文章目录
文章目录
虚机的搭建以及基础环境的部署参考:
https://hucheng.blog.csdn.net/article/details/102719750
,此次使用的Hadoop
版本为3.1.3
一、 Hadoop 集群
1.1 Hadoop集群安装
1.1.1 集群部署规划
hadoop100hadoop101hadoop102HDFSNameNode DataNodeDataNodeSecondaryNameNode DataNodeYARNNodeManagerResourceManager NodeManagerNodeManager
1.1.2 配置集群
① 核心配置文件
配置 core-site.xml
<property>
<name>fs.defaultFSname>
<value>hdfs://hadoop100:8020value>
property>
<property>
<name>hadoop.tmp.dirname>
<value>/opt/module/hadoop-3.1.3/datavalue>
property>
② HDFS 配置文件
配置 hdfs-site.xml
<property>
<name>dfs.namenode.secondary.http-addressname>
<value>hadoop102:9868value>
property>
<property>
<name>dfs.replicationname>
<value>1value>
property>
③ YARN 配置文件
配置 yarn-site.xml
<property>
<name>yarn.nodemanager.aux-servicesname>
<value>mapreduce_shufflevalue>
property>
<property>
<name>yarn.resourcemanager.hostnamename>
<value>hadoop101value>
property>
<property>
<name>yarn.nodemanager.env-whitelistname>
<value>JAVA_HOME,HADOOP_COMMON_HOME,HADOOP_HDFS_HOME,HADOOP_CONF_DIR,CLASSPATH_PREPEND_DISTCACHE,HADOOP_YARN_HOME,HADOOP_MAPRED_HOMEvalue>
property>
<property>
<name>yarn.scheduler.minimum-allocation-mbname>
<value>512value>
property>
<property>
<name>yarn.scheduler.maximum-allocation-mbname>
<value>4096value>
property>
<property>
<name>yarn.nodemanager.resource.memory-mbname>
<value>4096value>
property>
<property>
<name>yarn.nodemanager.pmem-check-enabledname>
<value>falsevalue>
property>
<property>
<name>yarn.nodemanager.vmem-check-enabledname>
<value>falsevalue>
property>
④ MapReduce 配置文件
配置 mapred-site.xml
<property>
<name>mapreduce.framework.namename>
<value>yarnvalue>
property>
⑤ 配置 workers(原slaves)
[root@hadoop100 ~]
hadoop100
hadoop101
hadoop102
⑥ 修改启动文件
在 start-dfs.sh
、 stop-dfs.sh
头部添加:
HDFS_DATANODE_USER=root
HADOOP_SECURE_DN_USER=hdfs
HDFS_NAMENODE_USER=root
HDFS_SECONDARYNAMENODE_USER=root
在 start-yarn.sh
、 stop-yarn.sh
头部添加:
YARN_RESOURCEMANAGER_USER=root
HADOOP_SECURE_DN_USER=yarn
YARN_NODEMANAGER_USER=root
1.1.3 启动集群
① 如果集群是第一次启动,需要在 Hadoop100 节点格式化 NameNode
[root@hadoop100 hadoop-3.1.3]$ bin/hdfs namenode -format
② 启动 HDFS
[root@hadoop100 hadoop-3.1.3]$ sbin/start-dfs.sh
③ 启动 YARN
[root@hadoop101 hadoop-3.1.3]$ sbin/start-yarn.sh
④ Web 端查看 HDFS 的 Web 页面:
http://hadoop100:9870/
1.1.4 集群基本测试
① 上传文件到集群
[root@hadoop102 ~]
[root@hadoop102 ~]
②下载
[root@hadoop102 ~]
③ 执行 wordcount 程序
[root@hadoop102 hadoop-3.1.3]
wordcount /user/root/input /user/root/output
Hadoop3.0的HDFS Web页面提供更多的操作,例如文件预览等等…
1.2 Hadoop 项目经验
1.2.1 HDFS 存储多目录
若 HDFS
存储空间紧张,需要对 DataNode
进行磁盘扩展。
① 在 DataNode 节点增加磁盘并进行挂载
② 在 hdfs-site.xml 文件中配置多目录,注意新挂载磁盘的访问权限问题
<property>
<name>dfs.datanode.data.dirname>
<value>file:///${hadoop.tmp.dir}/dfs/data1,file:///hd2/dfs/data2,
file:///hd3/dfs/data3,file:///hd4/dfs/data4value>
property>
③ 增加磁盘后,保证每个目录数据均衡
开启数据均衡命令: bin/start-balancer.sh –threshold 10
;
对于参数10,代表的是集群中各个节点的磁盘空间利用率相差不超过10%,可根据实际情况进行调整。
停止数据均衡命令: bin/stop-balancer.sh
1.2.2 LZO 压缩配置
Hadoop
本身并不支持 LZO
压缩,故需要使用 twitter
提供的 hadoop-lzo
开源组件。 hadoop-lzo
需依赖 hadoop
和 lzo
进行编译,将编译好后的 hadoop-lzo-0.4.20.jar
放入 hadoop-3.1.3/share/hadoop/common/
① core-site.xml 增加配置支持 LZO 压缩
<property>
<name>io.compression.codecsname>
<value>
org.apache.hadoop.io.compress.GzipCodec,
org.apache.hadoop.io.compress.DefaultCodec,
org.apache.hadoop.io.compress.BZip2Codec,
org.apache.hadoop.io.compress.SnappyCodec,
com.hadoop.compression.lzo.LzoCodec,
com.hadoop.compression.lzo.LzopCodec
value>
property>
<property>
<name>io.compression.codec.lzo.classname>
<value>com.hadoop.compression.lzo.LzoCodecvalue>
property>
② 同步 hadoop-lzo-0.4.20.jar 和 core-site.xml 至其他集群节点
③ 重启集群
1.2.3 LZO 创建索引
LZO
压缩文件的可切片特性依赖于其索引,故我们需要手动为 LZO
压缩文件创建索引。若无索引,则 LZO
文件的切片只有一个。
① 将 bigtable.lzo(150M)上传到集群的根目录
[root@hadoop100 module]
[root@hadoop100 module]
② 执行 wordcount 程序
[root@hadoop100 hadoop-3.1.3]
wordcount /input /output2
③ 对上传的 LZO 文件建索引
[root@hadoop100 common]
com.hadoop.compression.lzo.Dist ributedLzoIndexer /input/bigtable.lzo
④ 再次执行 wordcount 程序
[root@hadoop100 hadoop-3.1.3]
wordcount /input /output2
1.2.4 基准测试
① 测试 HDFS 写性能
测试内容:向 HDFS
集群写10个128M的文件
[root@hadoop100 hadoop-3.1.3]
TestDFSIO -write -nrFiles 10 -fileSize 128MB
2020-04-16 13:41:24,724 INFO fs.TestDFSIO: ----- TestDFSIO ----- : write
2020-04-16 13:41:24,724 INFO fs.TestDFSIO: Date & time: Thu Apr 16 13:41:24 CST 2020
2020-04-16 13:41:24,724 INFO fs.TestDFSIO: Number of files: 10
2020-04-16 13:41:24,725 INFO fs.TestDFSIO: Total MBytes processed: 1280
2020-04-16 13:41:24,725 INFO fs.TestDFSIO: Throughput mb/sec: 8.88
2020-04-16 13:41:24,725 INFO fs.TestDFSIO: Average IO rate mb/sec: 8.96
2020-04-16 13:41:24,725 INFO fs.TestDFSIO: IO rate std deviation: 0.87
2020-04-16 13:41:24,725 INFO fs.TestDFSIO: Test exec time sec: 67.61
② 测试 HDFS 读性能
测试内容:读取 HDFS
集群10个128M的文件
[root@hadoop100 hadoop-3.1.3]
TestDFSIO -read -nrFiles 10 -fileSize 128MB
2020-04-16 13:43:38,857 INFO fs.TestDFSIO: ----- TestDFSIO ----- : read
2020-04-16 13:43:38,858 INFO fs.TestDFSIO: Date & time: Thu Apr 16 13:43:38 CST 2020
2020-04-16 13:43:38,859 INFO fs.TestDFSIO: Number of files: 10
2020-04-16 13:43:38,859 INFO fs.TestDFSIO: Total MBytes processed: 1280
2020-04-16 13:43:38,859 INFO fs.TestDFSIO: Throughput mb/sec: 85.54
2020-04-16 13:43:38,860 INFO fs.TestDFSIO: Average IO rate mb/sec: 100.21
2020-04-16 13:43:38,860 INFO fs.TestDFSIO: IO rate std deviation: 44.37
2020-04-16 13:43:38,860 INFO fs.TestDFSIO: Test exec time sec: 53.61
③ 删除测试生成数据
[root@hadoop100 hadoop-3.1.3]
TestDFSIO -clean
④ 使用 Sort 程序评测 MapReduce
1、使用 RandomWriter
来产生随机数,每个节点运行10个 Map
任务,每个 Map
产生大约1G大小的二进制随机数
[root@hadoop100 hadoop-3.1.3]
randomwriter random-data
2、执行 Sort
程序
[root@hadoop100 hadoop-3.1.3]
sort random-data sorted-data
3、验证数据是否真正排好序了
[root@hadoop100 hadoop-3.1.3]
testmapredsort -sortInput random-data -sortOutput sorted-data
1.2.5 Hadoop 参数调优
① HDFS 参数调优 hdfs-site.xml
dfs.namenode.handler.count=20 * log2(Cluster Size)
,比如集群规模为8台时,此参数设置为60
The number of Namenode RPC server threads that listen to requests from clients. If dfs.namenode.servicerpc-address is not configured then Namenode RPC server threads listen to requests from all nodes.
NameNode有一个工作线程池,用来处理不同DataNode的并发心跳以及客户端并发的元数据操作。对于大集群或者有大量客户端的集群来说,通常需要增大参数dfs.namenode.handler.count的默认值10。设置该值的一般原则是将其设置为集群大小的自然对数乘以20,即20logN,N为集群大小。
② YARN 参数调优 yarn-site.xml
【情景描述】:总共7台机器,每天几亿条数据,数据源-> Flume
-> Kafka
-> HDFS
-> Hive
【面临问题】:数据统计主要用 HiveSQL
,没有数据倾斜,小文件已经做了合并处理,开启的 JVM
重用,而且 IO
没有阻塞,内存用了不到50%。但是还是跑的非常慢,而且数据量洪峰过来时,整个集群都会宕掉。基于这种情况有没有优化方案。
【解决办法】:内存利用率不够。这个一般是 Yarn
的2个配置造成的,单个任务可以申请的最大内存大小,和 Hadoop
单个节点可用内存大小。调节这两个参数能提高系统内存的利用率。
- yarn.nodemanager.resource.memory-mb:表示该节点上
YARN
可使用的物理内存总量,默认是8192(MB),注意,如果你的节点内存资源不够8GB,则需要调减小这个值,而YARN
不会智能的探测节点的物理内存总量。 - yarn.scheduler.maximum-allocation-mb:单个任务可申请的最多物理内存量,默认是8192(MB)。
③ Hadoop 宕机
- 如果
MR
造成系统宕机。此时要控制Yarn
同时运行的任务数,和每个任务申请的最大内存。调整参数:yarn.scheduler.maximum-allocation-mb
(单个任务可申请的最多物理内存量,默认是8192MB) - 如果写入文件过量造成
NameNode
宕机。那么调高Kafka
的存储大小,控制从Kafka
到HDFS
的写入速度。高峰期的时候用Kafka
进行缓存,高峰期过去数据同步会自动跟上。
二、ZooKeeper集群安装
① 集群规划:在 hadoop100
、 hadoop101
和 hadoop102
三个节点上部署 Zookeeper
。
② 解压安装
[root@hadoop100 software]
③ 配置服务器编号
[root@hadoop100 zookeeper-3.5.7]
[root@hadoop100 zkData]
0
④ 配置 zoo.cfg 文件
[root@hadoop100 conf]
[root@hadoop100 conf]
dataDir=/opt/module/zookeeper-3.5.7/zkData
server.0=hadoop100:2888:3888
server.1=hadoop101:2888:3888
server.2=hadoop102:2888:3888
配置参数解析: server.A=B:C:D
A
是一个数字,表示这个是第几号服务器B
是这个服务器的地址C
是这个服务器Follower
与集群中的Leader
服务器交换信息的端口D
是万一集群中的Leader
服务器挂了,需要一个端口来重新进行选举,选出一个新的Leader
,而这个端口就是用来执行选举时服务器相互通信的端口
⑤ 群起脚本
#!/bin/bash
case $1 in
"start"){
for i in hadoop100 hadoop101 hadoop102
do
echo "------------- $i -------------"
ssh $i "/opt/module/zookeeper-3.5.7/bin/zkServer.sh start"
done
};;
"stop"){
for i in hadoop100 hadoop101 hadoop102
do
echo "------------- $i -------------"
ssh $i "/opt/module/zookeeper-3.5.7/bin/zkServer.sh stop"
done
};;
"status"){
for i in hadoop100 hadoop101 hadoop102
do
echo "------------- $i -------------"
ssh $i "/opt/module/zookeeper-3.5.7/bin/zkServer.sh status"
done
};;
esac