大数据之旅--Hadoop入门

内容大纲介绍

• Hadoop框架国内外应用

• Hadoop的架构图

• Hadoop集群环境

• Hadoop集群使用–页面访问

---

一、Hadoop框架国内外应用

• 国外
  • Yahoo的Hadoop机器总节点数目已经超过42000个，有超过10万的核心CPU在运行Hadoop，总的集群存储容量大于350PB，每月提交的作业数目超过1000万个。
  • Yahoo的Hadoop应用主要包括以下几个方面：
    广告系统支持、
    用户行为分析、
    Web搜索支持、
    反垃圾邮件系统、
    个性化推荐
• 国内
  • 阿里巴巴的Hadoop集群大约有3200台服务器，大约30000物理CPU核心，总内存100TB，总的存储容量超过60PB，每天的作业数目超过150000个
  • Hadoop集群主要为电子商务网络平台提供底层的基础计算和存储服务，主要应用包括：
    数据平台系统、
    搜索支撑、
    电子商务数据、
    推荐引擎系统、
    搜索排行榜
• Hadoop的组成
  • HDFS: 分布式存储框架
  • MapReduce: 分布式计算框架
  • Yarn: 任务接收和调度器

二、 Hadoop的架构图

1、Hadoop1.X = HDFS + MapReduce

• HDFS: Hadoop Distributed FileSystem 分布式文件存储系统

• HDFS集群架构解释

  1、namenode: 主节点
    1.管理整个HDFS集群
    2.维护和管理元数据
    
  2、什么是元数据(metadata)?
    答:描述数据的数据就被称之为: 元数据。例如:图书在哪层,哪个区域,哪个书架
    文件的存储路径，大小，时间，权限
    
  3、SecondaryNameNode: 辅助节点→辅助namenode管理元数据的
  
  4、datanode: 从节点
    1.维护和管理源文件
    2.负责数据的读,写操作
    3.定时向namenode报活
  

• MapReduce集群架构解释

  1、JobTracker:主节点
      (1)负责任务的接收
      (2)负责任务的调度
      (3)负责任务的监控
      (4)负责资源的调度和分配
      
  2、TaskTracker: 从节点
  负责接收并执行JobTracker分配过来的计算任务
  
  3、JobTracker的任务过于繁重,容易宕机，
  存在: 单点故障的问题
  

2、Hadoop2.X, 3.X = HDFS + MapReduce + Yarn

• Hadoop2.X，3.X的HDFS和1.X一样（架构解释看1.X的HDFS集群架构解释）

• MapReduce 和Yarn架构解释

  1、ResourceManager : 主节点
      1.负黄任务的接收
      2.负责资源的调度和分配
  2、AppMaster进程:代码级别
  	1个计算任务 = 1个Application Master进程
  	由该AppMaster进程来监控和管理该计算任务
      并负责向ResourceManager 申请资源
  3、nodemanager : 从节点
  	负责接收并执行ResourceManager分配过来的计算任务
  
  	此时已经没有MapReduce集群的概念了，而是代码饭别的程序，即: MR计算任务.
  我们只需要用代码编写MR计算任务，然后交由Yarn调度执行即可
  

3、Hadoop集群高可用模式图解

三、Hadoop集群环境搭建

• 搭建方式

  • 方式1: Standalone mode 单机模式

    把所有的服务(namenode, SecondaryNameNode, datanode, ResourceManager, nodemanager)装到1台机器, 适用于: 学习, 调试.

  • 方式2: Cluster mode 集群模式

    node1: namenode, datanode, ResourceManager, nodemanager

    node2: SecondaryNameNode, datanode, nodemanager

    node3: datanode nodemanager

    

• 使用给的Hadoop集群环境即可.

  1. 把三台虚拟机都恢复到 07-hive安装完成 这个快照.

  2. 设置三台虚拟机的硬件, node1的配置可以稍微高一点.

  3. 启动三台虚拟机, 然后用CRT连接.

     ip分别是: 192.168.88.161, 192.168.88.162, 192.168.88.163

     账号和密码分别是: root, 123456

  4. 在node1中执行 start-all.sh 命令, 即可启动Hadoop集群.

  5. 然后在node1中单独运行 mapred --daemon start historyserver 启动历史服务.

  6. 然后在三台虚拟机中分别输入 jps 查看服务, 具体如下:

     

  7. 之后就可以在浏览器中输入如下的的端口号进行访问了.

     * HDFS的WebUI界面:  192.168.88.161:9870		
     
     ​	细节: 如果是Hadoop2.X, 端口号是: 50070
     
     * Yarn的WebUI界面: 192.168.88.161:8088,  只记录本次启动Hadoop集群至关闭, 所有的计算任务.
     
     * 历史服务的WebUI界面: 192.168.88.161:19888, 记录Hadoop从搭建好至现在, 所有的计算任务.
     

  8. 如果想在浏览器中直接通过 域名的方式直接访问上述的WebUI界面, 则需要配置下: 域名映射.

     # 域名映射的意思是: 我们只写域名, 底层会被自动解析为对应的IP地址.
     
     # Linux系统配置域名映射, 具体步骤如下, 但是不用你做, 我都给你配置好了. 
     vim /etc/hosts
     
     # 在上述文件的最后追加如下的内容
     192.168.88.161 node1 node1.itcast.cn
     192.168.88.162 node2 node2.itcast.cn
     192.168.88.163 node3 node3.itcast.cn
     
     # 保存退出, 然后重启Linux系统即可. 
     
     
     # windows系统 配置域名映射, 具体步骤如下:
     在 C:\Windows\System32\drivers\etc\hosts 文件中, 追加如下的内容:
     
     # HiveCluster
     192.168.88.161 node1.itcast.cn node1
     192.168.88.162 node2.itcast.cn node2
     192.168.88.163 node3.itcast.cn node3
     
     # 保存, 关闭hosts文件, 然后重启windows系统即可. 
     
     # 问: 可能你的C盘的hosts文件不让你修改, 提示权限不够, 怎么办?
     # 答: 把hosts文件拷贝到桌面, 然后进行修改, 改完之后再拖回来, 选择替换即可. 
     

四、Hadoop集群使用–页面访问

配置完域名映射之后，可以把下面IP（192.168.88.161）换成（node1）

1、查看HDFS页面
启动NameNode.连接URL: http://192.168.88.161:9870

2、查看Yarn页面
启动ResourceManager.连接URL：http://192.168.88.161:8088

3、查看已经finished的mapreduce运行日志
启动historyserver.连接URL：http://192.168.88.161:19888