第 1 章 Hadoop 概述
1.1 Hadoop 是什么
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。
1.2 Hadoop 发展历史(了解)
Hadoop发展历史
1)Hadoop创始人Doug Cutting,为了实现与Google类似的全文搜索功能,他在Lucene框架基础上进行优
化升级,查询引擎和索引引擎。
Hadoop创始人Doug Cutting
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框架面对与Google同样的困难,存储海量数据困难,检索海量速度慢
- 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
1.3 Hadoop 三大发行版本(了解)
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。2006 Cloudera 内部集成了很多大数据框架,对应产品 CDH。2008 Hortonworks 文档较好,对应产品 HDP。2011
Hortonworks 现在已经被 Cloudera 公司收购,推出新的品牌 CDP。
1)Apache Hadoop
官网地址:http://hadoop.apache.org 下载地址:https://hadoop.apache.org/releases.html
2)Cloudera Hadoop
官网地址:https://www.cloudera.com/downloads/cdh 下载地址:https://docs.cloudera.com/documentation/enterprise/6/release- notes/topics/rg_cdh_6_download.html
(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)2018 年 Hortonworks 目前已经被 Cloudera 公司收购。
1.4 Hadoop 优势(4 高)
Hadoop优势(4高)
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。
双11、618可以动态增加服务器
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。
单台服务 器工作
4)高容错性:能够自动将失败的任务重新分配。
1.5 Hadoop 组成(面试重点)
Hadoop1.x、2.x、3.x区别
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 。
Hadoop3.x在组成上没 有变化。
1.5.1 HDFS 架构概述
Hadoop Distributed File System,简称 HDFS,是一个分布式文件系统。
HDFS架构概述
1)NameNode(nn):存储文件的元数据,如文件名,文件目录结构数、文件权限),以及每个文件的块列表和块所在的DataNode等。
2)DataNode(dn):在本地数据的校验和。
nn):每隔一段时间对NameNode元数据备份。
1.5.2 YARN 架构概述
Yet Another Resource Negotiator 简称 YARN ,另一种资源协调者,是 Hadoop 的资源管理器。
YARN架构概述
1.5.3 MapReduce 架构概述
MapReduce 将计算过程分为两个阶段:Map 和 Reduce 1)Map 阶段并行处理输入数据
2)Reduce 阶段对 Map 结果进行汇总
1.5.3 MapReduce架构概述
1.5.4 HDFS、YARN、MapReduce 三者关系
HDFS、YARN、MapReduce三者关系
1.6 大数据技术生态体系
大数据技术生态体系
涉及的技术名词解释如下:
1)Sqoop:Sqoop 是一款开源的工具,主要用于在 Hadoop、Hive 与传统的数据库(MySQL) 间进行数据的传递,可以将一个关系型数据库(例如 :MySQL,Oracle 等)中的数据导进 到 Hadoop 的 HDFS 中,也可以将 HDFS 的数据导进到关系型数据库中。
2)Flume:Flume 是一个高可用的,高可靠的,分布式的海量日志采集、聚合和传输的系统,
Flume 支持在日志系统中定制各类数据发送方,用于收集数据;
3)Kafka:Kafka 是一种高吞吐量的分布式发布订阅消息系统;
4)Spark:Spark 是当前最流行的开源大数据内存计算框架。可以基于 Hadoop 上存储的大数 据进行计算。
5)Flink:Flink 是当前最流行的开源大数据内存计算框架。用于实时计算的场景较多。
6)Oozie:Oozie 是一个管理 Hadoop 作业(job)的工作流程调度管理系统。
7)Hbase:HBase 是一个分布式的、面向列的开源数据库。HBase 不同于一般的关系数据库, 它是一个适合于非结构化数据存储的数据库。
8)Hive:Hive 是基于 Hadoop 的一个数据仓库工具,可以将结构化的数据文件映射为一张 数据库表,并提供简单的 SQL 查询功能,可以将 SQL 语句转换为 MapReduce 任务进行运 行。其优点是学习成本低,可以通过类 SQL 语句快速实现简单的 MapReduce 统计,不必开 发专门的 MapReduce 应用,十分适合数据仓库的统计分析。 9)ZooKeeper:它是一个针对大型分布式系统的可靠协调系统,提供的功能包括:配置维护、 名字服务、分布式同步、组服务等。
1.7 推荐系统框架图
推荐系统项目框架
第 2 章 Hadoop 运行环境搭建(开发重点)
2.1 模板虚拟机环境准备
0)安装模板虚拟机,IP地址 192.168.10.100**、主机名称** hadoop100**、内存** 4G**、**硬盘50G,nat模式
1)hadoop100 虚拟机配置要求如下(本文 Linux 系统全部以 CentOS-7.5-x86-1804 为例)
(1)使用 yum 安装需要虚拟机可以正常上网,yum 安装前可以先测试下虚拟机联网情况
[root@hadoop100 ~]# ping www.baidu.com
PING www.a.shifen.com (110.242.68.4) 56(84) bytes of data.
64 bytes from 110.242.68.4 (110.242.68.4): icmp_seq=1 ttl=128 time=22.1 ms
64 bytes from 110.242.68.4 (110.242.68.4): icmp_seq=2 ttl=128 time=24.5 ms
64 bytes from 110.242.68.4 (110.242.68.4): icmp_seq=3 ttl=128 time=37.5 ms
(2)安装 epel-release
注:Extra Packages for Enterprise Linux 是为“红帽系”的操作系统提供额外的软件包, 适用于 RHEL、CentOS 和 Scientific Linux。相当于是一个软件仓库,大多数 rpm 包在官方 repository 中是找不到的)
[root@hadoop100 ~]# yum install -y epel-release
如果安装yum过程中有下面报错:
Another app is currently holding the yum lock; waiting for it to exit…
另一个应用程序是:PackageKit
内存: 30 M RSS (445 MB VSZ)
已启动: Wed Dec 22 13:40:31 2021 - 00:40之前
状态 :睡眠中,进程ID:3109
Another app is currently holding the yum lock; waiting for it to exit…
执行命令:
rm -f /var/run/yum.pid
(3)注意:如果 Linux 安装的是最小系统版,还需要安装如下工具;如果安装的是 Linux
在这里我们使用的是标准版
桌面标准版,不需要执行如下操作
➢ net-tool:工具包集合,包含 ifconfig 等命令
[root@hadoop100 ~]# yum install -y net-tools
➢ vim:编辑器
[root@hadoop100 ~]# yum install -y vim
2)关闭防火墙,关闭防火墙开机自启
[root@hadoop100 ~]# systemctl stop firewalld
[root@hadoop100 ~]# systemctl disable firewalld.service
注意:在企业开发时,通常单个服务器的防火墙时关闭的。公司整体对外会设置非常安全的防火墙
3)创建 xikuang 用户,并修改 xikuang 用户的密码
这一步模板机里面已经有了,可跳过
[root@hadoop100 ~]# useradd xikuang
[root@hadoop100 ~]# passwd 000000
4)配置 xikuang 用户具有 root 权限,方便后期加 sudo 执行 root 权限的命令
这一步模板机里面已经有了,可跳过
[root@hadoop100 ~]# vim /etc/sudoers
修改/etc/sudoers 文件,在%wheel 这行下面添加一行,如下所示:
## Allow root to run any commands anywhere
root ALL=(ALL) ALL
## Allows people in group wheel to run all commands
%wheel ALL=(ALL) ALL
xikuang ALL=(ALL) NOPASSWD:ALL
注意:xikuang 这一行不要直接放到 root 行下面,因为所有用户都属于 w heel 组,你先 配置了 xikuang 具有免密功能,但是程序执行到%wheel 行时,该功能又被覆盖回需要 密码。所以 xikuang 要放到%w heel 这行下面。
5)在/opt 目录下创建文件夹,并修改所属主和所属组
这一步模板机里面已经有了,可跳过
(1)在/opt 目录下创建 module、software 文件夹
[root@hadoop100 ~]# mkdir /opt/module
[root@hadoop100 ~]# mkdir /opt/software
(2)修改 module、software 文件夹的所有者和所属组均为 xikuang 用户
模板机里面已经有了,可以跳过
[root@hadoop100 ~]# chown xikuang:xikuang /opt/module
[root@hadoop100 ~]# chown xikuang:xikuang /opt/software
(3)查看 module、software 文件夹的所有者和所属组
模板机里面已经有了,可以跳过
[root@hadoop100 ~]# cd /opt/
[root@hadoop100 opt]# ll
总用量 12
drwxr-xr-x. 2 xikuang xikuang 4096 5 月 28 17:18 module
drwxr-xr-x. 2 root root 4096 9 月 7 2017 rh
drwxr-xr-x. 2 xikuang xikuang 4096 5 月 28 17:18 software
6)卸载虚拟机自带的 JDK
注意:如果你的虚拟机是最小化安装不需要执行这一步。
咱们不是最小化安装
[root@hadoop100 ~]# rpm -qa | grep -i java | xargs -n1 rpm -e --nodeps
➢ rpm -qa:查询所安装的所有 rpm 软件包
➢ grep -i:忽略大小写
➢ xargs -n1:表示每次只传递一个参数
➢ rpm -e –nodeps:强制卸载软件
7)重启虚拟机
[root@hadoop100 ~]# reboot
2.2 克隆虚拟机
1)利用模板机 hadoop100,克隆三台虚拟机:hadoop102 hadoop103 hadoop104
注意:克隆时,要先关闭 hadoop100
2)修改克隆机 IP,以下以 hadoop102 举例说明
(1)修改克隆虚拟机的静态 IP
hadoop103,hadoop104也配一下抽屉里
root@hadoop100 ~]# vim /etc/sysconfig/network-scripts/ifcfg-ens33
改成
DEVICE=ens33
TYPE=Ethernet
ONBOOT=yes
BOOTPROTO=static
NAME="ens33"
IPADDR=192.168.10.102
PREFIX=24
GATEWAY=192.168.10.2
DNS1=192.168.10.2
(2)查看 Linux 虚拟机的虚拟网络编辑器,编辑->虚拟网络编辑器->VMnet8
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-W34RLJnP-1640905921667)(img\img01.jpg)]
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-AOZEceO2-1640905921668)(img\img02.jpg)]
(3)查看 Windows 系统适配器 VMware Network Adapter VMnet8 的 IP 地址
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-hvlJPE4h-1640905921668)(img\img03.jpg)]
(4)保证 Linux 系统 ifcfg-ens33 文件中 IP 地址、虚拟网络编辑器地址和 Windows 系 统 VM8 网络 IP 地址相同。
3)修改克隆机主机名,以下以 hadoop102 举例说明
(1)修改主机名称
在hadoop103,hadoop104上也这样配一下
[root@hadoop100 ~]# vim /etc/hostname
hadoop102
(2)配置 Linux 克隆机主机名称映射 hosts 文件,打开/etc/hosts
[root@hadoop100 ~]# vim /etc/hosts
添加如下内容
192.168.10.100 hadoop100
192.168.10.101 hadoop101
192.168.10.102 hadoop102
192.168.10.103 hadoop103
192.168.10.104 hadoop104
192.168.10.105 hadoop105
192.168.10.106 hadoop106
192.168.10.107 hadoop107
192.168.10.108 hadoop108
4)重启克隆机 hadoop102
[root@hadoop102 ~]# reboot
5)修改 windows 的主机映射文件(hosts 文件)
(1)如果操作系统是 window7,可以直接修改
(a)进入 C:\Windows\System32\drivers\etc 路径
(b)打开 hosts 文件并添加如下内容,然后保存
192.168.10.100 hadoop100
192.168.10.101 hadoop101
192.168.10.102 hadoop102
192.168.10.103 hadoop103
192.168.10.104 hadoop104
192.168.10.105 hadoop105
192.168.10.106 hadoop106
192.168.10.107 hadoop107
192.168.10.108 hadoop108
(2)如果操作系统是 window10,先拷贝出来,修改保存以后,再覆盖即可
(a)进入 C:\Windows\System32\drivers\etc 路径
(b)拷贝 hosts 文件到桌面
(c)打开桌面 hosts 文件并添加如下内容
192.168.10.100 hadoop100
192.168.10.101 hadoop101
192.168.10.102 hadoop102
192.168.10.103 hadoop103
192.168.10.104 hadoop104
192.168.10.105 hadoop105
192.168.10.106 hadoop106
192.168.10.107 hadoop107
192.168.10.108 hadoop108
(d)将桌面 hosts 文件覆盖 C:\Windows\System32\drivers\etc 路径 hosts 文件
2.3 在 hadoop102 安装 JDK
1)卸载现有 JDK
注意:安装 JDK 前,一定确保提前删除了虚拟机自带的 JD K 。详细步骤见问文档 3.1 节 中卸载 JDK 步骤。
2)用 传输工具将 JDK 导入到 opt 目录下面的 software 文件夹下面
这里我们使用crt软件
安装上传组件:
yum install lrzsz
rz:从本地上传文件至服务器
sz filename:从服务器下载文件至本地
[xikuang@192 software]$ cd /opt/software/
3)在Linux系统下的opt目录中查看软件包是否导入成功
[xikuang@hadoop102 ~]$ ls /opt/software/
看到的结果如下:
jdk-8u212-linux-x64.tar.gz
4)解压JDK到/opt/module目录下
[xikuang@hadoop102 software]$ tar -zxvf jdk-8u212-linux-x64.tar.gz -C /opt/module/
5)配置JDK环境变量
(1)新建/etc/profile.d/my_env.sh 文件
[xikuang@hadoop102 ~]$ 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=$PATH:$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
[xikuang@hadoop102 ~]$ source /etc/profile
6)测试 JDK 是否安装成功
[xikuang@hadoop102 ~]$ java -version
如果能看到以下结果,则代表 Java 安装成功。 java version
"1.8.0_212"
注意:重启(如果 java -version 可以用就不用重启)
[xikuang@hadoop102 ~]$ sudo reboot
2.4 在 hadoop102 安装 Hadoop
Hadoop 下载地址:https://archive.apache.org/dist/hadoop/common/hadoop-3.1.3/
1)用 CRT文件传输工具将 hadoop-3.1.3.tar.gz 导入到 opt 目录下面的 software 文件夹下 面
2)进入到Hadoop安装包路径下
[xikuang@hadoop102 ~]$ cd /opt/software/
3)解压安装文件到/opt/module 下面
[xikuang@hadoop102 software]$ tar -zxvf hadoop-3.1.3.tar.gz -C /opt/module/
4)查看是否解压成功
[xikuang@hadoop102 software]$ ls /opt/module/hadoop-3.1.3
5)将 Hadoop 添加到环境变量
(1)获取 Hadoop 安装路径
[xikuang@tguigu@hadoop102 hadoop-3.1.3]$ pwd
/opt/module/hadoop-3.1.3
(2)打开/etc/profile.d/my_env.sh 文件
[xikuang@hadoop102 hadoop-3.1.3]$ 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-3.1.3
export PATH=$PATH:$HADOOP_HOME/bin
export PATH=$PATH:$HADOOP_HOME/sbin
保存并退出:
:wq
(3)让修改后的文件生效
[xikuang@hadoop102 hadoop-3.1.3]$ source /etc/profile
6)测试是否安装成功
[xikuang@hadoop102 hadoop-3.1.3]$ hadoop version
Hadoop 3.1.3
7)重启(如果 Hadoop 命令不能用再重启虚拟机)
[xikuang@hadoop102 hadoop-3.1.3]$ sudo reboot
2.5 Hadoop 目录结构
1)查看 Hadoop 目录结构
2)重要目录
(1)bin 目录:存放对 Hadoop 相关服务(hdfs,yarn,mapred)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 3 章 Hadoop 运行模式
1)Hadoop 官方网站:http://hadoop.apache.org/
2)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。
本地模式:单机运行,只是用来演示一下官方案例。生产环境不用。
**伪分布式模式:**也是单机运行,但是具备 Hadoop 集群的所有功能,一台服务器模
拟一个分布式的环境。个别缺钱的公司用来测试,生产环境不用。
**完全分布式模式:**多台服务器组成分布式环境。生产环境使用。
3.1 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
[xikuang@hadoop102 hadoop-3.1.3]$ mkdir wcinput
2)在 wcinput 文件下创建一个 word.txt 文件
[xikuang@hadoop102 hadoop-3.1.3]$ cd wcinput
3)编辑 word.txt 文件
[xikuang@hadoop102 wcinput]$ vim word.txt
在文件中输入如下内容
hadoop yarn
hadoop mapreduce
xikuang
xikuang
保存退出::wq
4)回到 Hadoop 目录/opt/module/hadoop-3.1.3 )执行程序
[xikuang@192 wcinput]$ cd ../
5)执行程序
[xikuang@hadoop102 hadoop-3.1.3]$ hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-3.1.3.jar wordcount wcinput wcoutput
6)查看结果
[xikuang@hadoop102 hadoop-3.1.3]$ cat wcoutput/part-r-00000
看到如下结果:
xikuang 2
hadoop 2
mapreduce 1
yarn 1
3.2 完全分布式运行模式(开发重点)
分析:
1)准备 3 台客户机(关闭防火墙、静态 IP、主机名称)
2)安装 JDK
3)配置环境变量
4)安装 Hadoop
5)配置环境变量
6)配置集群
7)单点启动
8)配置 ssh
9)群起并测试集群
3.2.1 虚拟机准备
详见 2.1、2.2 两节。
3.2.2 编写集群分发脚本 xsync
1)scp(secure copy)安全拷贝
(1)scp 定义
scp 可以实现服务器与服务器之间的数据拷贝。(from server1 to server2)
(2)基本语法
scp | -r | fname | host:fname |
命令 | 递归 | 要拷贝的文件路径/名称 | 目的地用户@主机:目的地路径/名称 |
(3)案例实操
前提:在 hadoop102、hadoop103、hadoop104 都已经创建好的/opt/module、/opt/software 两个目录,并且已经把这两个目录修改为 xikuang:xikuang
[xikuang@hadoop102 ~]$ sudo chown xikuang:xikuang -R /opt/module
( a) 在 hadoop102 上,将 hadoop102 中/opt/module/jdk1.8.0_212 目录拷贝到hadoop103 上。
[xikuang@hadoop102 ~]$ scp -r /opt/module/jdk1.8.0_212 xikuang@hadoop103:/opt/module
( b) 在 hadoop103 上,将 hadoop102 中/opt/module/hadoop-3.1.3 目录拷贝到hadoop103 上。
[xikuang@hadoop103 ~]$ scp -r xikuang@hadoop102:/opt/module/hadoop-3.1.3 /opt/module/
(c)在 hadoop103 上操作,将 hadoop102 中/opt/module 目录下所有目录拷贝到hadoop104 上。
[xikuang@hadoop103 opt]$ scp -r xikuang@hadoop102:/opt/module/* xikuang@hadoop104:/opt/module
2)rsync 远程同步工具
rsync 主要用于备份和镜像。具有速度快、避免复制相同内容和支持符号链接的优点。
rsync 和 scp 区别:用 rsync 做文件的复制要比 scp 的速度快,rsync 只对差异文件做更 新。scp 是把所有文件都复制过去。
(1)基本语法
rsync | -av | fname | host:fname |
命令 | 选项参数 | 要拷贝的文件路径/名称 | 目的地用户@主机:目的地路径/名称 |
选项参数说明
选项 | 功能 |
-a | 归档拷贝 |
-v | 显示复制过程 |
(2)案例实操
(a)删除 hadoop103 中/opt/module/hadoop-3.1.3/wcinput
[xikuang@hadoop103 hadoop-3.1.3]$ rm -rf wcinput/
(b)同步 hadoop102 中的/opt/module/hadoop-3.1.3 到 hadoop103
[xikuang@tguigu@hadoop102 module]$ rsync -av hadoop-3.1.3/ xikuang@hadoop103:/opt/module/hadoop-3.1.3/
3)xsync 集群分发脚本
(1)需求:循环复制文件到所有节点的相同目录下
(2)需求分析:
(a)rsync 命令原始拷贝:
rsync -av /opt/module xikuang@hadoop103:/opt/
(b)期望脚本:
xsync 要同步的文件名称
(c)期望脚本在任何路径都能使用(脚本放在声明了全局环境变量的路径)
[xikuang@hadoop102 ~]$ echo $PATH
/usr/local/bin:/usr/bin:/usr/local/sbin:/usr/sbin:/home/xikuang/.local/bin:/home/xikuang/bin:/opt/module/jdk1.8.0_212/bin
(3)脚本实现
(a)在/home/xikuang/bin 目录下创建 xsync 文件
[xikuang@hadoop102 opt]$ cd /home/xikuang
[xikuang@hadoop102 ~]$ mkdir bin
[xikuang@hadoop102 ~]$ cd bin
[xikuang@hadoop102 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 hadoop102 hadoop103 hadoop104
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 $file does not exists!
fi
done
done
(b)修改脚本 xsync 具有执行权限
[xikuang@hadoop102 bin]$ chmod +x xsync
(c)测试脚本
[xikuang@hadoop102 ~]$ xsync /home/xikuang/bin
(d)将脚本复制到/bin 中,以便全局调用
[xikuang@hadoop102 bin]$ sudo cp xsync /bin/
(e)同步环境变量配置(root 所有者)
[xikuangtguigu@hadoop102 ~]$ sudo /bin/xsync /etc/profile.d/my_env.sh
注意:如果用了 sudo,那么 xsync 一定要给它的路径补全。 让环境变量生效
[xikuang@hadoop102 ~]$ sudo /bin/xsync /etc/profile.d/my_env.sh
3.2.3 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
[xikuangtguigu@hadoop102 ~]$ ssh hadoop103
如果出现如下内容
Are you sure you want to continue connecting (yes/no)?
输入 yes,并回车
(3)退回到 hadoop102
[xikuang@hadoop103 ~]$ exit
2)无密钥配置
(1)免密登录原理
免密登录原理
(2)生成公钥和私钥
[xikuang@hadoop102 .ssh]$ pwd
/home/xikuang/.ssh
[xikuang@hadoop102 .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
[xikuang@hadoop102 .ssh]$ ssh-copy-id hadoop102
[xikuang@hadoop102 .ssh]$ ssh-copy-id hadoop103
[xikuang@hadoop102 .ssh]$ ssh-copy-id hadoop104
注意:
还需要在 hadoop103 上采用 xikuang 账号配置一下无密登录到 hadoop102、hadoop103、hadoop104 服务器上。
还需要在 hadoop104 上采用 xikuang 账号配置一下无密登录到 hadoop102、hadoop103、 hadoop104 服务器上。
还需要在 hadoop102 上采用 root 账号,配置一下无密登录到 hadoop102、hadoop103、 hadoop104;
3).ssh 文件夹下(~/.ssh)的文件功能解释
known_hosts | 记录 ssh 访问过计算机的公钥(public key) |
id_rsa | 生成的私钥 |
id_rsa.pub | 生成的公钥 |
authorized_keys | 存放授权过的无密登录服务器公钥 |
3.2.4 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
ResourceManager 也很消耗内存,不要和 NameNode、SecondaryNameNode 配置在 同一台机器上。
hadoop102 | hadoop103 | hadoop104 | |
HDFS | NameNode DataNode | DataNode | SecondaryNameNode DataNode |
YARN | NodeManager | ResourceManager NodeManager | NodeManager |
2)配置文件说明
Hadoop 配置文件分两类:默认配置文件和自定义配置文件,只有用户想修改某一默认 配置值时,才需要修改自定义配置文件,更改相应属性值。
(1)默认配置文件:
要获取的默认文件 | 文件存放在 Hadoop 的 jar 包中的位置 |
[core-default.xml] | hadoop-common-3.1.3.jar/core-default.xml |
[hdfs-default.xml] | hadoop-hdfs-3.1.3.jar/hdfs-default.xml |
[yarn-default.xml] | hadoop-yarn-common-3.1.3.jar/yarn-default.xml |
[mapred-default.xml] | hadoop-mapreduce-client-core-3.1.3.jar/mapred-default.xml |
(2)自定义配置文件:
core-site.xml、 hdfs-site.xml、 yarn-site.xml、 mapred-site.xml 四个配置文件存放在
$HADOOP_HOME/etc/hadoop 这个路径上,用户可以根据项目需求重新进行修改配置。
3)配置集群
(1)核心配置文件 配置 core-site.xml
xikuang@hadoop102 ~]$ cd ${HADOOP_HOME}/etc/hadoop
xikuang@hadoop102 hadoop]$ 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://hadoop102:8020</value>
</property>
<!-- 指定 hadoop 数据的存储目录 -->
<property>
<name>hadoop.tmp.dir</name>
<value>/opt/module/hadoop-3.1.3/data</value>
</property>
<!-- 配置 HDFS 网页登录使用的静态用户为 xikuang -->
<property>
<name>hadoop.http.staticuser.user</name>
<value>xikuang</value>
</property>
</configuration>
(2)HDFS 配置文件 配置 hdfs-site.xml
[xikuang@hadoop102 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>hadoop102:9870</value>
</property>
<!-- 2nn web 端访问地址-->
<property>
<name>dfs.namenode.secondary.http-address</name>
<value>hadoop104:9868</value>
</property>
</configuration>
(3)YARN 配置文件
配置 yarn-site.xml
xikuang@hadoop102 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>hadoop103</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_CO
NF_DIR,CLASSPATH_PREPEND_DISTCACHE,HADOOP_YARN_HOME,HADOOP_MAP
RED_HOME</value>
</property>
</configuration>
4)MapReduce 配置文件
配置 mapred-site.xml
xikuang@hadoop102 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>
</configuration>
4)在集群上分发配置好的 Hadoop 配置文件
[xikuang@hadoop102 hadoop]$ xsync /opt/module/hadoop-3.1.3/etc/
5) hadoop103和hadoop104 上查看文件分发情况
[xikuang@hadoop103 ~]$ cat /opt/module/hadoop-3.1.3/etc/hadoop/core-site.xml
[xikuang@hadoop104 ~]$ cat /opt/module/hadoop-3.1.3/etc/hadoop/core-site.xml
3.2.5 群起集群
1)配置 workers
[xikuang@hadoop102 hadoop]$ vim /opt/module/hadoop-3.1.3/etc/hadoop/workers
在该文件中增加如下内容:
hadoop102
hadoop103
hadoop104
注意:该文件中添加的内容结尾不允许有空格,文件中不允许有空行。 同步所有节点配置文件
[xikuang@hadoop102 hadoop]$ xsync /opt/module/hadoop-3.1.3/etc
2)启动集群
(1)如果集群是第一次启动,需要在 hadoop102 节点格式化 NameNode(注意:格式化 NameNode,会产生新的集群 id ,导致 N ameN ode 和 D ataN ode 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。)
[xikuang@hadoop102 hadoop-3.1.3]$ hdfs namenode -format
(2)启动 HDFS
[xikuang@hadoop102 hadoop-3.1.3]$ sbin/start-dfs.sh
(3)在配置了 ResourceManager 的节点(hadoop103)启动 YARN
[xikuang@hadoop103 hadoop-3.1.3]$ sbin/start-yarn.sh
(4)Web 端查看 HDFS 的 NameNode
(a)浏览器中输入:http://hadoop102:9870
(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://hadoop103:8088
(b)查看 YARN 上运行的 Job 信息
3)集群基本测试
(1)上传文件到集群
上传小文件
[xikuang@hadoop102 ~]$ hadoop fs -mkdir /input
[xikuang@hadoop102 ~]$ hadoop fs -put ${HADOOP_HOME}/wcinput/word.txt /input
上传大文件
[xikuang@hadoop102 ~]$ hadoop fs -put /opt/software/jdk-8u212-linux-x64.tar.gz /
(2)上传文件后查看文件存放在什么位置
查看 HDFS 文件存储路径
[xikuang@hadoop102 subdir0]$ pwd
/opt/module/hadoop-3.1.3/data/dfs/data/current/BP-1436128598-192.168.10.102-1610603650062/current/finalized/subdir0/subdir0
查看 HDFS 在磁盘存储文件内容
[xikuang@hadoop102 subdir0]$ cat blk_1073741825
hadoop yarn
hadoop mapreduce
xikuang
xikuang
(3)拼接
-rw-rw-r–. 1 xikuang xikuang 134217728 5 月 23 16:01 blk_1073741836
-rw-rw-r–. 1 xikuang xikuang 1048583 5 月 23 16:01 blk_1073741836_1012.meta
-rw-rw-r–. 1 xikuang xikuang 63439959 5 月 23 16:01 blk_1073741837
-rw-rw-r–. 1 xikuang xikuang 495635 5 月 23 16:01 blk_1073741837_1013.meta
[xikuang@hadoop102 subdir0]$ cat blk_1073741836>>tmp.tar.gz
[xikuang@hadoop102 subdir0]$ cat blk_1073741837>>tmp.tar.gz
[xikuang@hadoop102 subdir0]$ tar -zxvf tmp.tar.gz
(4)下载
[xikuang@hadoop104 software]$ hadoop fs -get /jdk-8u212-linux-x64.tar.gz ./
(5)执行 wordcount 程序
[xikuang@hadoop102 hadoop-3.1.3]$ hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-3.1.3.jar
wordcount /input /output
[xikuang@hadoop102 hadoop]$ vim mapred-site.xml
<property>
<name>yarn.app.mapreduce.am.env</name>
<value>HADOOP_MAPRED_HOME=/opt/module/hadoop-3.1.3</value>
</property>
<property>
<name>mapreduce.map.env</name>
<value>HADOOP_MAPRED_HOME=/opt/module/hadoop-3.1.3</value>
</property>
<property>
<name>mapreduce.reduce.env</name>
<value>HADOOP_MAPRED_HOME=/opt/module/hadoop-3.1.3</value>
</property>
vim yarn-site.xml
添加配置:
<property>
<name>yarn.nodemanager.vmem-check-enabled</name>
<value>false</value>
</property>
重启yarn服务器:
[xikuang@hadoop102 sbin]$ yarn --daemon stop resourcemanager
[xikuang@hadoop102 sbin]$ yarn --daemon start resourcemanager
[xikuang@hadoop102 sbin]$ yarn --daemon stop nodemanager
[xikuang@hadoop102 sbin]$ yarn --daemon start nodemanager
3.2.6 配置历史服务器
为了查看程序的历史运行情况,需要配置一下历史服务器。具体配置步骤如下:
1)配置 mapred-site.xml
[xikuang@hadoop102 hadoop]$ vim mapred-site.xml
在该文件里面增加如下配置。
<!-- 历史服务器端地址 -->
<property>
<name>mapreduce.jobhistory.address</name>
<value>hadoop102:10020</value>
</property>
<!-- 历史服务器 web 端地址 -->
<property>
<name>mapreduce.jobhistory.webapp.address</name>
<value>hadoop102:19888</value>
</property>
2)分发配置
[xikuang@hadoop102 hadoop]$ xsync $HADOOP_HOME/etc/hadoop/mapred-site.xml
3)在 hadoop102 启动历史服务器
[xikuang@hadoop102 hadoop]$ mapred --daemon start historyserver
4)查看历史服务器是否启动
[xikuang@hadoop102 hadoop]$ jps
5)查看 JobHistory
http://hadoop102:19888/jobhistory
3.2.7 配置日志的聚集
日志聚集概念:应用运行完成以后,将程序运行日志信息上传到 HDFS 系统上。
日志聚集功能好处:可以方便的查看到程序运行详情,方便开发调试。
注意: 开 启 日 志 聚 集 功 能 , 需要重 新 启 动 N odeManager 、 ResourceManager 和H istoryServer。
开启日志聚集功能具体步骤如下:
1)配置 yarn-site.xml
[xikuang@hadoop102 hadoop]$ vim yarn-site.xml
在该文件里面增加如下配置。
<!-- 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://hadoop102:19888/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>
2)分发配置
[xikuang@hadoop102 hadoop]$ xsync $HADOOP_HOME/etc/hadoop/yarn-site.xml
3)关闭NodeManager 、ResourceManager 和 HistoryServer
[xikuang@hadoop103 hadoop-3.1.3]$ sbin/stop-yarn.sh
[xikuang@hadoop103 hadoop-3.1.3]$ mapred --daemon stop historyserver
4)启动 NodeManager 、ResourceManage 和 HistoryServer
[xikuang@hadoop102 hadoop-3.1.3]$ sbin/start-yarn.sh
[xikuang@hadoop102 hadoop-3.1.3]$ mapred --daemon start historyserver
5)删除 HDFS上已经存在的输出文件
[xikuang@hadoop102 ~]$ hadoop fs -rm -r /output
6)执行 WordCount 程序
[xikuang@hadoop102 hadoop-3.1.3]$ hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-3.1.3.jar
wordcount /input /output
7)查看日志
(1)历史服务器地址
http://hadoop102:19888/jobhistory
(2)历史任务列表
(3)查看任务运行日志
(4)运行日志详情
3.2.8 集群启动/停止方式总结
1)各个模块分开启动/停止(配置 ssh 是前提)常用
(1)整体启动/停止 HDFS
start-dfs.sh/stop-dfs.sh
(2)整体启动/停止 YARN
start-yarn.sh/stop-yarn.sh
2)各个服务组件逐一启动/停止
(1)分别启动/停止 HDFS 组件
hdfs --daemon start/stop namenode/datanode/secondarynamenode
(2)启动/停止 YARN
yarn --daemon start/stop resourcemanager/nodemanager
3.2.9 编写 Hadoop 集群常用脚本
1)Hadoop 集群启停脚本(包含 HDFS,Yarn,Historyserver):myhadoop.sh
[xikuang@hadoop102 ~]$ cd /home/xikuang/bin
[xikuang@hadoop102 bin]$ vim myhadoop.sh
➢ 输入如下内容
#!/bin/bash
if [ $# -lt 1 ]
then
echo "No Args Input..."
exit ;
fi
case $1 in
"start")
echo " =================== 启动 hadoop 集群 ==================="
echo " --------------- 启动 hdfs ---------------"
ssh hadoop102 "/opt/module/hadoop-3.1.3/sbin/start-dfs.sh"
echo " --------------- 启动 yarn ---------------"
ssh hadoop103 "/opt/module/hadoop-3.1.3/sbin/start-yarn.sh"
echo " --------------- 启动 historyserver ---------------"
ssh hadoop102 "/opt/module/hadoop-3.1.3/bin/mapred --daemon start historyserver";;
"stop")
echo " =================== 关闭 hadoop 集群 ==================="
echo " --------------- 关闭 historyserver ---------------"
ssh hadoop102 "/opt/module/hadoop-3.1.3/bin/mapred --daemon stop historyserver"
echo " --------------- 关闭 yarn ---------------"
ssh hadoop103 "/opt/module/hadoop-3.1.3/sbin/stop-yarn.sh"
echo " --------------- 关闭 hdfs ---------------"
ssh hadoop102 "/opt/module/hadoop-3.1.3/sbin/stop-dfs.sh";;
*)
echo "Input Args Error...";;
esac
➢ 保存后退出,然后赋予脚本执行权限
[xikuang@hadoop102 bin]$ chmod +x myhadoop.sh
2)查看三台服务器 Java 进程脚本:jpsall
[xikuang@hadoop102 ~]$ cd /home/xikuang/bin
[xikuang@hadoop102 bin]$ vim jpsall
➢ 输入如下内容
#!/bin/bash
for host in hadoop102 hadoop103 hadoop104
do
echo =============== $host ===============
ssh $host jps
done
➢ 保存后退出,然后赋予脚本执行权限
[xikuang@hadoop102 bin]$ chmod +x jpsall
3)分发/home/xikuang/bin 目录,保证自定义脚本在三台机器上都可以使用
[xikuang@hadoop102 ~]$ xsync /home/xikuang/bin/
3.2.10 常用端口号说明
端口名称 | Hadoop2.x | Hadoop3.x |
NameNode 内部通信端口 | 8020 / 9000 | 8020 / 9000/9820 |
NameNode HTTP UI | 50070 | 9870 |
MapReduce 查看执行任务端口 | 8088 | 8088 |
历史服务器通信端口 | 19888 | 19888 |
第 4 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 xikuang 两个用户启动集群不统一
6)配置文件修改不细心
7)不识别主机名称
java.net.UnknownHostException: hadoop102: hadoop102
at
java.net.InetAddress.getLocalHost(InetAddress.java:1475)
at
org.apache.hadoop.mapreduce.JobSubmitter.submitJobInternal(Job
Submitter.java:146)
at org.apache.hadoop.mapreduce.Job$10.run(Job.java:1290)
at org.apache.hadoop.mapreduce.Job$10.run(Job.java:1287)
at java.security.AccessController.doPrivileged(Native
Method)
at javax.security.auth.Subject.doAs(Subject.java:415)
解决办法:
(1)在/etc/hosts 文件中添加 192.168.10.102 hadoop102
(2)主机名称不要起 hadoop hadoop000 等特殊名称
8)DataNode 和 NameNode 进程同时只能工作一个。
9)执行命令不生效,粘贴 Word 中命令时,遇到-和长–没区分开。导致命令失效 解决办法:尽量不要粘贴 Word 中代码。
10)jps 发现进程已经没有,但是重新启动集群,提示进程已经开启。
原因是在 Linux 的根目录下/tmp 目录中存在启动的进程临时文件,将集群相关进程删 除掉,再重新启动集群。
11)jps 不生效
原因:全局变量 hadoop java 没有生效。解决办法:需要 source /etc/profile 文件。
12)8088 端口连接不上
[xikuang@hadoop102 桌面]$ cat /etc/hosts
注释掉如下代码
#127.0.0.1 localhost localhost.localdomain localhost4 localhost4.localdomain4
#::1 hadoop102
ost ===============
ssh $host jps
done
➢ 保存后退出,然后赋予脚本执行权限
[xikuang@hadoop102 bin]$ chmod +x jpsall
#### 3)分发/home/xikuang/bin 目录,保证自定义脚本在三台机器上都可以使用
[xikuang@hadoop102 ~]$ xsync /home/xikuang/bin/
### 3.2.10 常用端口号说明
| 端口名称 | Hadoop2.x | Hadoop3.x |
| -------------------------- | ------------ | ---------------- |
| NameNode 内部通信端口 | 8020 / 9000 | 8020 / 9000/9820 |
| NameNode HTTP UI | 50070 | 9870 |
| MapReduce 查看执行任务端口 | 8088 | 8088 |
| 历史服务器通信端口 | 19888 | 19888 |