有一天心血来潮突然有个大胆的想法,就是将我平时所学的技术记录成文档,这些文档可能网上一搜一大把,但毕竟和自己总结摘录的还是不太一样,不求文章能有人看,就当给自己做个备忘录吧,上面两节介绍了做大数据的基本环境配置,今天正式介绍一下大数据技术的基石-Hadoop
第1章 大数据概论
1.1 大数据概念
据百度百科介绍:
大数据(big data),或称巨量资料,指的是所涉及的资料量规模巨大到无法透过主流软件工具,在合理时间内达到撷取、管理、处理、并整理成为帮助企业经营决策更积极目的的资讯。
1.2 大数据特点
大数据的特点可以归总为4V即:Volume(大量)、Velocity(高速)、Variety(多样)、Value(低价值密度)
看着挺厉害的,不过就我理解,就是数据量大,而且好多数据单独来看没什么用,需要加工处理
第2章 从Hadoop框架讨论大数据生态
2.1 Hadoop是什么
1)Hadoop是一个由Apache基金会所开发的分布式系统基础架构。
2)主要解决,海量数据的存储和海量数据的分析计算问题。
3)广义上来说,Hadoop通常是指一个更广泛的概念——Hadoop生态圈。
2.2 Hadoop发展历史
1)Lucene框架是Doug Cutting开创的开源软件,用Java书写代码,实现与Google类似的全文搜索功能,它提供了全文检索引擎的架构,包括完整的查询引擎和索引引擎。
2)2001年年底Lucene成为Apache基金会的一个子项目。
3)对于海量数据的场景,Lucene面对与Google同样的困难,存储数据困难,检索速度慢。
4)学习和模仿Google解决这些问题的办法 :微型版Nutch。
5)可以说Google是Hadoop的思想之源(Google在大数据方面的三篇论文)
GFS —>HDFS
Map-Reduce —>MR
BigTable —> HBase
6)2003-2004年,Google公开了部分GFS和MapReduce思想的细节,以此为基础Doug Cutting等人用了2年业余时间实现了DFS和MapReduce机制,使Nutch性能飙升。
7)2005 年Hadoop 作为 Lucene的子项目 Nutch的一部分正式引入Apache基金会。
8)2006 年 3 月份,Map-Reduce和Nutch Distributed File System (NDFS) 分别被纳入到 Hadoop 项目中,Hadoop就此正式诞生,标志着大数据时代来临。
9)名字来源于Doug Cutting儿子的玩具大象。
2.3 Hadoop三大发行版本
Hadoop三大发行版本:Apache、Cloudera、Hortonworks。
Apache版本最原始(最基础)的版本,对于入门学习最好。
Cloudera内部集成了很多大数据框架。对应产品CDH。
Hortonworks文档较好。对应产品HDP。
1)Apache Hadoop
官网地址:http://hadoop.apache.org/releases.html
下载地址:https://archive.apache.org/dist/hadoop/common/
2)Cloudera Hadoop
官网地址:https://www.cloudera.com/downloads/cdh/5-10-0.html
下载地址:http://archive-primary.cloudera.com/cdh5/cdh/5/
(1)2008年成立的Cloudera是最早将Hadoop商用的公司,为合作伙伴提供Hadoop的商用解决方案,主要是包括支持、咨询服务、培训。
(2)2009年Hadoop的创始人Doug Cutting也加盟Cloudera公司。Cloudera产品主要为CDH,Cloudera Manager,Cloudera Support
(3)CDH是Cloudera的Hadoop发行版,完全开源,比Apache Hadoop在兼容性,安全性,稳定性上有所增强。Cloudera的标价为每年每个节点10000美元。
(4)Cloudera Manager是集群的软件分发及管理监控平台,可以在几个小时内部署好一个Hadoop集群,并对集群的节点及服务进行实时监控。
3)Hortonworks Hadoop
官网地址:https://hortonworks.com/products/data-center/hdp/
下载地址:https://hortonworks.com/downloads/#data-platform
(1)2011年成立的Hortonworks是雅虎与硅谷风投公司Benchmark Capital合资组建。
(2)公司成立之初就吸纳了大约25名至30名专门研究Hadoop的雅虎工程师,上述工程师均在2005年开始协助雅虎开发Hadoop,贡献了Hadoop80%的代码。
(3)Hortonworks的主打产品是Hortonworks Data Platform(HDP),也同样是100%开源的产品,HDP除常见的项目外还包括了Ambari,一款开源的安装和管理系统。
(4)Hortonworks目前已经被Cloudera公司收购。
2.4 Hadoop的优势
1)高可靠性:Hadoop底层维护多个数据副本,所以即使Hadoop某个计算元素或存储出现故障,也不会导致数据的丢失。
2)高扩展性:在集群间分配任务数据,可方便的扩展数以千计的节点。
3)高效性:在MapReduce的思想下,Hadoop是并行工作的,以加快任务处理速度。
4)高容错性:能够自动将失败的任务重新分配。
2.5 Hadoop组成
在Hadoop1.x时代,Hadoop中的MapReduce同时处理业务逻辑运算和资源的调度,耦合性较大,在Hadoop2.x时代,增加了Yarn。Yarn只负责资源的调度,MapReduce只负责运算。后面的文章会对起组成在做深入介绍,暂且了解即可
第3章 Hadoop运行环境搭建
在上面两节我们已经配置好了三台虚拟机,接下来就开始愉快的玩耍吧
3.1 在hadoop101安装JDK
文章中提到的所有安装包都在此链接:
https://pan.baidu.com/s/1frlvq4XWwvIWU4461XUkrQ?pwd=yyds
1)卸载现有JDK
[careate@hadoop101 ~]$ rpm -qa | grep -i java | xargs -n1 sudo rpm -e --nodeps
2)用XFTP工具将JDK导入到opt目录下面的software文件夹下面
3)解压JDK到/opt/module目录下
[careate@hadoop101 software]$ tar -zxvf jdk-8u212-linux-x64.tar.gz -C /opt/module/
4)配置JDK环境变量
(1)新建/etc/profile.d/my_env.sh文件
[careate@hadoop101 ~]$ sudo 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= P A T H : PATH: PATH:JAVA_HOME/bin
(2)保存后退出
:wq
(3)source一下/etc/profile文件,让新的环境变量PATH生效
[careate@hadoop101 ~]$ source /etc/profile
8)测试JDK是否安装成功
[careate@hadoop101 ~]$ java -version
java version “1.8.0_212”
3.2 在hadoop101安装Hadoop
1)用XFTP工具将hadoop-3.1.3.tar.gz导入到opt目录下面的software文件夹下面
2)解压安装文件到/opt/module下面
[careate@hadoop101 software]$ tar -zxvf hadoop-3.1.3.tar.gz -C /opt/module/
3)将Hadoop添加到环境变量
(1)获取Hadoop安装路径
[careate@hadoop101 hadoop-3.1.3]$ pwd
/opt/module/hadoop
(2)打开/etc/profile.d/my_env.sh文件
sudo 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
export PATH= P A T H : PATH: PATH:HADOOP_HOME/bin
export PATH= P A T H : PATH: PATH:HADOOP_HOME/sbin
(3)保存后退出
:wq
(4)让修改后的文件生效
[careate@hadoop101 hadoop-3.1.3]$ source /etc/profile
6)测试是否安装成功
[careate@hadoop101 hadoop-3.1.3]$ hadoop version
Hadoop 3.1.3
3.3 Hadoop目录结构
1)查看Hadoop目录结构
[careate@hadoop101 hadoop-3.1.3]$ ll
总用量 52
drwxr-xr-x. 2 careate careate 4096 5月 22 2017 bin
drwxr-xr-x. 3 careate careate 4096 5月 22 2017 etc
drwxr-xr-x. 2 careate careate 4096 5月 22 2017 include
drwxr-xr-x. 3 careate careate 4096 5月 22 2017 lib
drwxr-xr-x. 2 careate careate 4096 5月 22 2017 libexec
-rw-r–r–. 1 careate careate 15429 5月 22 2017 LICENSE.txt
-rw-r–r–. 1 careate careate 101 5月 22 2017 NOTICE.txt
-rw-r–r–. 1 careate careate 1366 5月 22 2017 README.txt
drwxr-xr-x. 2 careate careate 4096 5月 22 2017 sbin
drwxr-xr-x. 4 careate careate 4096 5月 22 2017 share
2)重要目录
(1)bin目录:存放对Hadoop相关服务(HDFS,YARN)进行操作的脚本
(2)etc目录:Hadoop的配置文件目录,存放Hadoop的配置文件
(3)lib目录:存放Hadoop的本地库(对数据进行压缩解压缩功能)
(4)sbin目录:存放启动或停止Hadoop相关服务的脚本
(5)share目录:存放Hadoop的依赖jar包、文档、和官方案例
第4章 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。
Hadoop官方网站:http://hadoop.apache.org/
4.1 本地运行模式(官方wordcount)
1)创建在hadoop-3.1.3文件下面创建一个wcinput文件夹
[careate@hadoop101 hadoop-3.1.3]$ mkdir wcinput
2)在wcinput文件下创建一个word.txt文件
[careate@hadoop101 hadoop-3.1.3]$ cd wcinput
3)编辑word.txt文件
[careate@hadoop101 wcinput]$ vim word.txt
在文件中输入如下内容
hadoop yarn
hadoop mapreduce
careate
careate
保存退出::wq
4)回到Hadoop目录/opt/module/hadoop
5)执行程序
[careate@hadoop101 hadoop-3.1.3]$ hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-3.1.3.jar wordcount wcinput wcoutput
6)查看结果
[careate@hadoop101 hadoop-3.1.3]$ cat wcoutput/part-r-00000
看到如下结果:
careate 2
hadoop 2
mapreduce 1
yarn 1
4.2 完全分布式运行模式
4.2.1 SSH无密登录配置
1)配置ssh
(1)基本语法
ssh另一台电脑的ip地址
(2)ssh连接时出现Host key verification failed的解决方法
[careate@hadoop101 ~]$ ssh hadoop102
出现:
The authenticity of host ‘192.168.1.103 (192.168.1.103)’ can’t be established.
RSA key fingerprint is cf:1e🇩🇪d7:d0:4c:2d:98:60:b4:fd:ae:b1:2d:ad:06.
Are you sure you want to continue connecting (yes/no)?
(3)解决方案如下:直接输入yes
配置免密
(2)生成公钥和私钥:
[careate@hadoop101 .ssh]$ ssh-keygen -t rsa
然后敲(三个回车),就会生成两个文件id_rsa(私钥)、id_rsa.pub(公钥)
(3)将公钥拷贝到要免密登录的目标机器上
[careate@hadoop101 .ssh]$ ssh-copy-id hadoop101
[careate@hadoop101 .ssh]$ ssh-copy-id hadoop102
[careate@hadoop101 .ssh]$ ssh-copy-id hadoop103
注意: 还需要在hadoop102上采用careate账号配置一下无密登录到hadoop101、hadoop102、hadoop103服务器上。 还需要在hadoop103上采用careate账号配置一下无密登录到hadoop101、hadoop102、hadoop103服务器上。 还需要在hadoop101上采用root账号,配置一下无密登录到hadoop101、hadoop102、hadoop103;
4.2.2 集群配置
1)集群部署规划
注意:NameNode和SecondaryNameNode不要安装在同一台服务器 注意:ResourceManager也很消耗内存,不要和NameNode、SecondaryNameNode配置在同一台机器上。
dsf | hadoop101 | hadoop102 | hadoop103 |
---|---|---|---|
HDFS | NameNode DataNode | DataNode | SecondaryNameNode DataNode |
YARN | NodeManager | ResourceManager NodeManager | NodeManager |
2)配置集群
(1)核心配置文件
配置core-site.xml
[careate@hadoop101 ~]$ cd $HADOOP_HOME/etc/hadoop
[careate@hadoop101 hadoop] vim core-site.xml
文件内容如下:
<?xml version="1.0" encoding="UTF-8"?>
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>
<configuration>
<!-- 指定NameNode的地址 -->
<property>
<name>fs.defaultFS</name>
<value>hdfs://hadoop101:9820</value>
</property>
<!-- 指定hadoop数据的存储目录 -->
<property>
<name>hadoop.tmp.dir</name>
<value>/opt/module/hadoop/data</value>
</property>
<!-- 配置HDFS网页登录使用的静态用户为careate -->
<property>
<name>hadoop.http.staticuser.user</name>
<value>careate</value>
</property>
<!-- 配置该careate(superUser)允许通过代理访问的主机节点 -->
<property>
<name>hadoop.proxyuser.careate.hosts</name>
<value>*</value>
</property>
<!-- 配置该careate(superUser)允许通过代理用户所属组 -->
<property>
<name>hadoop.proxyuser.careate.groups</name>
<value>*</value>
</property>
<!-- 配置该careate(superUser)允许通过代理的用户-->
<property>
<name>hadoop.proxyuser.careate.groups</name>
<value>*</value>
</property>
</configuration>
(2)HDFS配置文件
配置hdfs-site.xml
[careate@hadoop101 hadoop]$ vim hdfs-site.xml
文件内容如下:
<?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>hadoop101:9870</value>
</property>
<!-- 2nn web端访问地址-->
<property>
<name>dfs.namenode.secondary.http-address</name>
<value>hadoop103:9868</value>
</property>
</configuration>
(3)YARN配置文件
配置yarn-site.xml
[careate@hadoop101 hadoop]$ vim yarn-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>hadoop102</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>
<!-- yarn容器允许分配的最大最小内存 -->
<property>
<name>yarn.scheduler.minimum-allocation-mb</name>
<value>512</value>
</property>
<property>
<name>yarn.scheduler.maximum-allocation-mb</name>
<value>4096</value>
</property>
<!-- yarn容器允许管理的物理内存大小 -->
<property>
<name>yarn.nodemanager.resource.memory-mb</name>
<value>4096</value>
</property>
<!-- 关闭yarn对物理内存和虚拟内存的限制检查 -->
<property>
<name>yarn.nodemanager.pmem-check-enabled</name>
<value>false</value>
</property>
<property>
<name>yarn.nodemanager.vmem-check-enabled</name>
<value>false</value>
</property>
<!-- 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://hadoop101:19888/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>
</configuration>
(4)MapReduce配置文件
配置mapred-site.xml
[careate@hadoop101 hadoop]$ vim mapred-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MapReduce程序运行在Yarn上 -->
<property>
<name>mapreduce.framework.name</name>
<value>yarn</value>
</property>
<!-- 历史服务器端地址 -->
<property>
<name>mapreduce.jobhistory.address</name>
<value>hadoop101:10020</value>
</property>
<!-- 历史服务器web端地址 -->
<property>
<name>mapreduce.jobhistory.webapp.address</name>
<value>hadoop101:19888</value>
</property>
</configuration>
1)配置workers
careate@hadoop101 hadoop]$ vim /opt/module/hadoop/etc/hadoop/workers
在该文件中增加如下内容:
hadoop101
hadoop102
hadoop103
4.2.3 编写集群分发脚本xsync
(a)在/home/careate/bin目录下创建xsync文件
[careate@hadoop101 opt]$ cd /home/careate
[careate@hadoop101 ~]$ mkdir bin
[careate@hadoop101 ~]$ cd bin
[careate@hadoop101 bin]$ vim xsync
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 hadoop101 hadoop102 hadoop103
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 $file does not exists!
fi
done
done
(b)修改脚本 xsync 具有执行权限
[careate@hadoop101 bin]$ chmod +x xsync
(c)将脚本复制到/bin中,以便全局调用
[careate@hadoop101 bin]$ sudo cp xsync /bin/
(d)测试脚本
[careate@hadoop101 ~]$ xsync /home/careate/bin
[careate@hadoop101 bin]$ sudo xsync /bin/xsync
4.2.4 群起集群
1)同步所有节点jdk、hadoop、环境变量文件
[careate@hadoop101 hadoop]$ xsync /opt/module/
xsync /etc/profile.d/my_env.sh
三台节点都执行
source /etc/profile
2)启动集群
(1)如果集群是第一次启动,需要在hadoop101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。)
[careate@hadoop101 ~]$ hdfs namenode -format
(2)启动HDFS
[careate@hadoop101 hadoop-3.1.3]$ sbin/start-dfs.sh
(3)在配置了ResourceManager的节点(hadoop102)启动YARN
[careate@hadoop102 hadoop-3.1.3]$ sbin/start-yarn.sh
(4)Web端查看HDFS的NameNode
(a)浏览器中输入:http://hadoop101:9870
(b)查看HDFS上存储的数据信息
(5)Web端查看YARN的ResourceManager
(a)浏览器中输入:http://hadoop102:8088
(b)查看YARN上运行的Job信息
3)集群基本测试
3)集群基本测试
(1)上传文件到集群
[careate@hadoop101 ~]$ hadoop fs -mkdir /input
[careate@hadoop101 ~]$ hadoop fs -put $HADOOP_HOME/wcinput/word.txt /input
执行WordCount程序
[careate@hadoop101 ~]$ hadoop jar $HADOOP_HOME/share/hadoop/mapreduce/hadoop-mapreduce-examples-3.1.3.jar wordcount /input /output
7)查看日志
http://hadoop101:19888/jobhistory
4.2.5 编写hadoop集群常用脚本
1)查看三台服务器java进程脚本:jpsall
[careate@hadoop101 ~]$ cd /home/careate/bin
[careate@hadoop101 ~]$ vim jpsall
然后输入
#!/bin/bash
for host in hadoop101 hadoop102 hadoop103
do
echo =============== $host ===============
ssh $host jps $@ | grep -v Jps
done
保存后退出,然后赋予脚本执行权限
[careate@hadoop101 bin]$ chmod +x jpsall
2)hadoop集群启停脚本(包含hdfs,yarn,historyserver):myhadoop.sh
[careate@hadoop101 ~]$ cd /home/careate/bin
[careate@hadoop101 ~]$ vim myhadoop.sh
然后输入
#!/bin/bash
if [ $# -lt 1 ]
then
echo "No Args Input..."
exit ;
fi
case $1 in
"start")
echo " =================== 启动 hadoop集群 ==================="
echo " --------------- 启动 hdfs ---------------"
ssh hadoop101 "/opt/module/hadoop/sbin/start-dfs.sh"
echo " --------------- 启动 yarn ---------------"
ssh hadoop102 "/opt/module/hadoop/sbin/start-yarn.sh"
echo " --------------- 启动 historyserver ---------------"
ssh hadoop101 "/opt/module/hadoop/bin/mapred --daemon start historyserver"
;;
"stop")
echo " =================== 关闭 hadoop集群 ==================="
echo " --------------- 关闭 historyserver ---------------"
ssh hadoop101 "/opt/module/hadoop/bin/mapred --daemon stop historyserver"
echo " --------------- 关闭 yarn ---------------"
ssh hadoop102 "/opt/module/hadoop/sbin/stop-yarn.sh"
echo " --------------- 关闭 hdfs ---------------"
ssh hadoop101 "/opt/module/hadoop/sbin/stop-dfs.sh"
;;
*)
echo "Input Args Error..."
;;
esac
保存后退出,然后赋予脚本执行权限
[careate@hadoop101 bin]$ chmod +x myhadoop.sh
3)分发/home/careate/bin目录,保证自定义脚本在三台机器上都可以使用
[careate@hadoop101 ~]$ xsync /home/careate/bin/
第5章 常见错误及解决方案
1)防火墙没关闭、或者没有启动YARN
INFO client.RMProxy: Connecting to ResourceManager at hadoop108/192.168.10.108:8032
2)主机名称配置错误
3)IP地址配置错误
4)ssh没有配置好
5)root用户和careate两个用户启动集群不统一
6)配置文件修改不细心
7)未编译源码
Unable to load native-hadoop library for your platform… using builtin-java classes where applicable
17/05/22 15:38:58 INFO client.RMProxy: Connecting to ResourceManager at hadoop108/192.168.10.108:8032
8)不识别主机名称
java.net.UnknownHostException: hadoop101: hadoop101
at java.net.InetAddress.getLocalHost(InetAddress.java:1475)
at org.apache.hadoop.mapreduce.JobSubmitter.submitJobInternal(JobSubmitter.java:146)
at org.apache.hadoop.mapreduce.Job$10.run(Job.java:1290)
at org.apache.hadoop.mapreduce.Job$10.run(Job.java:1287)
at java.security.AccessController.doPrivileged(Native Method)
at javax.security.auth.Subject.doAs(Subject.java:415)
解决办法:
(1)在/etc/hosts文件中添加192.168.1.102 hadoop101
(2)主机名称不要起hadoop hadoop000等特殊名称
9)DataNode和NameNode进程同时只能工作一个。
0)执行命令不生效,粘贴word中命令时,遇到-和长–没区分开。导致命令失效
解决办法:尽量不要粘贴word中代码。
11)jps发现进程已经没有,但是重新启动集群,提示进程已经开启。原因是在linux的根目录下/tmp目录中存在启动的进程临时文件,将集群相关进程删除掉,再重新启动集群。
12)jps不生效。
原因:全局变量hadoop java没有生效。解决办法:需要source /etc/profile文件。
13)8088端口连接不上
[careate@hadoop101 桌面]$ cat /etc/hosts
注释掉如下代码
#127.0.0.1 localhost localhost.localdomain localhost4 localhost4.localdomain4
#::1 hadoop101
总结
今天这篇文章主要是记录了一下hadoop入门的基础知识,以及搭建了一个完全分布式的集群,并编写一些常用的脚本