hadoop+zookeeper+hbase+kafka+spark 大数据集群部署

最新推荐文章于 2021-04-30 14:56:33 发布
最新推荐文章于 2021-04-30 14:56:33 发布
阅读量1.1k 收藏 6
点赞数 1
文章标签： spark hbase hadoop zookeeper
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_41506416/article/details/108870210
版权

准备工作

配置静态ip

修改/etc/sysconfig/network-scripts/ifcfg-eth0文件，添加如下内容

TYPE=Ethernet
HWADDR=0C:DA:41:1D:7B:BC
BOOTPROTO=static
NM_CONTROLLED=yes
NAME=eth0
UUID=c5f5e2c0-300c-4731-9312-d3a34db10a4b
DEVICE=eth0
ONBOOT=yes
IPADDR=10.1.31.222
NETMASK=255.255.255.0
GATEWAY=xxx.xxx.xxx.xxx
PREFIX=24

重新启动网卡service network restart

配置hosts

修改/etc/hosts，添加每台服务器的ip以及对应hostname

127.0.0.1   localhost localhost.localdomain localhost4 localhost4.localdomain4
::1         localhost localhost.localdomain localhost6 localhost6.localdomain6
10.1.31.222 hadoop1
10.1.31.223 hadoop2
10.1.31.224 hadoop3
10.1.31.225 hadoop4
10.1.31.226 hadoop5
10.1.31.227 hadoop6
10.1.31.228 hadoop7
10.1.31.229 hadoop8
10.1.31.230 hadoop9
10.1.31.220 hadoop10
10.1.31.221 hadoop11

关闭防火墙

firewall-cmd --state  查看防火墙状态
systemctl stop firewalld.service  关闭防火墙
systemctl disable firewalld.service  禁止开机时防火墙自启

添加hadoop用户

为每台服务器添加hadoop用户

useradd hadoop
passwd hadoop123

配置SSH免密码登录

在正式配置Hadoop前，需实现master可SSH免密码登陆至所有slave

  1. 确认各机器是否已安装SSH文件

    rpm -qa | grep ssh

  2. 在master使用hadoop用户在/home/hadoop目录生成密钥对，生成阶段凡需输入直接回车

    ssh-keygen -t rsa

  3. 把 id_rsa.pub 追加到授权的 key 里面去（先cd /）

cat ~/.ssh/id_rsa.pub >> ~/.ssh/authorized_keys

  1. 修改权限

    chmod 600 ~/.ssh/authorized_keys

  2. 切换至root,查看vim /etc/ssh/sshd_config，确保其存在如下内容，如果如下内容前有#号，去掉#号，然后保存。

    RSAAuthentication yes
PubkeyAuthentication yes
AuthorizedKeysFile  .ssh/authorized_keys

    如需修改， 则在修改后执行重启SSH服务命令使其生效

    service sshd restart

  3. 在master上将公钥复制到所有的slave机器上（以HADOOP用户身份执行）

    scp ~/.ssh/id_rsa.pub hadoop@<IP|HOSTNAME>:~/

  4. 使用hadoop用户在 slave 机器上创建 .ssh 文件夹,并授权

    cd /home/hadoop
mkdir -p ~/.ssh  
chmod 700 ~/.ssh

  5. 追加到授权文件 authorized_keys，并授权

    cat ~/id_rsa.pub >> ~/.ssh/authorized_keys 
chmod 600 ~/.ssh/authorized_keys

  6. 在slave机器重复第五步结果验证:以hadoop用户在master机器SSH远程登录slave机器（必须做这一步），如发现登录无需输入账户密码即配置成功 。

  7. 多台机器互相免密将这几台机器/home/hadoop/.ssh/id_rsa.pub内容复制到authorized_keys下面

配置JDK8

查看是否有自带的openJDK

rpm -qa | grep openjdk

若有，则需要卸载

下载oracle官方的jdk-8u261-linux-x64.tar.gz传入服务器，解压

tar -zxvf jdk-8u261-linux-x64.tar.gz

创建用于存放JDK的目录，并将解压出的JDK目录剪切至该目录。这里存放目录/usr/lib/jvm（root权限）

mkdir -p /usr/lib/jvm
mv jdk1.8.0_261 /usr/lib/jvm

修改配置文件/etc/profile，添加如下行

export JAVA_HOME=/usr/lib/jvm/jdk1.8.0_261
export PATH=$JAVA_HOME/bin:$PATH

测试是否成功：

source /etc/profile
java -version

python3

安装以下包

yum search xxx   	#查找包
yum -y install xxx 	#安装对应的包 

bzip2-devel-1.0.6-13.el7.x86_64.rpm
libffi-devel-3.0.13-19.el7.x86_64.rpm
ncurses-devel-5.9-14.20130511.el7_4.x86_64.rpm
openssl-devel-1.0.2k-19.el7.x86_64.rpm
readline-devel-6.2-11.el7.x86_64.rpm
sqlite-devel-3.7.17-8.el7_7.1.x86_64.rpm
tk-devel-8.5.13-6.el7.x86_64.rpm
zlib-devel-1.2.7-18.el7.x86_64.rpm
make-3.82-24.el7.x86_64.rpm
gcc-4.8.5-39.el7.x86_64.rpm

解压python3包

tar -zxvf Python-3.7.6.tgz -C     /home/hadoop/distributed/

进入/usr/local ,然后创建python3文件夹

mkdir python3

编译并安装

cd /home/hadoop/distributed/Python-3.7.6
./configure prefix=/usr/local/python3/
make && make install

在/usr/local/目录下就会有python3目录

备份原来的连接并添加python3的软链接，软链接必须为/usr/bin/python3，否则后续pyspark无法找到python3

mv /usr/bin/python /usr/bin/python.bak
ln -s /usr/local/python3/bin/python3.7 /usr/bin/python3
ln -s /usr/local/python3/bin/pip3 /usr/bin/pip3

修改环境配置

vim /etc/profile
#然后在文件末尾添加
export PATH=$PATH:/usr/local/python3/bin
source /etc/profile # 修改完之后，更新配置

测试是否成功

python3 -V

更改yum配置，因为其要用到python2才能执行：

vi /usr/bin/yum

把#! /usr/bin/python修改为#! /usr/bin/python2

vi /usr/libexec/urlgrabber-ext-down

把#! /usr/bin/python 修改为#! /usr/bin/python2

zookeeper

安装

mkdir -p /home/hadoop/distributed

将安装包解压

tar -zxvf zookeeper-3.4.14.tar.gz -C /home/hadoop/distributed/

修改配置文件

vi /etc/profile

添加下面两行

export ZOOKEEPER_HOME=/home/hadoop/distributed/zookeeper-3.4.14
export PATH=$PATH:$ZOOKEEPER_HOME/bin

激活配置文件

source /etc/profile

配置

在conf目录下添加配置文件zoo.cfg，配置如下内容，主要需要配置的是dataDir，dataLogDir和server配置

tickTime=5000
initLimit=10
syncLimit=5
dataDir=/home/hadoop/distributed/tmp/zookeeper/data
dataLogDir=/home/hadoop/distributed/tmp/zookeeper/logs
clientPort=2181
server.1=hadoop1:2888:3888
server.2=hadoop2:2888:3888
server.3=hadoop3:2888:3888
server.4=hadoop4:2888:3888
server.5=hadoop5:2888:3888
server.6=hadoop6:2888:3888
server.7=hadoop7:2888:3888
server.8=hadoop8:2888:3888
server.9=hadoop9:2888:3888
server.10=hadoop10:2888:3888
server.11=hadoop11:2888:3888

在dataDir（/home/hadoop/distributed/tmp/zookeeper/data）下配置myid，在对应的服务器上与上述配置文件需相符合，例如服务器hadoop11中myid文件内容为11

启动

启动各个节点

zkServer.sh start

使用jps查看是否成功启动

Hadoop

安装

解压hadoop包

tar -zxvf hadoop-3.1.3.tar.gz -C /home/hadoop/distributed/

修改配置文件

vi /etc/profile

添加下面两行

export HADOOP_HOME=/home/hadoop/distributed/hadoop-3.1.3
export PATH=$PATH:$HADOOP_HOME/bin:$HADOOP_HOME/sbin

验证

source /etc/profile
hadoop version

配置文件

配置目录/home/hadoop/distribute/hadoop-3.1.3/etc/hadoop/中的配置文件，如下链接是官方的默认配置，其中包含了每个配置项的具体说明以及默认值（若存在）。

https://hadoop.apache.org/docs/r3.1.3/hadoop-project-dist/hadoop-common/core-default.xml)

https://hadoop.apache.org/docs/r3.1.3/hadoop-project-dist/hadoop-hdfs/hdfs-default.xml)

https://hadoop.apache.org/docs/r3.1.3/hadoop-mapreduce-client/hadoop-mapreduce-client-core/mapred-default.xml

https://hadoop.apache.org/docs/r3.1.3/hadoop-yarn/hadoop-yarn-common/yarn-default.xml

core-site.xml

主要配置为tmp文件路径以以及文件系统默认名称（一个URI，用于确定文件系统的主机、端口等。）

<configuration>
    <property>
        <name>hadoop.tmp.dir</name>
        <value>/home/hadoop/distributed/tmp/hadoop</value>
    </property>
    <property>
        <name>fs.defaultFS</name>
        <value>hdfs://mycluster</value>
    </property>
    <property>
        <name>ha.zookeeper.quorum</name>
        <value>hadoop1:2181,hadoop2:2181,hadoop3:2181,hadoop4:2181,hadoop5:2181,hadoop6:2181,hadoop7:2181,hadoop8:2181,hadoop9:2181,hadoop10:2181,hadoop11:2181</value>
    </property>
</configuration>

hdfs-site.xml

参考如下官方文档进行配置，使用JQM来搭建高可用HDFS集群

https://hadoop.apache.org/docs/r3.1.3/hadoop-project-dist/hadoop-hdfs/HDFSHighAvailabilityWithQJM.html

<configuration>
    <property>
        <name>dfs.namenode.name.dir</name>
        <value>file:///home/hadoop/distributed/hdfs/namenode1,file:///home/hadoop/distributed/hdfs/namenode2</value>
    </property>
    <property>
        <name>dfs.namenode.name.dir.restore</name>
        <value>true</value>
    </property>
    <property>
        <name>dfs.datanode.data.dir</name>
        <value>
	file:///home/hadoop/hdfs/disk1/data, 						
	file:///home/hadoop/hdfs/disk2/data, 						
	file:///home/hadoop/hdfs/disk3/data, 						
	file:///home/hadoop/hdfs/disk4/data, 						
	file:///home/hadoop/hdfs/disk5/data, 						
	file:///home/hadoop/hdfs/disk6/data, 						
	file:///home/hadoop/hdfs/disk7/data, 						
	file:///home/hadoop/hdfs/disk8/data
</value>
    </property>
    <property>
        <name>dfs.replication</name>
        <value>3</value>
    </property>
    <property>
        <name>dfs.webhdfs.enabled</name>
        <value>true</value>
    </property>
    <property>
        <name>dfs.datanode.max.transfer.threads</name>
        <value>40960</value>
    </property>
    <property>
        <name>dfs.nameservices</name>
        <value>mycluster</value>
    </property>
    <property>
        <name>dfs.ha.namenodes.mycluster</name>
        <value>nn1,nn2</value>
    </property>
    <property>
        <name>dfs.namenode.rpc-address.mycluster.nn1</name>
        <value>hadoop1:9000</value>
    </property>
    <property>
        <name>dfs.namenode.rpc-address.mycluster.nn2</name>
        <value>hadoop2:9000</value>
    </property>
    <property>
        <name>dfs.namenode.http-address.mycluster.nn1</name>
        <value>hadoop1:50070</value>
    </property>
    <property>
        <name>dfs.namenode.http-address.mycluster.nn2</name>
        <value>hadoop2:50070</value>
    </property>
    <property>
        <name>dfs.namenode.shared.edits.dir</name>
        <value>qjournal://hadoop1:8485;hadoop2:8485;hadoop3:8485/mycluster</value>
    </property>
    <property>
        <name>dfs.client.failover.proxy.provider.mycluster</name>
        <value>org.apache.hadoop.hdfs.server.namenode.ha.ConfiguredFailoverProxyProvider</value>
    </property>
    <property>
        <name>dfs.journalnode.edits.dir</name>
        <value>/home/hadoop/distributed/hdfs/journal</value>
    </property>
    <property>
        <name>dfs.ha.fencing.methods</name>
        <value>sshfence</value>
    </property>
    <property>
        <name>dfs.ha.fencing.ssh.private-key-files</name>
        <value>/home/hadoop/.ssh/id_rsa</value>
    </property>
    <property>
        <name>dfs.ha.automatic-failover.enabled</name>
        <value>true</value>
    </property>
    <property>
        <name>ha.zookeeper.quorum</name>
        <value>hadoop1:2181,hadoop2:2181,hadoop3:2181,hadoop4:2181,hadoop5:2181,hadoop6:2181,hadoop7:2181,hadoop8:2181,hadoop9:2181,hadoop10:2181,hadoop11:2181</value>
    </property>
</configuration>

yarn-site.xml

<configuration>
    <property>
        <name>yarn.resourcemanager.cluster-id</name>
        <value>mycluster</value>
    </property>
    <property>
        <name>yarn.resourcemanager.ha.rm-ids</name>
        <value>nn1,nn2</value>
    </property>
    <property>
        <name>yarn.resourcemanager.ha.enabled</name>
        <value>true</value>
    </property>
    <property>
        <name>yarn.resourcemanager.hostname.nn1</name>
        <value>hadoop1</value>
    </property>
    <property>
        <name>yarn.resourcemanager.hostname.nn2</name>
        <value>hadoop2</value>
    </property>
    <property>
        <name>yarn.nodemanager.aux-services</name>
        <value>mapreduce_shuffle</value>
    </property>
    <property>
        <name>yarn.resourcemanager.address.nn1</name>
        <value>hadoop1:8032</value>
    </property>
    <property>
        <name>yarn.resourcemanager.scheduler.address.nn1</name>
        <value>hadoop1:8030</value>
    </property>
    <property>
        <name>yarn.resourcemanager.resource-tracker.address.nn1</name>
        <value>hadoop1:8031</value>
    </property>
    <property>
        <name>yarn.resourcemanager.admin.address.nn1</name>
        <value>hadoop1:8033</value>
    </property>
    <property>
        <name>yarn.resourcemanager.webapp.address.nn1</name>
        <value>hadoop1:8088</value>
    </property>
    <property>
        <name>yarn.resourcemanager.address.nn2</name>
        <value>hadoop2:8032</value>
    </property>
    <property>
        <name>yarn.resourcemanager.scheduler.address.nn2</name>
        <value>hadoop2:8030</value>
    </property>
    <property>
        <name>yarn.resourcemanager.resource-tracker.address.nn2</name>
        <value>hadoop2:8031</value>
    </property>
    <property>
        <name>yarn.resourcemanager.admin.address.nn2</name>
        <value>hadoop2:8033</value>
    </property>
    <property>
        <name>yarn.resourcemanager.webapp.address.nn2</name>
        <value>hadoop2:8088</value>
    </property>
    <property>
        <name>yarn.nodemanager.resource.memory-mb</name>
        <value>20480</value>
    </property>
    <property>
        <name>yarn.scheduler.minimum-allocation-mb</name>
        <value>1536</value>
    </property>
    <property>
        <name>yarn.scheduler.maximum-allocation-mb</name>
        <value>10240</value>
    </property>
    <property>
        <name>yarn.scheduler.maximum-allocation-vcores</name>
        <value>8</value>
    </property>
    <property>
        <name>yarn.resourcemanager.zk-address</name>
        <value>hadoop1:2181,hadoop2:2181,hadoop3:2181,hadoop4:2181,hadoop5:2181,hadoop6:2181,hadoop7:2181,hadoop8:2181,hadoop9:2181,hadoop10:2181,hadoop11:2181</value>
    </property>
</configuration>

mapred-site.xml

<configuration>
    <property>
        <name>mapreduce.framework.name</name>
        <value>yarn</value>
        <final>true</final>
    </property>
    <property>
        <name>mapreduce.jobtracker.http.address.nn1</name>
        <value>hadoop1:50030</value>
    </property>
    <property>
        <name>mapreduce.jobhistory.address.nn1</name>
        <value>hadoop1:10020</value>
    </property>
    <property>
        <name>mapreduce.jobhistory.webapp.address.nn1</name>
        <value>hadoop1:19888</value>
    </property>
    <property>
        <name>mapred.job.tracker.nn1</name>
        <value>http://hadoop1:9001</value>
    </property>
    <property>
        <name>mapreduce.jobtracker.http.address.nn2</name>
        <value>hadoop2:50030</value>
    </property>
    <property>
        <name>mapreduce.jobhistory.address.nn2</name>
        <value>hadoop2:10020</value>
    </property>
    <property>
        <name>mapreduce.jobhistory.webapp.address.nn2</name>
        <value>hadoop2:19888</value>
    </property>
    <property>
        <name>mapred.job.tracker.nn2</name>
        <value>http://hadoop2:9001</value>
    </property>
    <property>
        <name>yarn.app.mapreduce.am.env</name>
        <value>HADOOP_MAPRED_HOME=/home/hadoop/distributed/hadoop-3.1.3</value>
    </property>
    <property>
        <name>mapreduce.map.env</name>
        <value>HADOOP_MAPRED_HOME=/home/hadoop/distributed/hadoop-3.1.3</value>
    </property>
    <property>
        <name>mapreduce.reduce.env</name>
        <value>HADOOP_MAPRED_HOME=/home/hadoop/distributed/hadoop-3.1.3</value>
    </property>
    <property>
        <name>mapreduce.map.memory.mb</name>
        <value>2048</value>
    </property>
    <property>
        <name>mapreduce.reduce.memory.mb</name>
        <value>4096</value>
    </property>
    <property>
        <name>mapreduce.map.java.opts</name>
        <value>-Xmx1537M</value>
    </property>
    <property>
        <name>mapreduce.reduce.java.opts</name>
        <value>-Xmx3072M</value>
    </property>
    <property>
        <name>mapreduce.task.io.sort.mb</name>
        <value>800</value>
    </property>
</configuration>

hadoop-env.sh

根据jdk的路径加入这一行：

export JAVA_HOME=/usr/lib/jvm/jdk1.8.0_261

workers

添加配置的数据节点datanode

hadoop1
hadoop2
hadoop3
hadoop4
hadoop5
hadoop6
hadoop7
hadoop8
hadoop9
hadoop10
hadoop11

完成上述操作后，将hadoop目录同步到其他节点

scp -r /home/hadoop/distributed/hadoop-3.1.3 master@hadoop2:/home/hadoop/distributed/

启动

按下述流程启动，否则可能启动失败

启动zookeeper

每台进入到安装的zookeeper目录下

./zkServer.sh start

启动journalnode

进入到hadoop的安装目录下 然后进到sbin 目录下启动journalnode

./hadoop-daemon.sh start journalnode
hdfs --daemon start journalnode

启动namenode

进行格式化后，启动这台机器的namenode

hdfs namenode -format
hdfs --daemon start namenode

此时需要同步其他namenode，在其他的namenode节点中执行如下命令

hdfs namenode -bootstrapStandby

格式化zkfc

hdfs zkfc -formatZK

关闭journalnode

./hadoop-daemon.sh stop journalnode
hdfs --daemon stop journalnode

启动hadoop集群

在hadoop 目录下的sbin目录执行命令全部启动

./start-all.sh

错误及其解决

  1. namenode多次格式化后出现错误：java.io.IOException: Incompatible clusterIDs

    java.io.IOException: Incompatible clusterIDs in /home/hadoop/hdfs/disk1/data: namenode clusterID = CID-1b1a99a2-42e1-4387-b62c-0ab499d8c92f; datanode clusterID = CID-25281d17-c391-46f4-879a-2ca8c3b44c1e

    原因：每次namenode format会重新创建一个namenode clusterID，而datanode的data目录包含了上次format时的clusterID，二者不匹配。

    解决方案：停掉集群，删除datanode的dfs.datanode.data.dir目录下的所有内容，重新格式化namenode。

  2. namenode1启动，但namenode2无法启动，查看日志发现namenode未格式化，格式化之后仍然没用

    2020-08-12 14:32:18,689 INFO org.apache.hadoop.util.ExitUtil: Exiting with status 1: java.io.IOException: NameNode is not formatted.

    原因：搭建HA集群，首次启动必须手动同步namenode

    解决方案：使用如下命令

    hdfs namenode -bootstrapStandby

    hdfs官方手册中对该命令解释如下：允许通过从active的NameNode复制最新的命名空间快照来启动standby状态的NameNode的存储目录。这在第一次配置 HA 群集时使用。

    Allows the standby NameNode’s storage directories to be bootstrapped by copying the latest namespace snapshot from the active NameNode. This is used when first configuring an HA cluster.

  3. 若遇到下述问题

    ERROR: Attempting to operate on hdfs namenode as root
ERROR: but there is no HDFS_NAMENODE_USER defined. 
Aborting operation.

    在start-dfs.sh 和 stop-dfs.sh顶部添加如下内容，这两个文件在sbin目录下

    HDFS_DATANODE_USER=root
HADOOP_SECURE_DN_USER=hdfs
HDFS_NAMENODE_USER=root
HDFS_JOURNALNODE_USER=root
HDFS_ZKFC_USER=root

    在start-yarn.sh 和 stop-yarn.sh顶部添加如下内容，这两个文件在sbin目录下

    YARN_RESOURCEMANAGER_USER=root
HADOOP_SECURE_DN_USER=yarn
YARN_NODEMANAGER_USER=root

Hbase

安装

解压hbase包

tar -zxvf hbase-2.2.5-bin.tar.gz -C /home/hadoop/distributed/

修改配置文件

vi /etc/profile

添加下面两行

export HBASE_HOME=/home/hadoop/distributed/hbase-2.2.5
export PATH=$PATH:$HBASE_HOME/bin

验证

source /etc/profile

配置文件

/home/hadoop/distributed/hbase-2.2.5/conf/目录下有四个需要修改的配置文件

hbase-env.sh

export JAVA_HOME=/usr/lib/jvm/jdk1.8.0_261
export HBASE_CLASSPATH=/home/hadoop/distributed/hbase-2.2.5/conf
export HBASE_MANAGES_ZK=false #flase表示使用独立的zookeeper

hbase-site.xml

<configuration>
    <property>
        <name>hbase.cluster.distributed</name>
        <value>true</value>
    </property>
    <property>
        <name>hbase.unsafe.stream.capability.enforce</name>
        <value>false</value>
    </property>
    <property>
        <name>hbase.zookeeper.quorum</name>
        <value>hadoop1,hadoop2,hadoop3,hadoop4,hadoop5,hadoop6,hadoop7,hadoop8,hadoop9,hadoop10,hadoop11</value>
    </property>
    <property>
        <name>hbase.zookeeper.property.dataDir</name>
        <value>/home/hadoop/distributed/tmp/zookeeper/data</value>
    </property>
    <property>
        <name>hbase.rootdir</name>
        <value>hdfs://mycluster/hbase</value>
    </property>
    <property>
        <name>zookeeper.session.timeout</name>
        <value>240000</value>
    </property>
    <property>
        <name>hbase.regionserver.restart.on.zk.expire</name>
        <value>true</value>
    </property>
    <!-- RPC监听实例的数量，多实例效率更高，以CPU核数的2倍开始调优-->
    <property>
        <name>hbase.regionserver.handler.count</name>
        <value>32</value>
    </property>
    <!-- 写缓存占用内存，过大则调低-->
    <property>
        <name>hbase.client.write.buffer</name>
        <value>3145728</value>
    </property>
    <!-- 若读多写少，memstore.size可增大至0.65 -->
    <property>
        <name>hbase.regionserver.global.memstore.size</name>
        <value>0.45</value>
    </property>
    <property>
        <name>hbase.regionserver.global.memstore.size.lower.limit</name>
        <value>0.9</value>
    </property>
    <!-- 若写数据增长太快,易触发阻塞机制，调大以下两个配置 -->
    <property>
        <name>hbase.hregion.memstore.flush.size</name>
        <value>134217728</value>
    </property>
    <property>
        <name>hbase.hregion.memstore.block.multiplier</name>
        <value>4</value>
    </property>
    <!-- 自动刷写时间间隔，若关闭自动刷写，调为0 -->
    <property>
        <name>hbase.regionserver.optionalcacheflushinterval</name>
        <value>3600000</value>
    </property>
    <property>
        <name>hfile.block.cache.size</name>
        <value>0.3</value>
    </property>
    <property>
        <name>hbase.hregion.max.filesize</name>
        <value>10737418240</value>
    </property>
    <property>
        <name>hbase.coprocessor.region.classes</name>
        <value>
	        com.chpi.hbase.endpoint.server.TrendDataEndPoint,
     		 com.chpi.hbase.endpoint.server.InterpDataEndPoint,
      		  com.chpi.hbase.endpoint.server.TimeSlotDataEndPoint
		</value>
    </property>
</configuration>

regionservers

里面原本应该是 localhost，修改为配置的数据节点datanode

hadoop1
hadoop2
hadoop3
hadoop4
hadoop5
hadoop6
hadoop7
hadoop8
hadoop9
hadoop10
hadoop11

backup-masters

在conf目录下新增文件配置backup-masters，在其内添加要用做Backup Master的节点hostname

hadoop2

复制配置文件

将hadoop中etc/hadoop目录下hdfs-site.xml和core-site.xml复制到hbase的conf目录下

启动

完成上述操作后，将hadoop同步到其他节点

先启动zookeeper，hadoop，然后在启动hbase

start-hbase.sh

访问HMaster的16010端口来打开hbase web页面以验证是否成功启动

错误及其解决

  1. log4j冲突

    SLF4J: Class path contains multiple SLF4J bindings.
SLF4J: Found binding in [jar:file:/home/hadoop/distributed/hadoop-3.1.3/share/hadoop/common/lib/slf4j-log4j12-1.7.25.jar!/org/slf4j/impl/StaticLoggerBinder.class]
SLF4J: Found binding in [jar:file:/home/hadoop/distributed/hbase-2.2.5/lib/client-facing-thirdparty/slf4j-log4j12-1.7.25.jar!/org/slf4j/impl/StaticLoggerBinder.class]
SLF4J: See http://www.slf4j.org/codes.html#multiple_bindings for an explanation.
SLF4J: Actual binding is of type [org.slf4j.impl.Log4jLoggerFactory]

    原因：两个log4j的jar起了冲突

    解决方案：删除其中一个

    mv /home/hadoop/distributed/hbase-2.2.5/lib/client-facing-thirdparty/slf4j-log4j12-1.7.25.jar //home/hadoop/distributed/hbase-2.2.5/lib/client-facing-thirdparty/slf4j-log4j12-1.7.25.jar.bak

  2. regionserver无法创建，无法识别命名空间mycluster

    2020-08-15 09:28:12,240 ERROR [main] regionserver.HRegionServer: Failed construction RegionServer
java.lang.IllegalArgumentException: java.net.UnknownHostException: mycluster
...
Caused by: java.net.UnknownHostException: mycluster

    原因：hbase无法识别命名空间mycluster

    解决方案：将hadoop的配置文件软链接或者复制到hbase中

Zookeeper+Hadoop+Hbase+ThriftServer 启动

Zookeeper 启动

进入每台机的节点

zkServer.sh start

Hadoop 启动

进入每台机器

hdfs --daemon start datanode
hdfs --daemon start namenode

进入master节点

./start-all.sh

Hbase 启动

./start-hbase.sh

redis

安装

首先需要配置编译环境，需安装以下包。这些包之间存在依赖关系，有些包需要在其他的完成后才可以安装。

yum search
yum -y install

mpfr-3.1.1-4.el7.x86_64.rpm
libmpc-1.0.1-3.el7.x86_64.rpm
libstdc++-devel-4.8.5-39.el7.x86_64.rpm
glibc-devel-2.17-307.el7.1.x86_64.rpm
glibc-headers-2.17-307.el7.1.x86_64.rpm
kernel-headers-3.10.0-1127.el7.x86_64.rpm
libgomp-4.8.5-39.el7.x86_64.rpm
cpp-4.8.5-39.el7.x86_64.rpm
gcc-4.8.5-39.el7.x86_64.rpm
gcc-c++-4.8.5-39.el7.x86_64.rpm

解压redis包

tar -zxvf redis-5.0.8.tar.gz -C /home/hadoop/distributed/

编译并安装

cd distributed/redis-5.0.8/
make
make install PREFIX=/home/hadoop/distributed/redis

修改配置文件

vi /etc/profile

添加

export PATH=$PATH:/usr/local/redis/bin

激活配置文件

source /etc/profile

配置

共有三个目录，在此说明

  • /home/hadoop/distributed/redis-5.0.8/为源码目录
  • /home/hadoop/distributed/redis为redis根目录
  • /home/hadoop/distributed/redis-clusters目录为集群的配置文件，分别创建6379,6380,6381文件夹

从redis的源码目录中复制redis.conf到redis的安装目录6379下

cp redis.conf /home/hadoop/distributed/redis-clusters/6379

修改配置文件中的以下内容，注：#之后的注释需要删除

bind 10.1.31.222 #开启网络，保证其他网络可以访问该机
port 6379 #节点端口号
daemonize yes #后台运行redis
pidfile /var/run/redis_6379.pid #pid文件位置
dir /home/hadoop/distributed/redis-clusters/6379 #指定数据文件存放位置
logfile /home/hadoop/distributed/redis-clusters/6379/redis.log #日志文件存放位置
appendonly yes #aof日志记录模式
cluster-enabled yes #开启集群模式
cluster-config-file nodes_800*.conf #集群节点的配置
cluster-node-timeout 5000 #节点请求超时时间
protected-mode no #关闭保护模式

后续可以添加密码

requirepass xxx #设置redis访问密码
masterauth xxx #设置集群节点间访问密码，跟上面一致

将配置文件复制到之前创建的/home/hadoop/distributed/redis-clusters中的6380,6381路径下，并分别更改配置文件中的6379为对应的端口号6380和6381

将Redis传到其他服务器上

启动

启动单个节点

./redis-server /home/hadoop/distributed/redis-clusters/6379/redis.conf

启动三个节点

./redis-server /home/hadoop/distributed/redis-clusters/6379/redis.conf
./redis-server /home/hadoop/distributed/redis-clusters/6380/redis.conf
./redis-server /home/hadoop/distributed/redis-clusters/6381/redis.conf

建立集群，将全部的节点添加进去，其中cluster-replicas表示主从配置比

redis-cli --cluster create 10.1.31.222:6379 10.1.31.222:6380 10.1.31.222:6381 10.1.31.223:6379 10.1.31.223:6380 10.1.31.223:6381 10.1.31.224:6379 10.1.31.224:6380 10.1.31.224:6381 10.1.31.225:6379 10.1.31.225:6380 10.1.31.225:6381 10.1.31.226:6379 10.1.31.226:6380 10.1.31.226:6381 10.1.31.227:6379 10.1.31.227:6380 10.1.31.227:6381 10.1.31.228:6379 10.1.31.228:6380 10.1.31.228:6381 10.1.31.229:6379 10.1.31.229:6380 10.1.31.229:6381 10.1.31.230:6379 10.1.31.230:6380 10.1.31.230:6381 10.1.31.220:6379 10.1.31.220:6380 10.1.31.220:6381 10.1.31.221:6379 10.1.31.221:6380 10.1.31.221:6381 --cluster-replicas 1

./redis-cli --cluster create 192.168.190.11:6379 192.168.190.11:6380 192.168.190.11:6381 192.168.190.12:6379 192.168.190.12:6380 192.168.190.12:6381 192.168.190.13:6379 192.168.190.13:6380 192.168.190.13:6381 --cluster-replicas 1

查看集群状态，-c表示集群模式，-h指定ip地址，-p指定端口号，-a访问服务端密码

redis-cli -c -h 10.1.31.222 -p 6379 cluster info
redis-cli -c -h 10.1.31.222 -p 6379 cluster nodes

关闭集群需要逐个关闭

redis-cli -c -h 10.1.31.222 -p 6379 shutdown

全部关闭，可创建一个shell脚本shutdown.sh

redis-cli -c -h 10.1.31.222 -p 6379 shutdown
redis-cli -c -h 10.1.31.222 -p 6380 shutdown
redis-cli -c -h 10.1.31.222 -p 6381 shutdown

错误及解决方案

  1. 为第一台服务器三个节点构建集群失败

    原因：redis集群要求至少有3个Master节点，但是根据参数主从配置比–cluster-replicas为1，即需要3个slave节点，至少需要六个节点

    解决方案：按照redis至少3个Master节点以及主从配置比的参数，添加节点数量。

  2. 建立集群redis-cli --cluster create的时候，一直停在waiting for the cluster to join

    原因：节点之间通讯失败，无法构建集群。可能是端口号被占用，如果节点配置的端口号是6379，则16379端口也需要可用，用于总线连接。但是我们的防火墙已经关闭，只需保证redis节点可在绑定的端口启动即可。可能是绑定的ip为0.0.0.0而不是固定ip的原因。

    解决方案：修改配置文件中的bind为对应的静态ip。

kafka

安装

解压kafka包

tar -zxvf kafka_2.12-2.5.0.tgz -C /home/hadoop/distributed/

配置

创建目录logs目录：/home/hadoop/distributed/tmp/kafka-logs，需要与配置文件中的log.dirs一致

server.properties

修改/kafka_2.12-2.5.0/config/server.properties文件


############################# Server Basics #############################

#kafka集群唯一标识，后续每添加一台broker就+1
broker.id=0 

############################# Socket Server Settings #############################

#Socket服务器侦听的地址。如果没有配置,即listeners=PLAINTEXT://:9092，它将获得从Java.NET.InAddio.GETCANONICALITHAMEMENE()返回的值
listeners=PLAINTEXT://10.1.31.222:9095
port=9095
#服务器用于从网络接收请求并向网络发送响应的线程数
num.network.threads=3
#服务器用于处理请求的线程数，其中可能包括磁盘I/O
num.io.threads=8
#发送缓冲区，默认100KB
socket.send.buffer.bytes=102400
#接收数据缓冲区，默认100KB
socket.receive.buffer.bytes=102400
#请求最大数量，默认100MB
socket.request.max.bytes=104857600

############################# Log Basics #############################

#日志目录
log.dirs=/home/hadoop/distributed/tmp/kafka-logs
#topic默认的partitions数量。在创建topic时，一般会指定partitions数量。若未指定，则使用该默认值
num.partitions=3
#在启动时恢复日志和关闭时刷盘日志时每个数据目录的线程的数量，默认1
num.recovery.threads.per.data.dir=1
#topic的offset的备份份数，建议设置更高的数字保证更高的可用性
offsets.topic.replication.factor=3
transaction.state.log.replication.factor=1
transaction.state.log.min.isr=1

############################# Log Retention Policy #############################

#日志数据保存时间，默认为7天
log.retention.hours=168
message.max.byte=5242880
default.replication.factor=1
replica.fetch.max.bytes=5242880
#日志分段大小。一topic的一partition下的所有日志会进行分段，达到该大小，即进行日志分段，创建新的日志文件，默认1G
log.segment.bytes=1073741824 
#检查日志过期状态的时间间隔，默认5分钟
log.retention.check.interval.ms=300000
log.cleaner.enable=false

############################# Zookeeper #############################

zookeeper.connect=hadoop1:2181,hadoop2:2181,hadoop3:2181,hadoop4:2181,hadoop5:2181,hadoop6:2181,hadoop7:2181,hadoop8:2181,hadoop9:2181,hadoop10:2181,hadoop11:2181

#ZK连接超时时间，默认为1.8s
zookeeper.connection.timeout.ms=18000

############################# Group Coordinator Settings #############################

#生产环境配置为3000
group.initial.rebalance.delay.ms=0

将/home/hadoop/distributed/kafka_2.12-2.5.0目录传到其他服务器上，修改server.properties中的以下内容

broker.id=1
listeners=PLAINTEXT://10.1.31.223:9095
port=9095

启动

启动每台服务器的kafka

# 前台启动
./bin/kafka-server-start.sh  ./config/server.properties
# 后台启动
./bin/kafka-server-start.sh -daemon ./config/server.properties &
# 停止
./kafka-server-stop.sh

验证

使用jps查看是否有kafka进程

创建topic

kafka-topics.sh --create --zookeeper hadoop1:2181,hadoop2:2181,hadoop3:2181 --replication-factor 3 --partitions 3 --topic TestTopic

创建消费者

kafka-console-consumer.sh --bootstrap-server hadoop1:9095 --topic  TestTopic --from-beginning

创建生产者

kafka-console-producer.sh --broker-list  hadoop1:9095 --topic TestTopic

在生产者中产生的消息若可以同步到消费者，则验证kafka配置成功

spark

安装

解压kafka包

tar -zxvf spark-2.4.6-bin-without-hadoop.tgz -C /home/hadoop/distributed/

修改配置文件

vi /etc/profile

添加下面两行

export SPARK_HOME=/home/hadoop/distributed/spark-2.4.6-bin-without-hadoop
export PATH=$PATH:$SPARK_HOME/bin:$SPARK_HOME/sbin

激活配置文件

source /etc/profile

配置

复制conf下的spark-env.sh.template为spark-env.sh

spark-env.sh

添加下述配置

export SPARK_DIST_CLASSPATH=$(/home/hadoop/distributed/hadoop-3.1.3/bin/hadoop classpath)

export JAVA_HOME=/usr/lib/jvm/jdk1.8.0_261
export SCALA_HOME=/home/hadoop/distributed/scala-2.12.12
export PYTHONPATH=$SPARK_HOME/python:$SPARK_HOME/python/lib/py4j-0.10.7-src.zip:$PYTHONPATH
export PYSPARK_PYTHON=python3
export HADOOP_HOME=/home/hadoop/distributed/hadoop-3.1.3
export HADOOP_CONF_DIR=/home/hadoop/distributed/hadoop-3.1.3/etc/hadoop
export SPARK_HOME=/home/hadoop/distributed/spark-2.4.6-bin-without-hadoop
export SPARK_MASTER_IP=hadoop1
export SPARK_MASTER_HOST=hadoop1
export SPARK_LOCAL_IP=10.1.31.222
export SPARK_WORKER_MEMORY=1g
export SPARK_WORKER_CORES=1

export SPARK_DAEMON_JAVA_OPTS="      
-Dspark.deploy.recoveryMode=ZOOKEEPER 
-Dspark.deploy.zookeeper.url=hadoop1:2181,hadoop2:2181,hadoop3:2181,hadoop4:2181,hadoop5:2181,hadoop6:2181,hadoop7:2181,hadoop8:2181,hadoop9:2181,hadoop10:2181,hadoop11:2181
-Dspark.deploy.zookeeper.dir=/spark"
export SPARK_LOG_DIR=home/hadoop/distributed/spark-2.4.6-bin-without-hadoop/logs

Slaves

在conf下创建slaves，并添加以下内容

hadoop2
hadoop3
hadoop4
hadoop5
hadoop6
hadoop7
hadoop8
hadoop9
hadoop10
hadoop11

启动

完成上述操作后，将spark同步到其他节点

首先启动zookeeper，hadoop，然后再启动spark

sbin/start-all.sh

查看master的8080端口查看web页面

关闭spark

sbin/stop-all.sh

使用Yarn启动spark

spark-shell --master yarn --deploy-mode client
Yucheng Zeng
关注
  • 1
    点赞
  • 踩
  • 6
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
基于centos7搭建hadoop+zookeeper+hbase大数据集群
loopeng1的博客
01-09 3324
最近在给公司项目 搭集群,顺手整理了一个文档,特别详细,相信新手看了也能一次搭好hadoop集群 1. 环境准备 jdk1.8.0_121  hadoop-2.6.5  zookeeper-3.4.10  hbase-1.2.4   三台集群主机安装centos7系统   ip分别为 192.168.10.208(master) 192.168.10.207 (slave1)
hadoop单节点集群、多节点集群hadoop+zookeeper+yarn+hbase
vhkgcf的博客
05-16 870
Hadoop实现了一个分布式文件系统（Hadoop Distributed File System），简称HDFS。 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...
spark+hbase+kafka+zookeeper集群一条龙搭建教程
sgyuanshi的博客
07-27 1080
hadoop集群搭建教程： Hadoop集群搭建教程（一） Hadoop集群搭建教程（二） Spark集群 官网下载：spark官网 这里要注意spark兼容的hadoop版本 接着解压： tar -zxvf spark-2.4.3-bin-hadoop2.7.tgz 先在你的master节点进行spark的安装和配置，然后直接拷贝到其他节点就可以了。 cd /usr/loca/spark/co...
Hadoop+Zookeeper+Spark+Hbase集群式部署
qq_43420359的博客
10-19 710
前期准备 hadoop-2.7.6.tar.gz hbase-1.2.6-bin.tar.gz jdk-8u161-linux-x64.tar.gz zookeeper-3.4.10.tar.gz sqoop-1.99.7.tar.gz spark-2.2.1-bin-hadoop2.7.tgz kafka_2.11-1.1.0.tgz 修改hostname 在root用户下的主界面运行一下命令：...
hadoop完全分布式环境搭建，整合zookeeper,hbase,spark,hive,hue
chunqing7023的博客
04-24 777
前期准备工作 1、由于测试环境的所有服务器只在内网访问，所以全部关闭防火墙，省去配置访问规则时间。 service iptables stop 2、集群中包括4个节点：1个master，3个salve，所以节点均安装好jdk，节点之间局域网连接，可以相互ping通。节点IP地...
zookeeper笔记--配置以及和spark hbase结合使用
weixin_30814319的博客
10-25 110
Spark集群基于ZooKeeper的搭建：http://www.dataguru.cn/thread-333245-1-1.html Spark需要修改的地方： 进入spark的配置目录，参照下面代码修改spark-env.sh export SPARK_DAEMON_JAVA_OPTS="-Dspark.deploy.recoveryMode=ZOOKEEPER -Dspark.de...
Spark2.4+Hadoop2.7+Zookeeper3.4+HBase2.1集群部署
驰骋天下
01-18 2222
Spark2.4+Hadoop2.7集群部署操作系统及软件配置Linux环境修改hosts文件关闭防火墙Master到Slave免密码登录Slave到Master免密码登录修改/etc/profile配置集群Hadoop集群Spark集群启动和验证集群 操作系统及软件 操作系统：Cent OS 7.2 应用软件：软件可以到官网去下，也可以使用本站提供的地址 Spark 2.4.0： http://...
Hadoop+Spark+Hive+HBase+Oozie+Kafka+Flume+Flink+ES+Redash等详细安装部署
06-22
在大数据领域，构建一个完整的生态系统是至关重要的，其中包括多个组件，如Hadoop、Spark、Hive、HBase、Oozie、Kafka、Flume、Flink、Elasticsearch和Redash。这些组件协同工作，提供了数据存储、处理、调度、流...
大数据（hadoop+spark+hbase+zookeeper+kafka+scala+ambari）全套视频教程（花3000￥买的）
06-24
大数据 hadoop spark hbase ambari全套视频教程（购买的付费视频）
徐老师大数据培训Hadoop+HBase+ZooKeeper+Spark+Kafka+Scala+Ambari
01-26
徐老师大数据培训Hadoop+HBase+ZooKeeper+Spark+Kafka+Scala+Ambari
spark+hadoop+kafka+zookeeper 大数据平台搭建脚本
07-04
spark+hadoop+zookeeper 大数据平台搭建脚本，亲测通过，适用于大数据初学者在虚拟机玩
集群环境搭建-Centos+kafka+zookeeper+hadoop+Spark
12-19
通过VirtualBox安装多台虚拟机，实现集群环境搭建。 优势：一台电脑即可。 应用场景：测试，学习。 注意事项：请严格按照文档操作，作者已经按照文档操作实现环境搭建。 内附百度网盘下载地址，有hadoop+zookeeper+spark+kafka等等·····需要的安装包和配置文件
SparkStreaming：Spark Streaming + Flume + Kafka + HBase + Hadoop + Zookeeper实现实时日志分析统计； SpringBoot + Echarts实现数据可视化展示
02-05
避免流式传输前言：使用scala和java混编完成，其中也涉及到python脚本来自动生成日志，linux crontab调度工具来定时执行...hadoop-2.6.0-cdh5.7.0 hbase-1.2.0-cdh5.7.0 zookeeper-3.4.5-cdh5.7.0 spark-2.2.0-bin-2.6
Spark Streaming+Flume+Kafka+HBase+Hadoop+Zookeeper实现实时日志分析统计可视化
最新发布
06-30
使用hadoop进行数据分析
hadoop+hive+spark+zookeeper+hbase大数据环境搭建
fengwuxichen的博客
04-17 882
1. 硬件环境 主机名 IP地址 操作系统 master 172.16.34.101 CentOS Linux release 7.3.1611 slave01 172.16.34.102 CentOS Linux release 7.3.1611 slave03 172.16.34.103 CentOS Linux release 7.3.1611 2. 软件版本 ...
Hadoop+hbase+zookeeper完全分布式搭建
keeper的博客
05-21 4331
Hadoop+hbase+zookeeper完全分布式搭建 一．环境说明 集群环境至少需要3个节点（也就是3台服务器设备）：1个Master，2个Slave，节点之间局域网连接，可以相互ping通，下面举例说明，配置节点IP分配如下： Hostname IP User Password master...
搭建大数据集群架构Hadoop+Hive+Hbase+Spark+Zookeeper+Phoenix+Sqoop+Flume+Kafka+Azkaban
BOUBING112的专栏
04-01 8218
大数据集群搭建 目录 概叙 4 1.1 引言 4 1.2 集群拓扑图 5 1.3 整体架构图 5 1.4 设备选型 6 1.5 版本选择 6 1.6 功能分布 7 集群基础配置 7 2.1修改主机名 7 2.2 hosts主机名IP映射文件修改 7 2.3关闭防火墙 8 2.4 配置免秘钥SSH 8 2.5 Jdk安装 8 2.6 Mysql安装 8 集群组件配置 9 3.1 Hado...
学习搭建Hadoop+HBase+ZooKeeper分布式集群环境
weixin_33857679的博客
03-15 218
一、环境配置由于集群至少需要三台服务器，我就拿上次做的MongoDB Master, Slave, Arbiter环境来做Hadoop集群。服务器还是ibmcloud 免费提供的。其中Arbiter在这里做的也是slave的角色。HostnameIPServer TypeMaster192.168.0.28Centos6.2Slave192.168.0.29Ubuntu14...
Hadoop+Zookeeper+HBase
weixin_38023818的博客
04-30 248
https://blog.csdn.net/qq_35206261/article/details/81144429 很详细了这个
hadoop+spark+hive+hbase+oozie+kafka+flume+flink+es+redash等详细安装部署
05-12
Hadoop是一个开源的分布式计算框架，可用于处理大数据集并提供高可靠性，高可用性和高性能。要进行详细的安装部署，需要运行以下步骤： 1. 安装Java：Hadoop基于Java编写，因此需要安装适当的Java版本。 2. 安装Hadoop：以二进制文件的形式下载Hadoop，并将其解压缩到目标位置。编辑Hadoop配置文件，并设置必要的参数，例如本地文件系统和Hadoop所依赖的其他组件。 3. 部署HDFS：使用bin/hdfs script启动HDFS守护进程并格式化NameNode。配置HDFS，并在数据节点上创建数据目录。 4. 部署YARN：使用bin/yarn script启动YARN守护进程，并在ResourceManager节点上运行MR程序的ApplicationMaster服务。重新配置YARN，并设置资源管理器和节点管理器。 5. 安装Spark：以二进制文件的形式下载Spark，并将其解压缩到目标位置。编辑Spark配置文件，并设置必要的参数，例如运行模式，内存设置和调试选项。 6. 安装Hive：以二进制文件的形式下载Hive，并按照说明进行安装。配置Hive，并设置Metastore和HiveServer2。 7. 安装HBase：以二进制文件的形式下载HBase，并按照说明进行安装。配置HBase，并设置区域服务器和HBase主服务器。 8. 安装Oozie：以二进制文件的形式下载Oozie，并按照说明进行安装。编辑Oozie配置文件，并设置必要的参数，例如数据库连接，属性和内存设置。 9. 安装Kafka：以二进制文件的形式下载Kafka，并按照说明进行安装。配置Kafka，并设置必要的参数，例如Zookeeper连接，日志存储位置和日志大小限制。 10. 安装Flume：以二进制文件的形式下载Flume，并按照说明进行安装。配置Flume，并设置必要的参数，例如Flume代理，事件类型和目标。 11. 安装Flink：以二进制文件的形式下载Flink，并按照说明进行安装。配置Flink，并设置必要的参数，例如集群模式，任务管理器，计算管道和作业提交方式。 12. 安装ES：以二进制文件的形式下载Elasticsearch，并按照说明进行安装。配置Elasticsearch，并设置必要的参数，例如节点类型，索引设置和查询配置。 13. 安装Redash：以二进制文件的形式下载Redash，并按照说明进行安装。配置Redash并设置必要的参数，例如数据库连接，权限和查询模式。 以上提到的大数据技术是开源的，所以可以在官网上找到相关二进制文件和详细的安装部署指南。也可以使用一些自动化的部署工具，如Puppet和Ansible来简化整个过程。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值