Apache Hadoop--集群部署_apache hadoop部署-CSDN博客

本文链接：https://blog.csdn.net/weixin_46027122/article/details/139746408

知识点01：Apache Hadoop–概述与起源发展

1.1、Hadoop介绍

狭义上：hadoop指的是Apache一款java开源软件，是一个大数据分析处理平台。
- Hadoop HDFS：分布式文件系统。解决了海量数据存储问题。
  Hadoop Distributed File System (HDFS™)
- Hadoop MapReduce：分布式计算框架。解决海量数据计算问题。
  parallel processing of large data sets.
- Hadoop YARN：集群资源管理和任务调度。
  A framework for job scheduling and cluster resource management.
```
#资源指的是和程序运行相关的硬件资源
cpu ram内存

#任务调度
集群资源繁忙的时候 如何分配资源给各个程序  调度
调度的关键是策略：先来后到  权重
```
广义上：Hadoop指的是hadoop生态圈。
提供了大数据的几乎所有软件。
采集、存储、导入、分析、挖掘、可视化、管理…

1.2、Hadoop起源发展

Hadoop之父–Doug Cutting 卡大爷
起源项目Apache Nutch。致力于构建一个全网搜索引擎。
1、爬取互联网网页 —>存储在哪里？海量数据存储问题
```
2、基于网页创建倒排索引。--->如何计算？  海量数据计算问题
```
Google也在做搜索，也遇到这些问题，内部解决了。
- google不想开源软件，但是又憋的难受，怕被人不知道，写论文发表。
- 前后写了3篇论文（谷歌是使用c实现的）。
  谷歌分布式文件系统（GFS）------>HDFS
  谷歌版MapReduce 系统------>Hadoop MapReduce
  bigtable---->HBase
- 基于论文的影响 Nutch团队实现了相应的java版本开源组件。
Nutch团队把HDFS和MapReduce抽取独立成为单独软件在2008年贡献给了Apache。开源。
Doug Cutting 看到他儿子在牙牙学语时，抱着黄色小象，亲昵的叫hadoop，他灵光一闪，就把这技术命名为 Hadoop，而且还用了黄色小象作为标示 Logo。

知识点02：Apache Hadoop–特性优点（分布式、通用、简单易用）

分布式、扩容能力
不再注重单机能力看中的是集群的整体能力。
动态扩容、缩容。
成本低
在集群下单机成本很低可以是普通服务器组成集群
意味着大数据处理不一定需要超级计算机。
高效率并发能力
可靠性

通用性
#技术是相同的业务不相同的
#hadoop精准区分技术和业务。

做什么?(what need to do)---->业务问题（20%）
怎么做?(how to do)----->技术问题（80%）

Hadoop把技术实现了 用户负责业务问题。

原来大数据这么简单 可以这么玩。

知识点03：Apache Hadoop–发行版本与自身版本发展

3.1、发行版本

官方社区版本 Apache基金会官方
- 版本新功能最全的
- 不稳定兼容性需要测试 bug多
商业版本商业公司在官方版本之上进行商业化发行。著名：Cloudera、hotonWorks、MapR
- 稳的一批兼容性极好技术支持本地化支持一键在线安装
- 版本不一定是最新的辅助工具软件需要收费
  Cloudera发行的hadoop生态圈软件叫做CDH版本。
  Cloudera’s Distribution Including Apache Hadoop。
```
https://www.cloudera.com/products/open-source/apache-hadoop/key-cdh-components.html

Hortonworks Data Platform (HDP)
```
本课程中使用的是Apache 3.3.0版本。

3.2、Hadoop本身版本变化

hadoop 1.x
只有hdfs mapreduce. 架构过于垃圾性能不高当下企业中没人使用了。
hadoop 2.x
hdfs MapReduce yarn.
hadoop 3.x
架构和2一样性能做了优化

知识点04：Apache Hadoop–集群架构与集群角色介绍

通常是有hdfs集群和yarn集群组成。两个集群都是标准的主从架构集群。
两个集群逻辑上分离物理上在一起。
HDFS集群：解决了海量数据存储分布式存储系统
- 主角色：namenode（NN）
- 从角色：datanode（DN）
- 主角色辅助角色"秘书角色"：secondarynamenode （SNN）
YARN集群：集群资源管理任务调度
- 主角色：resourcemanager（RM）
- 从角色：nodemanager（NM）

知识点05：Apache Hadoop–集群部署–Hadoop安装部署模式

单机模式 Standalone
一台机器，所有的角色在一个java进程中运行。适合体验。
伪分布式
一台机器每个角色单独的java进程。适合测试
分布式 cluster
多台机器每个角色运行在不同的机器上生产测试都可以
高可用（持续可用）集群 HA
在分布式的模式下给主角色设置备份角色实现了容错的功能解决了单点故障
保证集群持续可用性。

知识点06：Apache Hadoop–集群部署–了解源码编译

https://archive.apache.org/dist/

Apache软件基金会的所有软件所有版本的下载地址.

源码下载地址
https://archive.apache.org/dist/hadoop/common/

hadoop-3.3.0-src.tar.gz    source 源码包
hadoop-3.3.0.tar.gz        官方编译后安装包

对应java语言开发的项目软件来说，所谓的编译是什么？
xxx.java(源码)---->xxx.class(字节码)---->jar包
正常来说，官方网站提供了安装包，可以直接使用，为什么要自己编译呢？
- 修改源码之后需要重新编译。
- 官方提供的最大化编译满足在各个平台运行，但是不一定彻底兼容本地环境。
- 某些软件，官方只提供源码。
  native library 本地库。
  官方编译好的 Hadoop的安装包没有提供带 C程序访问的接口。主要是本地压缩支持、IO支持。
怎么编译？
在源码的根目录下有编译相关的文件BUILDING.txt 指导如何编译。
使用maven进行编译联网jar.
可以使用课程提供编译好的安装包
hadoop-3.3.0-Centos7-64-with-snappy.tar.gz

知识点07：Apache Hadoop–集群部署–集群规划

Hadoop集群的规划
- 根据软件和硬件的特性合理的安排各个角色在不同的机器上。
  - 有冲突的尽量不部署在一起
  - 有工作依赖尽量部署在一起
  - nodemanager 和datanode是基友
    node1: namenode datanode | resourcemanager nodemanger
    node2: datanode secondarynamenode| nodemanger
    node3: datanode | nodemanger
- Q：如果后续需要扩容hadoop集群，应该增加哪些角色呢？
  node4: datanode nodemanger
  node5: datanode nodemanger
  node6: datanode nodemanger
  …

知识点08：Apache Hadoop–集群部署–服务器基础环境准备

8.1、服务器基础环境准备

ip、主机名
hosts映射 别忘了windows也配置
防火墙关闭
时间同步
免密登录  node1---->node1 node2 node3
JDK安装

8.2、安装包目录结构

#上传安装包到/export/server 解压

 bin    #hadoop核心脚本 最基础最底层脚本
 etc    #配置目录
 include
 lib
 libexec
 LICENSE.txt
 NOTICE.txt
 README.txt
 sbin  #服务启动 关闭 维护相关的脚本
 share #官方自带实例  hadoop相关依赖jar

知识点09：Apache Hadoop–集群部署–配置文件详解

官网文档：https://hadoop.apache.org/docs/r3.3.0/

第一类 1个 hadoop-env.sh
第二类 4个 core|hdfs|mapred|yarn-site.xml
site表示的是用户定义的配置，会覆盖default中的默认配置。
- core-site.xml 核心模块配置
- hdfs-site.xml hdfs文件系统模块配置
- mapred-site.xml MapReduce模块配置
- yarn-site.xml yarn模块配置
第三类 1个 workers

知识点10：Apache Hadoop–集群部署–scp同步、环境变量配置

scp安装包到其他机器
cd /export/server

scp -r hadoop-3.3.0 root@node2:$PWD
scp -r hadoop-3.3.0 root@node3:$PWD

Hadoop环境变量配置
vim /etc/profile

export HADOOP_HOME=/export/server/hadoop-3.3.0
export PATH=$PATH:$HADOOP_HOME/bin:$HADOOP_HOME/sbin

source /etc/profile

#别忘了 scp环境变量给其他两台机器哦

知识点11：Apache Hadoop–集群部署–namenode format操作

format准确来说翻译成为初始化比较好。对namenode工作目录、初始文件进行生成。

通常在namenode所在的机器执行执行一次。首次启动之前
#在node1 部署namenode的这台机器上执行

hadoop namenode -format

#执行成功 日志会有如下显示
21/05/23 15:38:19 INFO common.Storage: Storage directory /export/data/hadoopdata/dfs/name has been successfully formatted.

[root@node1 server]# ll /export/data/hadoopdata/dfs/name/current/
total 16
-rw-r--r-- 1 root root 321 May 23 15:38 fsimage_0000000000000000000
-rw-r--r-- 1 root root  62 May 23 15:38 fsimage_0000000000000000000.md5
-rw-r--r-- 1 root root   2 May 23 15:38 seen_txid
-rw-r--r-- 1 root root 207 May 23 15:38 VERSION

Q：如果不小心初始化了多次，如何？
- 现象：主从之间互相不识别。
- 解决
  #企业真实环境中枪毙
```
#学习环境
删除每台机器上hadoop.tmp.dir配置指定的文件夹/export/data/hadoop-3.3.0。 
重新format。
```

知识点12：Apache Hadoop–集群启停–命令与状态日志查看

12.1、单节点单进程逐个手动启动

HDFS集群
#hadoop2.x版本命令
hadoop-daemon.sh start|stop namenode|datanode|secondarynamenode
```
#hadoop3.x版本命令
hdfs --daemon start|stop namenode|datanode|secondarynamenode
```
YARN集群
#hadoop2.x版本命令
yarn-daemon.sh start|stop resourcemanager|nodemanager
```
#hadoop3.x版本命令
yarn --daemon start|stop resourcemanager|nodemanager
```
优点：精准的控制每个角色每个进程的启停。避免了群起群停（时间成本）。

12.2、脚本一键启动

前提：配置好免密登录。ssh
ssh-copy-id node1.itcast.cn
ssh-copy-id node2.itcast.cn
ssh-copy-id node3.itcast.cn
HDFS集群
start-dfs.sh
stop-dfs.sh
YARN集群
start-yarn.sh
stop-yarn.sh

更狠的
start-all.sh
stop-all.sh

[root@node1 ~]# start-all.sh 
This script is Deprecated. Instead use start-dfs.sh and start-yarn.sh

12.3、集群进程确认和错误排查

确认是否成功
[root@node1 ~]# jps
8000 DataNode
8371 NodeManager
8692 Jps
8264 ResourceManager
7865 NameNode
如果进程不在看启动运行日志！！！！！！！！！！！！！
#默认情况下日志目录
cd /export/server/hadoop-3.3.0/logs/
```
#注意找到对应进程名字 以log结尾的文件
```

知识点13：Apache Hadoop–Web UI页面

Hadoop Web UI页面
- HDFS集群 http://namenode_host:9870
- YARN集群 http://resourcemanager_host:8088
  http://node1:9870/dfshealth.html#tab-overview

知识点14：Apache Hadoop–初体验

14.1、初体验之HDFS

本质就是存储文件的和标准文件系统一样吗？
- 也是有目录树结构，也是从根目录开始的。
- 文件是文件、文件夹是文件夹（对于zk来说）
- 和linux很相似
- 上传小文件好慢。为什么慢？和分布式有没有关系？

14.2、体验之MapReduce+yarn

MapReduce是分布式程序 yarn是资源管理给程序提供运算资源。 Connecting to ResourceManager
[root@node1 mapreduce]# pwd
/export/server/hadoop-3.3.0/share/hadoop/mapreduce
```
hadoop jar hadoop-mapreduce-examples-3.3.0.jar pi  2 2
```
MR程序运行首先连接YRAN ResourceManager，连接它干什么的？要资源。
MR程序好像是两个阶段，先Map 再Reduce。
数据量这么小的情况下，为什么MR这么慢？ MR适合处理大数据场景还是小数据场景？

知识点15：Apache Hadoop–jobhistory服务配置与功能

背景
默认情况下，yarn上关于MapReduce程序执行历史信息、执行记录不会永久存储；
一旦yarn集群重启之前的信息就会消失。
功能
保存yarn上已经完成的MapReduce的执行信息。

配置

因为需求修改配置。重启hadoop集群才能生效。
vim mapred-site.xml

<property>
	<name>mapreduce.jobhistory.address</name>
	<value>node1:10020</value>
</property>

<property>
	<name>mapreduce.jobhistory.webapp.address</name>
	<value>node1:19888</value>
</property>

scp同步给其他机器
scp /export/server/hadoop-3.3.0/etc/hadoop/mapred-site.xml node2:/export/server/hadoop-3.3.0/etc/hadoop/
```
scp /export/server/hadoop-3.3.0/etc/hadoop/mapred-site.xml node3:/export/server/hadoop-3.3.0/etc/hadoop/
```
重启hadoop集群

自己手动启停jobhistory服务。
#hadoop2.x版本命令
mr-jobhistory-daemon.sh start|stop historyserver

#hadoop3.x版本命令
mapred --daemon start|stop historyserver

[root@node1 ~]# jps
13794 JobHistoryServer
13060 DataNode
12922 NameNode
13436 NodeManager
13836 Jps
13327 ResourceManager

知识点16：Apache Hadoop–HDFS垃圾桶机制

背景：垃圾桶在windows叫做回收站
在默认情况下 hdfs没有垃圾桶意味着删除操作直接物理删除文件。
```
[root@node1 ~]# hadoop fs -rm /itcast/1.txt
Deleted /itcast/1.txt
```
功能：和回收站一种在删除数据的时候先去垃圾桶如果后悔可以复原。

配置
在core-site.xml中开启垃圾桶机制

指定保存在垃圾桶的时间。单位分钟

<property>
	<name>fs.trash.interval</name>
	<value>1440</value>
</property>

集群同步配置重启hadoop服务。
[root@node1 hadoop]# pwd
/export/server/hadoop-3.3.0/etc/hadoop
[root@node1 hadoop]# scp core-site.xml node2: $KaTeX parse error: Expected 'EOF', got '#' at position 125: \dotst@node1 hadoop]#̲ scp core-site.\dots$ PWD
core-site.xml
垃圾桶使用
- 配置好之后再删除文件直接进入垃圾桶
  [root@node1 ~]# hadoop fs -rm /itcast.txt
  INFO fs.TrashPolicyDefault: Moved: ‘hdfs://node1:8020/itcast.txt’ to trash at: hdfs://node1:8020/user/root/.Trash/Current/itcast.txt
垃圾桶的本质就是hdfs上的一个隐藏目录。
hdfs://node1:8020/user/用户名/.Trash/Current
后悔了需要恢复怎么做？
hadoop fs -cp /user/root/.Trash/Current/itcast.txt /

就想直接删除文件怎么做？
hadoop fs -rm -skipTrash /itcast.txt

  [root@node1 ~]#  hadoop fs -rm -skipTrash /itcast.txt
  Deleted /itcast.txt

今日作业

复习讲义，课堂笔记
搭建Hadoop集群
预先Hadoop HDFS
- 本质就是文件系统和linux很类似学习成本使用成本很低
- 其次是分布式的文件系统分布式使得它的底层原理特性很多。

Hadoop配置文件参考

hadoop-env.sh
#java home
export JAVA_HOME=/export/server/jdk1.8.0_241

#Hadoop各个组件启动运行身份
export HDFS_NAMENODE_USER=root
export HDFS_DATANODE_USER=root
export HDFS_SECONDARYNAMENODE_USER=root
export YARN_RESOURCEMANAGER_USER=root
export YARN_NODEMANAGER_USER=root

core-site.xml

fs.defaultFS
hdfs://node1:8020

<!-- 设置Hadoop本地保存数据路径 -->
<property>
    <name>hadoop.tmp.dir</name>
    <value>/export/data/hadoop-3.3.0</value>
</property>

<!-- 设置HDFS web UI用户身份 -->
<property>
    <name>hadoop.http.staticuser.user</name>
    <value>root</value>
</property>

<!-- 整合hive 用户代理设置 -->
<property>
    <name>hadoop.proxyuser.root.hosts</name>
    <value>*</value>
</property>

<property>
    <name>hadoop.proxyuser.root.groups</name>
    <value>*</value>
</property>
<!-- 文件系统垃圾桶保存时间 单位：分 -->
<property>
    <name>fs.trash.interval</name>
    <value>1440</value>
</property>

hdfs-site.xml

dfs.namenode.secondary.http-address
node2:9868

mapred-site.xml

mapreduce.framework.name
yarn

<!-- MR程序历史服务器端地址 -->
<property>
  <name>mapreduce.jobhistory.address</name>
  <value>node1:10020</value>
</property>
 
<!-- 历史服务器web端地址 -->
<property>
  <name>mapreduce.jobhistory.webapp.address</name>
  <value>node1:19888</value>
</property>

<property>
  <name>yarn.app.mapreduce.am.env</name>
  <value>HADOOP_MAPRED_HOME=${HADOOP_HOME}</value>
</property>

<property>
  <name>mapreduce.map.env</name>
  <value>HADOOP_MAPRED_HOME=${HADOOP_HOME}</value>
</property>

<property>
  <name>mapreduce.reduce.env</name>
  <value>HADOOP_MAPRED_HOME=${HADOOP_HOME}</value>
</property>

yarn-site.xml

yarn.resourcemanager.hostname
node1

<property>
    <name>yarn.nodemanager.aux-services</name>
    <value>mapreduce_shuffle</value>
</property>

<!-- 是否将对容器实施物理内存限制 -->
<property>
    <name>yarn.nodemanager.pmem-check-enabled</name>
    <value>false</value>
</property>

<!-- 是否将对容器实施虚拟内存限制。 -->
<property>
    <name>yarn.nodemanager.vmem-check-enabled</name>
    <value>false</value>
</property>

<!-- 开启日志聚集 -->
<property>
  <name>yarn.log-aggregation-enable</name>
  <value>true</value>
</property>

<!-- 设置yarn历史服务器地址 -->
<property>
    <name>yarn.log.server.url</name>
    <value>http://node1:19888/jobhistory/logs</value>
</property>

<!-- 日志保存的时间 7天 -->
<property>
  <name>yarn.log-aggregation.retain-seconds</name>
  <value>604800</value>
</property>