了解了大数据基本知识,现在我们来了解一下Hadoop吧!
2.1 概述
2.1.1 Hadoop简介
Hadoop是Apache软件基金会旗下的一个开源分布式计算平台,为用户提供了系统底层细节透明的分布式基础架构
Hadoop是基于Java语言开发的,具有很好的跨平台特性,并且可以部署在廉价的计算机集群中
Hadoop的核心是分布式文件系统HDFS(Hadoop Distributed File System)和MapReduce
Hadoop被公认为行业大数据标准开源软件,在分布式环境下提供了海量数据的处理能力
几乎所有主流厂商都围绕Hadoop提供开发工具、开源软件、商业化工具和技术服务,如谷歌、雅虎、微软、思科、淘宝等,都支持Hadoop
2.1.2 Hadoop发展简史
Hadoop最初是由Apache Lucene项目的创始人Doug Cutting开发的文本搜索库。Hadoop源自始于2002年的Apache Nutch项目一个开源的网络搜索引擎并且也是Lucene项目的一部分
2004年,Nutch项目也模仿GFS开发了自己的分布式文件系统NDFS(Nutch Distributed File System),也就是HDFS的前身
2004年,谷歌公司又发表了另一篇具有深远影响的论文,阐述了MapReduce分布式编程思想
2005年,Nutch开源实现了谷歌的MapReduce
2006年2月,Nutch中的NDFS和MapReduce开始独立出来,成为Lucene项目的一个子项目,称为Hadoop,同时,Doug Cutting加盟雅虎
2008年1月,Hadoop正式成为Apache顶级项目,Hadoop也逐渐开始被雅虎之外的其他公司使用
2008年4月,Hadoop打破世界纪录,成为最快排序1TB数据的系统,它采用一个由910个节点构成的集群进行运算,排序时间只用了209秒
2009年5月,Hadoop更是把1TB数据排序时间缩短到62秒。Hadoop从此名声大震,迅速发展成为大数据时代最具影响力的开源分布式开发平台,并成为事实上的大数据处理标准
2.1.3 Hadoop特性
Hadoop是一个能够对大量数据进行分布式处理的软件框架,并且是以一种可靠、高效、可伸缩的方式进行处理的,具有以下几个方面的特性:
- 高可靠性
- 高效性
- 高可扩展性
- 高容错性
- 成本低
- 运行在Linux平台上
- 支持多种编程语言
2.1.4 Hadoop应用现状
Hadoop凭借其突出的优势,已经在各个领域得到了广泛的应用,而互联网领域是其应用的主阵地
2007年,雅虎在Sunnyvale总部建立了M45——一个包含了4000个处理器和1.5PB容量的Hadoop集群系统
Facebook作为全球知名的社交网站,Hadoop是非常理想的选择,Facebook主要将Hadoop平台用于日志处理、推荐系统和数据仓库等方面
国内采用Hadoop的公司主要有百度、淘宝、网易、华为、中国移动等,其中,淘宝的Hadoop集群比较大
2.1.5 Apache Hadoop版本演变
Apache Hadoop版本分为两代,我们将第一代Hadoop称为Hadoop 1.0,第二代Hadoop称为Hadoop 2.0
第一代Hadoop包含三个大版本,分别是0.20.x,0.21.x和0.22.x,其中,0.20.x最后演化成1.0.x,变成了稳定版,而0.21.x和0.22.x则增加了NameNode HA等新的重大特性
第二代Hadoop包含两个版本,分别是0.23.x和2.x,它们完全不同于Hadoop 1.0,是一套全新的架构,均包含HDFS Federation和YARN两个系统,相比于0.23.x,2.x增加了NameNode HA和Wire-compatibility两个重大特性
2.1.6 Hadoop各种版本
- Apache Hadoop
- Hortonworks
- Cloudera(CDH:Cloudera Distribution Hadoop)
- MapR
- 等等
选择Hadoop版本的考虑因素:
- 是否开源(即是否免费)
- 是否有稳定版
- 是否经实践检验
- 是否有强大的社区支持
2.2 Hadoop项目结构
Hadoop的项目结构不断丰富发展,已经形成一个丰富的Hadoop生态系统
2.3 Hadoop的安装与使用
2.3.1 Hadoop安装前预备知识
2.3.1.1 Linux的选择
- 选择哪个Linux发行版?
- 在Linux系统各个发行版中,CentOS系统和Ubuntu系统在服务端和桌面端使用占比最高,网络上资料最是齐全,所以建议使用CentOS 或Ubuntu
- 选择32位还是64位?
- 如果电脑比较老或者内存小于2G,那么建议选择32位系统版本的Linux
- 如果内存大于4G,那么建议选择64位系统版本的Linux
2.3.1.2 系统安装方式:选择虚拟机安装还是双系统安装
- 建议电脑比较新或者配置内存4G以上的电脑可以选择虚拟机安装
- 电脑较旧或配置内存小于等于4G的电脑强烈建议选择双系统安装,否则,在配置较低的计算机上运行Linux虚拟机,系统运行速度会非常慢
2.3.1.3 Linux的一些基础知识
- Shell
- 是指“提供使用者使用界面”的软件(命令解析器),类似于DOS下的command和后来的cmd.exe。它接收用户命令,然后调用相应的应用程序
- sudo命令
- •sudo是Linux中一种权限管理机制,管理员可以授权给一些普通用户去执行一些需要root权限执行的操作。当使用sudo命令时,就需要输入您当前用户的密码
- 输入密码
- 在Linux的终端中输入密码,终端是不会显示任何你当前输入的密码,也不会提示你已经输入了多少字符密码,读者不要误以为键盘没有响应
- 输入法中英文切换
- Linux中英文的切换方式是使用键盘“shift”键来切换,也可以点击顶部菜 单的输入法按钮进行切换
- Linux终端复制粘贴快捷键
- 在Ubuntu终端窗口中,复制粘贴的快捷键需要加上 shift,即粘贴是ctrl+shift+v
2.3.1.4 Hadoop安装方式
- 单机模式:Hadoop 默认模式为非分布式模式(本地模式),无需进行其他配置即可运行。非分布式即单 Java 进程,方便进行调试
- 伪分布式模式:Hadoop 可以在单节点上以伪分布式的方式运行,Hadoop 进程以分离的 Java 进程来运行,节点既作为 NameNode 也作为 DataNode,同时,读取的是 HDFS 中的文件
- 分布式模式:使用多个节点构成集群环境来运行Hadoop
2.3.2 安装Linux虚拟机
2.3.3 安装双操作系统
2.3.4 Hadoop的安装与使用
2.3.4.1 创建Hadoop用户
如果安装 Linux 的时候不是用的 “hadoop” 用户,那么需要增加一个名为hadoop 的用户
首先打开终端窗口,输入如下命令创建新用户 :
$ sudo useradd –m hadoop –s /bin/bash
上面这条命令创建了可以登陆的 hadoop 用户,并使用 /bin/bash 作为 shell接着使用如下命令设置密码,可简单设置为 hadoop,按提示输入两次密码:
$ sudo passwd hadoop
可为 hadoop 用户增加管理员权限,方便部署,避免一些对新手来说比较棘手的权限问题:
$ sudo adduser hadoop
#可能首先需要修改文件的权限
sudo vim /etc/sudoers
#进入后找到那一行,按“p”复制,把名字改成“hadoop”
#最后还要把权限修改回来
2.3.4.2 SSH登陆权限设置
SSH是什么?
SSH 为 Secure Shell 的缩写,是建立在应用层和传输层基础上的安全协议。SSH是目前较可靠、专为远程登录会话和其他网络服务提供安全性的协议。利用 SSH协议可以有效防止远程管理过程中的信息泄露问题。SSH最初是UNIX系统上的一个程序,后来又迅速扩展到其他操作平台。 SSH是由客户端和服务端的软件组成,服务端是一个守护进程(daemon),它在后台运行并响应来自客户端的连接请求,客户端包含ssh程序以及像scp(远程拷贝)、slogin(远程登陆)、sftp(安全文件传输)等其他的应用程序
配置SSH的原因
Hadoop名称节点(NameNode)需要启动集群中所有机器的Hadoop守护进程,这个过程需要通过SSH登录来实现。Hadoop并没有提供SSH输入密码登录的形式,因此,为了能够顺利登录每台机器,需要将所有机器配置为名称节点可以无密码登录它们
2.3.4.3 安装Java环境
Java环境可选择 Oracle 的 JDK,或是 OpenJDK
在Ubuntu中直接通过命令安装 OpenJDK 8
$ sudo apt-get install openjdk-8-jre openjdk-8-jdk
在CentOS中直接通过命令安装 OpenJDK 8
$ sudo yum install java-1.8.0-openjdk java-1.8.0-openjdk-devel
还需要配置一下 JAVA_HOME 环境变量
或者直接把jdk压缩包通过finalshell放到etc/java下,解压即可
配置环境变量:
进入文件后在最下面输入:
保存退出
随后重置文件使其生效,然后检查Java版本看是否成功
2.3.4.4 单机安装配置
直接把Hadoop压缩包通过finalshell放到 /usr/local/下,解压即可
$cd /usr/local/
$ tar -zxf /hadoop-3.2.1.tar.gz -C /usr/local # 解压到/usr/local中
$sudo mv ./hadoop-3.2.1/ ./hadoop # 将文件夹名改为hadoop
$sudo chown -R hadoop:hadoop ./hadoop # 修改文件权限
Hadoop解压后即可使用,输入以下命令看是否可用:
$ cd /usr/local/hadoop
$./bin/hadoop version
Hadoop 默认模式为非分布式模式(本地模式),无需进行其他配置即可运行。
2.3.4.5 伪分布式安装配置
Hadoop 可以在单节点上以伪分布式的方式运行,Hadoop 进程以分离的Java 进程来运行,节点既作为 NameNode 也作为 DataNode,同时,读取的是 HDFS 中的文件
Hadoop 的配置文件位于 /usr/local/hadoop/etc/hadoop/ 中,伪分布式需要修改2个配置文件 core-site.xml 和 hdfs-site.xml
Hadoop的配置文件是 xml 格式,每个配置以声明 property 的 name和 value 的方式来实现
修改配置文件core-site.xml
<configuration>
<property>
<name>hadoop.tmp.dir</name>
<value>file:/usr/local/hadoop/tmp</value>
<description>Abase for other temporary directories.</description>
</property>
<property>
<name>fs.defaultFS</name>
<value>hdfs://localhost:9000</value>
</property>
</configuration>
hadoop.tmp.dir表示存放临时数据的目录,即包括NameNode的数据,也包括DataNode的数据。该路径任意指定,只要实际存在该文件夹即可
name为fs.defaultFS的值,表示hdfs路径的逻辑名称
修改配置文件hdfs-site.xml
<configuration>
<property>
<name>dfs.replication</name>
<value>1</value>
</property>
<property>
<name>dfs.namenode.name.dir</name>
<value>file:/usr/local/hadoop/tmp/dfs/name</value>
</property>
<property>
<name>dfs.datanode.data.dir</name>
<value>file:/usr/local/hadoop/tmp/dfs/data</value>
</property></configuration>
dfs.replication表示副本的数量,伪分布式要设置为1 dfs.namenode.name.dir表示本地磁盘目录,是存储fsimage文件的地方 dfs.datanode.data.dir表示本地磁盘目录,HDFS数据存放block的地方
三种shell命令的区别:
hadoop fs适用于任何不同的文件系统,比如本地文件系统和HDFS文件系统 hadoop dfs只能适用于HDFS文件系统 hdfs dfs跟hadoop dfs的命令作用一样,也只能适用于HDFS文件系统
2.4 Hadoop集群的部署与使用
2.4.1 Hadoop集群中有哪些节点类型
Hadoop框架中最核心的设计是为海量数据提供存储的HDFS和对数据进行计 算的MapReduce
MapReduce的作业主要包括:
- 从磁盘或从网络读取数据,即IO密集工作
- 计算数据,即CPU密集工作
Hadoop集群的整体性能取决于CPU、内存、网络以及存储之间的性能平衡。 因此运营团队在选择机器配置时要针对不同的工作节点选择合适硬件类型
一个基本的Hadoop集群中的节点主要有:
- NameNode:负责协调集群中的数据存储
- DataNode:存储被拆分的数据块
- JobTracker:协调数据计算任务
- TaskTracker:负责执行由JobTracker指派的任务
- SecondaryNameNode:帮助NameNode收集文件系统运行的状态信息
2.4.2 集群硬件配置
在集群中,大部分的机器设备是作为Datanode和TaskTracker工作的 Datanode/TaskTracker的硬件规格可以采用以下方案:
- 4个磁盘驱动器(单盘1-2T),支持JBOD(Just a Bunch Of Disks,磁盘簇)
- 2个4核CPU,至少2-2.5GHz
- 16-24GB内存
- 千兆以太网
NameNode提供整个HDFS文件系统的NameSpace(命名空间)管理、块管理等所有服务,因此需要更多的RAM,与集群中的数据块数量相对应,并且需要优化RAM的内存通道带宽,采用双通道或三通道以上内存。硬件规格可以采用以下方案:
- 8-12个磁盘驱动器(单盘1-2T)
- 2个4核/8核CPU
- 16-72GB内存
- 千兆/万兆以太网
SecondaryNameNode在小型集群中可以和NameNode共用一台机器,较大的群集可以采用与NameNode相同的硬件
2.4.3 集群规模要多大
Hadoop集群规模可大可小,初始时,可以从一个较小规模的集群开始,比如包含10个节点,然后,规模随着存储器和计算需求的扩大而扩大
如果数据每周增大1TB,并且有三个HDFS副本,然后每周需要一个额外的3TB作为原始数据存储。要允许一些中间文件和日志(假定30%)的空间,由此,可以算出每周大约需要增加一台新机器。存储两年数据的集群,大约需要100台机器
对于一个小的集群,名称节点(NameNode)和JobTracker运行在单个节点上,通常是可以接受的。但是,随着集群和存储在HDFS中的文件数量的增加,名称节点需要更多的主存,这时,名称节点和JobTracker就需要运行在不同的节点上
第二名称节点(SecondaryNameNode)会和名称节点可以运行在相同的机器上,但是,由于第二名称节点和名称节点几乎具有相同的主存需求,因此,二者最好运行在不同节点上
2.4.4 集群网络拓扑
普通的Hadoop集群结构由一个两阶网络构成
每个机架(Rack)有30-40个服务器,配置一个1GB的交换机,并向上传输到一个核心交换机或者路由器(1GB或以上)
在相同的机架中的节点间的带宽的总和,要大于不同机架间的节点间的 带宽总和
2.4.5 集群的建立与安装
采购好相关的硬件设备后,就可以把硬件装入机架,安装并运行Hadoop安装Hadoop有多种方法:
- 手动安装
- 自动化安装
- 为了缓解安装和维护每个节点上相同的软件的负担,可以使用一个自动化方法实现完全自动化安装,比如Red Hat Linux’ Kickstart、Debian或者Docker
- 自动化安装部署工具,会通过记录在安装过程中对于各个选项的回答来 完成自动化安装过程
2.4.6 Hadoop集群基准测试
如何判断一个Hadoop集群是否已经正确安装?可以运行基准测试
Hadoop自带有一些基准测试程序,被打包在测试程序JAR文件中
用TestDFSIO基准测试,来测试HDFS的IO性能
用排序测试MapReduce:Hadoop自带一个部分排序的程序,这个测试过程的整个数据集都会通过洗牌(Shuffle)传输至Reducer,可以充分测试MapReduce的性能
2.4.7 在云计算环境中使用Hadoop
Hadoop不仅可以运行在企业内部的集群中,也可以运行在云计算环境中
可以在Amazon EC2中运行Hadoop。EC2是一个计算服务,允许客户租用计算机(实例),来运行自己的应用。客户可以按需运行或终止实例,并且按照实际使用情况来付费
Hadoop自带有一套脚本,用于在EC2上面运行Hadoop
在EC2上运行Hadoop尤其适用于一些工作流。例如,在Amazon S3中存储数据,在EC2上运行集群,在集群中运行MapReduce作业,读取存储在S3中的数据,最后,在关闭集群之前将输出写回S3中;如果长期使用集群,复制S3数据到运行在EC2上的HDFS中,则可以使得数据处理更加高效,因为,HDFS可以充分利用数据的位置,S3则做不到,因为,S3与EC2的存储不在同一个节点上
2.5 本章小结
-
Hadoop被视为事实上的大数据处理标准,本章介绍了Hadoop的发展历程,并阐述了Hadoop的高可靠性、高效性、高可扩展性、高容错性、成本低、运行在Linux平台上、支持多种编程语言等特性
-
Hadoop目前已经在各个领域得到了广泛的应用,雅虎、Facebook、百度、淘宝、网易等公司都建立了自己的Hadoop集群
-
经过多年发展,Hadoop项目已经变得非常成熟和完善,包括Common、Avro、Zookeeper、HDFS、MapReduce、HBase、Hive、Chukwa、Pig等子项目,其中,HDFS和MapReduce是Hadoop的两大核心组件
-
本章最后介绍了如何在Linux系统下完成Hadoop的安装和配置,这个部分是后续章节实践环节的基础