角色叫NodeManager。
启动
把winutil的bin目录拷贝到hadoop的bin目录下,直接执行替换操作,建议替换之前先备份。然后把hadoop.dll动态链接文件拷贝一份到C:\Windows\System32目录下。
替换完成之后先配置一下环境变量,假设已经配置了JAVA的环境变量,就只需要配置HADOOP_HOME,指向hadoop的解压目录就可以了,然后path中加上hadoop的bin和sbin目录。
记得前面创建的目录,现在要先格式化hadoop:
hadoop namenode -format
hdfs namenode -format
上面2个命令任意一个,推荐下面一个,格式化成功之后,前面配置的namenode目录下会出现一个current文件夹。
现在就可以执行start-all.cmd脚本了,当然也可以先执行start-hdfs.xml,然后执行start-yarn.xml脚本。
start-hdfs.xml启动的是namenode和datanode,start-yarn.xml启动的是resourcemanager和nodemanager。
启动好之后执行一下jps命令,可能看到下面的内容:
JobTracker
SecondaryNameNode
NodeManager
ResourceManager
NameNode
DataNode
因为是单机,不是集群所以可能只有下面4个:
NodeManager
ResourceManager
NameNode
DataNode
可以访问: http://localhost:50070 来查看hdfs的web界面。
hadoop3.0开始访问: http://localhost:9870
也可以通过下面的配置修改(core-site.xml):
<property>
<name>dfs.namenode.http-address</name>
<value>127.0.0.1:50070</value>
</property>
可以访问: http://localhost:8088 来查看yarn的web界面,为了先用起来这里先不详细介绍,后面会补充一点内容。
hdfs命令与Java接口
hdfs基本命令
hadoop fs -rm -r /dir #删除
hadoop fs -ls -R /dir #列表
hadoop fs -mkdir /dir #创建目录
hadoop fs -put in.txt /tmp #上传
hadoop fs -get /tmp/in.txt out.txt #下载
我们可以看到hadoop fs命令和操作linux的命令基本一致,上面需要注意一点的就是文件上传和下载了。上传文件指定的目录一定要存在。
例如,上面的上传命令就会把当前目录下的in.txt文件上传到hdfs的/tmp目录下,使用列表命令就可以看到hdfs有一个/tmp/in.txt文件。
下载命令也一样,指定hdfs的路径,后一个是本地的路径。
hdfs Java接口
这里使用maven地方方式,先添加依赖:
<dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-common</artifactId>
<version>${hadoop.version}</version>
</dependency>
<dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-hdfs</artifactId>
<version>${hadoop.version}</version>
</dependency>
<dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-client</artifactId>
<version>${hadoop.version}</version>
</dependency>
<dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-mapreduce-client-core</artifactId>
<version>${hadoop.version}</version>
</dependency>
这里的${hadoop.version}选择对应hadoop的版本就可以了。
下面是一个hdfs操作的简单示例:
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.*;
import org.apache.hadoop.io.IOUtils;
import org.junit.Test;
import java.io.FileInputStream;
import java.io.IOException;
import java.net.URI;
import java.net.URISyntaxException;
public class HDFSUtilTest {
private static final String PATH = "hdfs://localhost:9000/";
private static final String DIR = "/dir";
private static final String FILE = "/dir/hello2";
public static final String IN = "G:\\tmp\\in2.txt";
/**
* 删除文件夹 hadoop fs -rmr /dir
* @throws IOException
*/
@Test
public void remove() throws IOException, URISyntaxException {
FileSystem fileSystem = getFileSystem();
Path path = new Path(DIR);
fileSystem.delete(path, true);
}
/**
* 浏览文件夹 hadoop fs -lsr path
* @throws IOException
* @throws URISyntaxException
*/
@Test
public void list() throws IOException, URISyntaxException {
FileSystem fileSystem = getFileSystem();
Path root = new Path("/");
FileStatus[] listStatus = fileSystem.listStatus(root);
for (FileStatus fileStatus : listStatus) {
String isDir = fileStatus.isDirectory() ? "文件夹" : "文件";
String permission = fileStatus.getPermission().toString();
int replication = fileStatus.getReplication();
long len = fileStatus.getLen();
String path = fileStatus.getPath().toString();
System.out.println(isDir + "\t" + permission + "\t" + replication
+ "\t" + len + "\t" + path);
}
}
/**
* 下载文件 hadoop fs -get src des
* @throws IOException
* @throws URISyntaxException
*/
@Test
public void getData() throws IOException, URISyntaxException {
FileSystem fileSystem = getFileSystem();
// String file = "/out/_SUCCESS";
String file = "/out/part-r-00000";
Path path = new Path(file);
FSDataInputStream inputStream = fileSystem.open(path);
IOUtils.copyBytes(inputStream, System.out, 1024, true);
}
/**
* 上传文件 hadoop fs -put src des
* @throws IOException
* @throws URISyntaxException
*/
@Test
public void putData() throws IOException, URISyntaxException {
FileSystem fileSystem = getFileSystem();
Path path = new Path(FILE);
FSDataOutputStream out = fileSystem.create(path);
FileInputStream in = new FileInputStream(IN);
IOUtils.copyBytes(in, out, 1024, true);
}
/**
* 创建文件夹 hadoop fs -mkdir /dir
* @throws IOException
* @throws URISyntaxException
*/
@Test
public void mkDir() throws IOException, URISyntaxException {
FileSystem fileSystem = getFileSystem();
Path path = new Path(DIR);
fileSystem.mkdirs(path);
}
private static FileSystem getFileSystem() throws IOException, URISyntaxException {
URI uri = new URI(PATH);
Configuration conf = new Configuration();
FileSystem fileSystem = FileSystem.get(uri, conf);
return fileSystem;
}
}
hadoop mapreduce
下面是一个经典的hadoop mapreduce入门级示例。
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.Reducer;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.hadoop.util.GenericOptionsParser;
import java.io.IOException;
import java.util.StringTokenizer;
public class WordCount {
public static class TokenizerMapper extends Mapper<Object, Text,Text, IntWritable>{
private final static IntWritable one = new IntWritable(1);
private Text word = new Text();
@Override
public void map(Object key, Text value, Context context) throws IOException, InterruptedException {
StringTokenizer stringTokenizer = new StringTokenizer(value.toString());
while (stringTokenizer.hasMoreTokens()){
word.set(stringTokenizer.nextToken());
context.write(word,one);
}
}
}
public static class IntSumReducer extends Reducer<Text,IntWritable,Text,IntWritable> {
private IntWritable result = new IntWritable();
@Override
public void reduce(Text key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException {
int sum = 0;
for(IntWritable num : values){
sum += num.get();
}
result.set(sum);
context.write(key,result);
}
}
public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
Configuration configuration = new Configuration();
configuration.set("fs.default.name", "hdfs://localhost:9000");
String[] remainingArgs = new GenericOptionsParser(configuration, args).getRemainingArgs();
if(remainingArgs.length < 2){
System.out.println("args error");
System.exit(2);
}
Job job = Job.getInstance(configuration, "word count");
job.setJarByClass(WordCount.class);
job.setMapperClass(TokenizerMapper.class);
job.setCombinerClass(IntSumReducer.class);
job.setReducerClass(IntSumReducer.class);
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(IntWritable.class);
FileInputFormat.addInputPath(job, new Path(remainingArgs[0]));
FileOutputFormat.setOutputPath(job, new Path(remainingArgs[1]));
System.exit(job.waitForCompletion(true) ? 0:1);
}
}
导包的时候会发现有mapreduce包和mapred包,暂时还没有了解这2个包有什么区别。
main接收2个参数,第一个参数是要处理文件的目录,第二个是处理结果的输出目录。
就是把第一个参数指定的目录下的文件使用TokenizerMapper这个类的map方法,就是使用StringTokenizer分词,然后使用IntSumReducer的reduce方法执行了一个汇总操作。
注意:这个mapreduce操作都在hdfs上进行的,所以可以先通过命令将要分析的文件上传到hdfs上。
另外指定目录的时候是不是以/开头的很重要,如果不是以/开头就会在前面拼接上系统属性user.dir的值。例如,指定的路径是"in/data.txt",实际上会转换为/home/username/in/data.txt这个路径,如果是"/in/data.txt",那么就是路径本身。
YARN
Scheduler
Scheduler是调度器,根据应用程序的资源需求进行资源分配,不参与应用程序具体的执行和监控等工作资源分配的单位就是Container,调度器是一个可插拔的组件,用户可以根据自己的需求实 现自己的调度器。YARN 本身为我们提供了多种直接可用的调度器,比如 FIFO,Fair Scheduler 和Capacity Scheduler等。
ResourceManager
ResourceManager 是基于应用程序对集群资源的需求进行调度的 YARN 集群主控节点,负责 协调和管理整个集群(所有 NodeManager)的资源,响应用户提交的不同类型应用程序的 解析,调度,监控等工作。ResourceManager 会为每一个 Application 启动一个 MRAppMaster,并且MRAppMaster分散在各个NodeManager节点。
ResourceManager的职责:
- 处理客户端请求
- 启动或监控 MRAppMaster
- 监控 NodeManager
- 资源的分配与调度
NodeManager
NodeManager是YARN集群当中真正资源的提供者,是真正执行应用程序的容器的提供者, 监控应用程序的资源使用情况,并通过心跳向集群资源调度器 ResourceManager 进行汇报以更新自己的健康状态。同时其也会监督Container的生命周期管理,监控每个 Container 的资源使用情况,追踪节点健康状况,管理日 志和不同应用程序用到的附属服务。
NodeManager的职责:
- 管理单个节点上的资源
- 处理来自 ResourceManager 的命令
- 处理来自 MRAppMaster 的命令
MRAppMaster
MRAppMaster 对应一个应用程序,职责是:向资源调度器申请执行任务的资源容器,运行 任务,监控整个任务的执行,跟踪整个任务的状态,处理任务失败以异常情况
Container
Container 容器是一个抽象出来的逻辑资源单位。容器是由 ResourceManager Scheduler 服务 动态分配的资源构成,它包括了该节点上的一定量 CPU,内存,磁盘,网络等信息,MapReduce 程序的所有 Task 都是在一个容器里执行完成的,容器的大小是可以动态调整的
ASM
应用程序管理器 ASM 负责管理整个系统中所有应用程序,包括应用程序提交、与调度器协 商资源以启动 MRAppMaster、监控MRAppMaster运行状态并在失败时重新启动它等。