hadoop_hadoop安装配置 - CSDN
hadoop 订阅
Hadoop是一个由Apache基金会所开发的分布式系统基础架构。用户可以在不了解分布式底层细节的情况下,开发分布式程序。充分利用集群的威力进行高速运算和存储。Hadoop实现了一个分布式文件系统(Hadoop Distributed File System),简称HDFS。HDFS有高容错性的特点,并且设计用来部署在低廉的(low-cost)硬件上;而且它提供高吞吐量(high throughput)来访问应用程序的数据,适合那些有着超大数据集(large data set)的应用程序。HDFS放宽了(relax)POSIX的要求,可以以流的形式访问(streaming access)文件系统中的数据。Hadoop的框架最核心的设计就是:HDFS和MapReduce。HDFS为海量的数据提供了存储,而MapReduce则为海量的数据提供了计算 [1]  。 展开全文
Hadoop是一个由Apache基金会所开发的分布式系统基础架构。用户可以在不了解分布式底层细节的情况下,开发分布式程序。充分利用集群的威力进行高速运算和存储。Hadoop实现了一个分布式文件系统(Hadoop Distributed File System),简称HDFS。HDFS有高容错性的特点,并且设计用来部署在低廉的(low-cost)硬件上;而且它提供高吞吐量(high throughput)来访问应用程序的数据,适合那些有着超大数据集(large data set)的应用程序。HDFS放宽了(relax)POSIX的要求,可以以流的形式访问(streaming access)文件系统中的数据。Hadoop的框架最核心的设计就是:HDFS和MapReduce。HDFS为海量的数据提供了存储,而MapReduce则为海量的数据提供了计算 [1]  。
信息
核心设计
HDFS和MapReduce
外文名
Hadoop
类    别
电脑程序
中文名
海杜普
学    科
信息科学
全    称
Hadoop Distributed File System
Hadoop起源
Hadoop起源于Apache Nutch项目,始于2002年,是Apache Lucene的子项目之一 [2]  。2004年,Google在“操作系统设计与实现”(Operating System Design and Implementation,OSDI)会议上公开发表了题为MapReduce:Simplified Data Processing on Large Clusters(Mapreduce:简化大规模集群上的数据处理)的论文之后,受到启发的Doug Cutting等人开始尝试实现MapReduce计算框架,并将它与NDFS(Nutch Distributed File System)结合,用以支持Nutch引擎的主要算法 [2]  。由于NDFS和MapReduce在Nutch引擎中有着良好的应用,所以它们于2006年2月被分离出来,成为一套完整而独立的软件,并被命名为Hadoop。到了2008年年初,hadoop已成为Apache的顶级项目,包含众多子项目,被应用到包括Yahoo在内的很多互联网公司 [2]  。
收起全文
精华内容
参与话题
  • Hadoop从入门到精通

    千人学习 2019-04-17 10:59:10
    本门课程总体分为初始HadoopHadoop深入及Hadoop高级三大阶段。由浅入深地讲解了Hadoop三大模块:HDFS、YARN及     MapReduce。 课程内容:    &...
  • Hadoop基本介绍

    万次阅读 多人点赞 2018-01-10 09:11:57
    1、Hadoop的整体框架  Hadoop由HDFS、MapReduce、HBase、Hive和ZooKeeper等成员组成,其中最基础最重要元素为底层用于存储集群中所有存储节点文件的文件系统HDFS(Hadoop Distributed File System)来执行...

    1、Hadoop的整体框架 
    Hadoop由HDFS、MapReduce、HBase、Hive和ZooKeeper等成员组成,其中最基础最重要元素为底层用于存储集群中所有存储节点文件的文件系统HDFS(Hadoop Distributed File System)来执行MapReduce程序的MapReduce引擎。

    这里写图片描述

    (1)Pig是一个基于Hadoop的大规模数据分析平台,Pig为复杂的海量数据并行计算提供了一个简单的操作和编程接口; 
    (2)Hive是基于Hadoop的一个工具,提供完整的SQL查询,可以将sql语句转换为MapReduce任务进行运行; 
    (3)ZooKeeper:高效的,可拓展的协调系统,存储和协调关键共享状态; 
    (4)HBase是一个开源的,基于列存储模型的分布式数据库; 
    (5)HDFS是一个分布式文件系统,有着高容错性的特点,适合那些超大数据集的应用程序; 
    (6)MapReduce是一种编程模型,用于大规模数据集(大于1TB)的并行运算。 
    下图是一个典型的Hadoop集群的部署结构: 
    这里写图片描述

    接着给出Hadoop各组件依赖共存关系: 
    这里写图片描述

    2、Hadoop的核心设计 
    这里写图片描述

    (1)HDFS 
    HDFS是一个高度容错性的分布式文件系统,可以被广泛的部署于廉价的PC上。它以流式访问模式访问应用程序的数据,这大大提高了整个系统的数据吞吐量,因而非常适合用于具有超大数据集的应用程序中。 
    HDFS的架构如图所示。HDFS架构采用主从架构(master/slave)。一个典型的HDFS集群包含一个NameNode节点和多个DataNode节点。NameNode节点负责整个HDFS文件系统中的文件的元数据的保管和管理,集群中通常只有一台机器上运行NameNode实例,DataNode节点保存文件中的数据,集群中的机器分别运行一个DataNode实例。在HDFS中,NameNode节点被称为名称节点,DataNode节点被称为数据节点。DataNode节点通过心跳机制与NameNode节点进行定时的通信。 
    这里写图片描述 
    •NameNode 
    可以看作是分布式文件系统中的管理者,存储文件系统的meta-data,主要负责管理文件系统的命名空间,集群配置信息,存储块的复制。

    •DataNode 
    是文件存储的基本单元。它存储文件块在本地文件系统中,保存了文件块的meta-data,同时周期性的发送所有存在的文件块的报告给NameNode。

    •Client 
    就是需要获取分布式文件系统文件的应用程序。

    以下来说明HDFS如何进行文件的读写操作: 
    这里写图片描述

    文件写入: 
    1. Client向NameNode发起文件写入的请求 
    2. NameNode根据文件大小和文件块配置情况,返回给Client它所管理部分DataNode的信息。 
    3. Client将文件划分为多个文件块,根据DataNode的地址信息,按顺序写入到每一个DataNode块中。

    这里写图片描述

    文件读取: 
    1. Client向NameNode发起文件读取的请求 
    2. NameNode返回文件存储的DataNode的信息。 
    3. Client读取文件信息。

    (2)MapReduce

    MapReduce是一种编程模型,用于大规模数据集的并行运算。Map(映射)和Reduce(化简),采用分而治之思想,先把任务分发到集群多个节点上,并行计算,然后再把计算结果合并,从而得到最终计算结果。多节点计算,所涉及的任务调度、负载均衡、容错处理等,都由MapReduce框架完成,不需要编程人员关心这些内容。 
    下图是MapReduce的处理过程:

    这里写图片描述

     用户提交任务给JobTracer,JobTracer把对应的用户程序中的Map操作和Reduce操作映射至TaskTracer节点中;输入模块负责把输入数据分成小数据块,然后把它们传给Map节点;Map节点得到每一个key/value对,处理后产生一个或多个key/value对,然后写入文件;Reduce节点获取临时文件中的数据,对带有相同key的数据进行迭代计算,然后把终结果写入文件。

     如果这样解释还是太抽象,可以通过下面一个具体的处理过程来理解:(WordCount实例) 
     这里写图片描述

    Hadoop的核心是MapReduce,而MapReduce的核心又在于map和reduce函数。它们是交给用户实现的,这两个函数定义了任务本身。

    map函数:接受一个键值对(key-value pair)(例如上图中的Splitting结果),产生一组中间键值对(例如上图中Mapping后的结果)。Map/Reduce框架会将map函数产生的中间键值对里键相同的值传递给一个reduce函数。 
    reduce函数:接受一个键,以及相关的一组值(例如上图中Shuffling后的结果),将这组值进行合并产生一组规模更小的值(通常只有一个或零个值)(例如上图中Reduce后的结果)

    但是,Map/Reduce并不是万能的,适用于Map/Reduce计算有先提条件: 
    (1)待处理的数据集可以分解成许多小的数据集; 
    (2)而且每一个小数据集都可以完全并行地进行处理; 
    若不满足以上两条中的任意一条,则不适合适用Map/Reduce模式。

    展开全文
  • 一分钟让你知道Hadoop是什么

    万次阅读 2019-05-05 13:59:10
    hadoop是什么?Hadoop是一种分析和处理大数据的软件平台,是Appach的一个用Java语言所实现的开源软件的加框,在大量计算机组成的集群当中实现了对于海量的数据进行的分布式计算。 在这里我还是要推荐下我自己建的...

     hadoop是什么?Hadoop是一种分析和处理大数据的软件平台,是Appach的一个用Java语言所实现的开源软件的加框,在大量计算机组成的集群当中实现了对于海量的数据进行的分布式计算。

    在这里我还是要推荐下我自己建的大数据学习交流qq裙:522189307 , 裙 里都是学大数据开发的,如果你正在学习大数据 ,小编欢迎你加入,大家都是软件开发党,不定期分享干货(只有大数据开发相关的),包括我自己整理的一份最新的大数据进阶资料和高级开发教程,欢迎进阶中和进想深入大数据的小伙伴。上述资料加群可以领取
     

     

      Hadoop的框架最核心的设计就是:HDFS和MapReduce.HDFS为海量的数据提供了存储,则MapReduce为海量的数据提供了计算.

     

      大数据在Hadoop处理的流程可以参照下面简单的图来进行理解:数据是通过了Hadoop的集群处理后得到的结果。


    \

     

      HDFS:Hadoop Distributed File System,Hadoop的分布式文件系统.

     

      大文件被分成默认64M一块的数据块分布存储在集群机器中.如下图中的文件 data1被分成3块,这3块以冗余镜像的方式分布在不同的机器中.


    \


      MapReduce:Hadoop为每一个input split创建一个task调用Map计算,在此task中依次处理此split中的一个个记录(record),map会将结果以key--value 的形式输出,hadoop负责按key值将map的输出整理后作为Reduce的输入,Reduce Task的输出为整个job的输出,保存在HDFS上.


    \


      Hadoop的集群主要由 NameNode,DataNode,Secondary NameNode,JobTracker,TaskTracker组成.如下图所示:


    \


      NameNode中记录了文件是如何被拆分成block以及这些block都存储到了那些DateNode节点.NameNode同时保存了文件系统运行的状态信息. DataNode中存储的是被拆分的blocks.Secondary NameNode帮助NameNode收集文件系统运行的状态信息.JobTracker当有任务提交到Hadoop集群的时候负责Job的运行,负责调度多个TaskTracker.TaskTracker负责某一个map或者reduce任务.

    展开全文
  • 史上最详细的Hadoop环境搭建

    万次阅读 多人点赞 2017-10-10 15:23:59
    GitChat 作者:鸣宇淳 原文: 史上最详细的Hadoop环境搭建 关注公众号:GitChat 技术杂谈,一本正经的讲技术 【不要错过文末活动哦】前言Hadoop在大数据技术体系中的地位至关重要,Hadoop是大数据技术的基础,对...

    GitChat 作者:鸣宇淳 
    原文: 史上最详细的Hadoop环境搭建 
    关注公众号:GitChat 技术杂谈,一本正经的讲技术 
    【不要错过文末活动哦】

    前言

    Hadoop在大数据技术体系中的地位至关重要,Hadoop是大数据技术的基础,对Hadoop基础知识的掌握的扎实程度,会决定在大数据技术道路上走多远。

    这是一篇入门文章,Hadoop的学习方法很多,网上也有很多学习路线图。本文的思路是:以安装部署Apache Hadoop2.x版本为主线,来介绍Hadoop2.x的架构组成、各模块协同工作原理、技术细节。安装不是目的,通过安装认识Hadoop才是目的。

    本文分为五个部分、十三节、四十九步。

    第一部分:Linux环境安装

    Hadoop是运行在Linux,虽然借助工具也可以运行在Windows上,但是建议还是运行在Linux系统上,第一部分介绍Linux环境的安装、配置、Java JDK安装等。

    第二部分:Hadoop本地模式安装

    Hadoop本地模式只是用于本地开发调试,或者快速安装体验Hadoop,这部分做简单的介绍。

    第三部分:Hadoop伪分布式模式安装

    学习Hadoop一般是在伪分布式模式下进行。这种模式是在一台机器上各个进程上运行Hadoop的各个模块,伪分布式的意思是虽然各个模块是在各个进程上分开运行的,但是只是运行在一个操作系统上的,并不是真正的分布式。

    第四部分:完全分布式安装

    完全分布式模式才是生产环境采用的模式,Hadoop运行在服务器集群上,生产环境一般都会做HA,以实现高可用。

    第五部分:Hadoop HA安装

    HA是指高可用,为了解决Hadoop单点故障问题,生产环境一般都做HA部署。这部分介绍了如何配置Hadoop2.x的高可用,并简单介绍了HA的工作原理。 
    安装过程中,会穿插简单介绍涉及到的知识。希望能对大家有所帮助。 

    第一部分:Linux环境安装

    第一步、配置Vmware NAT网络

    一、Vmware网络模式介绍

    参考:http://blog.csdn.net/collection4u/article/details/14127671

    二、NAT模式配置

    NAT是网络地址转换,是在宿主机和虚拟机之间增加一个地址转换服务,负责外部和虚拟机之间的通讯转接和IP转换。

    我们部署Hadoop集群,这里选择NAT模式,各个虚拟机通过NAT使用宿主机的IP来访问外网。

    我们的要求是集群中的各个虚拟机有固定的IP、可以访问外网,所以进行如下设置:

    1、 Vmware安装后,默认的NAT设置如下:

    enter image description here

    2、 默认的设置是启动DHCP服务的,NAT会自动给虚拟机分配IP,但是我们需要将各个机器的IP固定下来,所以要取消这个默认设置。

    3、 为机器设置一个子网网段,默认是192.168.136网段,我们这里设置为100网段,将来各个虚拟机Ip就为 192.168.100.*。

    4、 点击NAT设置按钮,打开对话框,可以修改网关地址和DNS地址。这里我们为NAT指定DNS地址。

    enter image description here

    5、 网关地址为当前网段里的.2地址,好像是固定的,我们不做修改,先记住网关地址就好了,后面会用到。

    第二步、安装Linux操作系统

    三、Vmware上安装Linux系统

    1、 文件菜单选择新建虚拟机

    2、 选择经典类型安装,下一步。

    3、 选择稍后安装操作系统,下一步。

    4、 选择Linux系统,版本选择CentOS 64位。

    enter image description here

    5、 命名虚拟机,给虚拟机起个名字,将来显示在Vmware左侧。并选择Linux系统保存在宿主机的哪个目录下,应该一个虚拟机保存在一个目录下,不能多个虚拟机使用一个目录。

    enter image description here

    6、 指定磁盘容量,是指定分给Linux虚拟机多大的硬盘,默认20G就可以,下一步。

    7、 点击自定义硬件,可以查看、修改虚拟机的硬件配置,这里我们不做修改。

    8、 点击完成后,就创建了一个虚拟机,但是此时的虚拟机还是一个空壳,没有操作系统,接下来安装操作系统。

    9、 点击编辑虚拟机设置,找到DVD,指定操作系统ISO文件所在位置。

    enter image description here

    10、 点击开启此虚拟机,选择第一个回车开始安装操作系统。

    enter image description here

    11、 设置root密码。

    enter image description here

    12、 选择Desktop,这样就会装一个Xwindow。

    enter image description here

    13、 先不添加普通用户,其他用默认的,就把Linux安装完毕了。

    四、设置网络

    因为Vmware的NAT设置中关闭了DHCP自动分配IP功能,所以Linux还没有IP,需要我们设置网络各个参数。

    1、 用root进入Xwindow,右击右上角的网络连接图标,选择修改连接。

    enter image description here

    2、 网络连接里列出了当前Linux里所有的网卡,这里只有一个网卡System eth0,点击编辑。

    enter image description here

    3、 配置IP、子网掩码、网关(和NAT设置的一样)、DNS等参数,因为NAT里设置网段为100.*,所以这台机器可以设置为192.168.100.10网关和NAT一致,为192.168.100.2

    enter image description here

    4、 用ping来检查是否可以连接外网,如下图,已经连接成功。

    enter image description here

    五、修改Hostname

    1、 临时修改hostname

    [root@localhost Desktop]# hostname bigdata-senior01.chybinmy.com
    • 1

    这种修改方式,系统重启后就会失效。

    2、 永久修改hostname

    想永久修改,应该修改配置文件 /etc/sysconfig/network。

    命令:[root@bigdata-senior01 ~] vim /etc/sysconfig/network
    • 1

    打开文件后,

    NETWORKING=yes  #使用网络
    HOSTNAME=bigdata-senior01.chybinmy.com  #设置主机名
    • 1
    • 2

    六、配置Host

    命令:[root@bigdata-senior01 ~] vim /etc/hosts
    添加hosts: 192.168.100.10 bigdata-senior01.chybinmy.com
    • 1
    • 2

    七、关闭防火墙

    学习环境可以直接把防火墙关闭掉。

    (1) 用root用户登录后,执行查看防火墙状态。

    [root@bigdata-senior01 hadoop]# service iptables status
    • 1

    (2) 用[root@bigdata-senior01 hadoop]# service iptables stop关闭防火墙,这个是临时关闭防火墙。

    [root@bigdata-senior01 hadoop-2.5.0]# service iptables stop
    iptables: Setting chains to policy ACCEPT: filter          [  OK  ]
    iptables: Flushing firewall rules:                         [  OK  ]
    iptables: Unloading modules:                               [  OK  ]
    • 1
    • 2
    • 3
    • 4

    (3) 如果要永久关闭防火墙用。

    [root@bigdata-senior01 hadoop]# chkconfig iptables off
    • 1

    关闭,这种需要重启才能生效。

    八、关闭selinux

    selinux是Linux一个子安全机制,学习环境可以将它禁用。

    [hadoop@bigdata-senior01 hadoop-2.5.0]$ vim /etc/sysconfig/selinux
    • 1
    # This file controls the state of SELinux on the system.
    # SELINUX= can take one of these three values:
    #     enforcing - SELinux security policy is enforced.
    #     permissive - SELinux prints warnings instead of enforcing.
    #     disabled - No SELinux policy is loaded.
    SELINUX=disabled
    # SELINUXTYPE= can take one of these two values:
    #     targeted - Targeted processes are protected,
    #     mls - Multi Level Security protection.
    SELINUXTYPE=targeted
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10

    enter image description here

    第三步、安装JDK

    九、安装Java JDK

    1、 查看是否已经安装了java JDK。

    [root@bigdata-senior01 Desktop]# java –version
    • 1

    注意:Hadoop机器上的JDK,最好是Oracle的Java JDK,不然会有一些问题,比如可能没有JPS命令。 
    如果安装了其他版本的JDK,卸载掉。

    2、 安装java JDK

    (1) 去下载Oracle版本Java JDK:jdk-7u67-linux-x64.tar.gz

    (2) 将jdk-7u67-linux-x64.tar.gz解压到/opt/modules目录下

    [root@bigdata-senior01 /]# tar -zxvf jdk-7u67-linux-x64.tar.gz -C /opt/modules
    • 1

    (3) 添加环境变量

    设置JDK的环境变量 JAVA_HOME。需要修改配置文件/etc/profile,追加

    export JAVA_HOME="/opt/modules/jdk1.7.0_67"
    export PATH=$JAVA_HOME/bin:$PATH
    • 1
    • 2

    修改完毕后,执行 source /etc/profile

    (4)安装后再次执行 java –version,可以看见已经安装完成。

    [root@bigdata-senior01 /]# java -version
    java version "1.7.0_67"
    Java(TM) SE Runtime Environment (build 1.7.0_67-b01)
    Java HotSpot(TM) 64-Bit Server VM (build 24.65-b04, mixed mode)
    • 1
    • 2
    • 3
    • 4

    第二部分:Hadoop本地模式安装

    第四步、Hadoop部署模式

    Hadoop部署模式有:本地模式、伪分布模式、完全分布式模式、HA完全分布式模式。

    区分的依据是NameNode、DataNode、ResourceManager、NodeManager等模块运行在几个JVM进程、几个机器。

    模式名称各个模块占用的JVM进程数各个模块运行在几个机器数上
    本地模式1个1个
    伪分布式模式N个1个
    完全分布式模式N个N个
    HA完全分布式N个N个

    第五步、本地模式部署

    十、本地模式介绍

    本地模式是最简单的模式,所有模块都运行与一个JVM进程中,使用的本地文件系统,而不是HDFS,本地模式主要是用于本地开发过程中的运行调试用。下载hadoop安装包后不用任何设置,默认的就是本地模式。

    十一、解压hadoop后就是直接可以使用

    1、 创建一个存放本地模式hadoop的目录

    [hadoop@bigdata-senior01 modules]$ mkdir /opt/modules/hadoopstandalone
    • 1

    2、 解压hadoop文件

    [hadoop@bigdata-senior01 modules]$ tar -zxf /opt/sofeware/hadoop-2.5.0.tar.gz  -C /opt/modules/hadoopstandalone/
    • 1

    3、 确保JAVA_HOME环境变量已经配置好

    [hadoop@bigdata-senior01 modules]$ echo ${JAVA_HOME}
    /opt/modules/jdk1.7.0_67
    • 1
    • 2

    十二、运行MapReduce程序,验证

    我们这里用hadoop自带的wordcount例子来在本地模式下测试跑mapreduce。

    1、 准备mapreduce输入文件wc.input

    [hadoop@bigdata-senior01 modules]$ cat /opt/data/wc.input
    hadoop mapreduce hive
    hbase spark storm
    sqoop hadoop hive
    spark hadoop
    • 1
    • 2
    • 3
    • 4
    • 5

    2、 运行hadoop自带的mapreduce Demo

    [hadoop@bigdata-senior01 hadoopstandalone]$ bin/hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.5.0.jar wordcount /opt/data/wc.input output2
    • 1

    enter image description here

    这里可以看到job ID中有local字样,说明是运行在本地模式下的。

    3、 查看输出文件

    本地模式下,mapreduce的输出是输出到本地。

    [hadoop@bigdata-senior01 hadoopstandalone]$ ll output2
    total 4
    -rw-r--r-- 1 hadoop hadoop 60 Jul  7 12:50 part-r-00000
    -rw-r--r-- 1 hadoop hadoop  0 Jul  7 12:50 _SUCCESS
    • 1
    • 2
    • 3
    • 4

    输出目录中有_SUCCESS文件说明JOB运行成功,part-r-00000是输出结果文件。 

    第三部分:Hadoop伪分布式模式安装

    第六步、伪分布式Hadoop部署过程

    十三、Hadoop所用的用户设置

    1、 创建一个名字为hadoop的普通用户

    [root@bigdata-senior01 ~]# useradd hadoop
    [root@bigdata-senior01 ~]# passwd hadoop
    • 1
    • 2

    2、 给hadoop用户sudo权限

    [root@bigdata-senior01 ~]# vim /etc/sudoers
    • 1

    设置权限,学习环境可以将hadoop用户的权限设置的大一些,但是生产环境一定要注意普通用户的权限限制。

    root    ALL=(ALL)       ALL
    hadoop ALL=(root) NOPASSWD:ALL
    • 1
    • 2

    注意:如果root用户无权修改sudoers文件,先手动为root用户添加写权限。

    [root@bigdata-senior01 ~]# chmod u+w /etc/sudoers
    • 1

    3、 切换到hadoop用户

    [root@bigdata-senior01 ~]# su - hadoop
    [hadoop@bigdata-senior01 ~]$
    • 1
    • 2

    4、 创建存放hadoop文件的目录

    [hadoop@bigdata-senior01 ~]$ sudo mkdir /opt/modules
    • 1

    5、 将hadoop文件夹的所有者指定为hadoop用户

    如果存放hadoop的目录的所有者不是hadoop,之后hadoop运行中可能会有权限问题,那么就讲所有者改为hadoop。

    [hadoop@bigdata-senior01 ~]# sudo chown -R hadoop:hadoop /opt/modules
    • 1

    十四、解压Hadoop目录文件

    1、 复制hadoop-2.5.0.tar.gz到/opt/modules目录下。

    2、 解压hadoop-2.5.0.tar.gz

    [hadoop@bigdata-senior01 ~]# cd /opt/modules
    [hadoop@bigdata-senior01 hadoop]# tar -zxvf hadoop-2.5.0.tar.gz
    • 1
    • 2

    十五、配置Hadoop

    1、 配置Hadoop环境变量

    [hadoop@bigdata-senior01 hadoop]# vim /etc/profile
    • 1

    追加配置:

    export HADOOP_HOME="/opt/modules/hadoop-2.5.0"
    export PATH=$HADOOP_HOME/bin:$HADOOP_HOME/sbin:$PATH
    • 1
    • 2

    执行:source /etc/profile 使得配置生效

    验证HADOOP_HOME参数:

    [hadoop@bigdata-senior01 /]$ echo $HADOOP_HOME
    /opt/modules/hadoop-2.5.0
    • 1
    • 2

    2、 配置 hadoop-env.sh、mapred-env.sh、yarn-env.sh文件的JAVA_HOME参数

    [hadoop@bigdata-senior01 ~]$ sudo vim  ${HADOOP_HOME}/etc/hadoop/hadoop-env.sh
    • 1
    修改JAVA_HOME参数为:
    export JAVA_HOME="/opt/modules/jdk1.7.0_67"
    • 1
    • 2

    3、 配置core-site.xml

    enter image description here

    [hadoop@bigdata-senior01 ~]sudovim{HADOOP_HOME}/etc/hadoop/core-site.xml

    (1) fs.defaultFS参数配置的是HDFS的地址。

    <property>
    <name>fs.defaultFS</name>
    <value>hdfs://bigdata-senior01.chybinmy.com:8020</value>
    </property>
    • 1
    • 2
    • 3
    • 4

    (2) hadoop.tmp.dir配置的是Hadoop临时目录,比如HDFS的NameNode数据默认都存放这个目录下,查看*-default.xml等默认配置文件,就可以看到很多依赖${hadoop.tmp.dir}的配置。

    默认的hadoop.tmp.dir/tmp/hadoop-${user.name},此时有个问题就是NameNode会将HDFS的元数据存储在这个/tmp目录下,如果操作系统重启了,系统会清空/tmp目录下的东西,导致NameNode元数据丢失,是个非常严重的问题,所有我们应该修改这个路径。

    • 创建临时目录:
        [hadoop@bigdata-senior01 hadoop-2.5.0]$ sudo mkdir -p /opt/data/tmp
    • 1
    • 将临时目录的所有者修改为hadoop
    [hadoop@bigdata-senior01 hadoop-2.5.0]$ sudo chown –R hadoop:hadoop /opt/data/tmp
    • 1
    • 修改hadoop.tmp.dir
     <property>
       <name>hadoop.tmp.dir</name>
        <value>/opt/data/tmp</value>
      </property>
    • 1
    • 2
    • 3
    • 4

    十六、配置、格式化、启动HDFS

    1、 配置hdfs-site.xml

    enter image description here

    [hadoop@bigdata-senior01 hadoop-2.5.0]$ vim ${HADOOP_HOME}/etc/hadoop/hdfs-site.xml
    • 1
        <property>
           <name>dfs.replication</name>
           <value>1</value>
        </property>
    • 1
    • 2
    • 3
    • 4

    dfs.replication配置的是HDFS存储时的备份数量,因为这里是伪分布式环境只有一个节点,所以这里设置为1。

    2、 格式化HDFS

    enter image description here

    [hadoop@bigdata-senior01 ~]$ hdfs namenode –format
    • 1

    格式化是对HDFS这个分布式文件系统中的DataNode进行分块,统计所有分块后的初始元数据的存储在NameNode中。

    格式化后,查看core-site.xml里hadoop.tmp.dir(本例是/opt/data目录)指定的目录下是否有了dfs目录,如果有,说明格式化成功。

    注意:

    1. 格式化时,这里注意hadoop.tmp.dir目录的权限问题,应该hadoop普通用户有读写权限才行,可以将/opt/data的所有者改为hadoop。 
      [hadoop@bigdata-senior01 hadoop-2.5.0]$ sudo chown -R hadoop:hadoop /opt/data

    2. 查看NameNode格式化后的目录。

       [hadoop@bigdata-senior01 ~]$ ll /opt/data/tmp/dfs/name/current
    • 1

    enter image description here

    fsimage是NameNode元数据在内存满了后,持久化保存到的文件。

    fsimage*.md5 是校验文件,用于校验fsimage的完整性。

    seen_txid 是hadoop的版本

    vession文件里保存:

    • namespaceID:NameNode的唯一ID。

    • clusterID:集群ID,NameNode和DataNode的集群ID应该一致,表明是一个集群。

    #Mon Jul 04 17:25:50 CST 2016
    namespaceID=2101579007
    clusterID=CID-205277e6-493b-4601-8e33-c09d1d23ece4
    cTime=0
    storageType=NAME_NODE
    blockpoolID=BP-1641019026-127.0.0.1-1467624350057
    layoutVersion=-57
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7

    3、 启动NameNode

    [hadoop@bigdata-senior01 hadoop-2.5.0]$ ${HADOOP_HOME}/sbin/hadoop-daemon.sh start namenode
    starting namenode, logging to /opt/modules/hadoop-2.5.0/logs/hadoop-hadoop-namenode-bigdata-senior01.chybinmy.com.out
    • 1
    • 2

    enter image description here

    4、 启动DataNode

    [hadoop@bigdata-senior01 hadoop-2.5.0]$ ${HADOOP_HOME}/sbin/hadoop-daemon.sh start datanode
    starting datanode, logging to /opt/modules/hadoop-2.5.0/logs/hadoop-hadoop-datanode-bigdata-senior01.chybinmy.com.out
    • 1
    • 2

    enter image description here

    5、 启动SecondaryNameNode

    [hadoop@bigdata-senior01 hadoop-2.5.0]$ ${HADOOP_HOME}/sbin/hadoop-daemon.sh start secondarynamenode
    starting secondarynamenode, logging to /opt/modules/hadoop-2.5.0/logs/hadoop-hadoop-secondarynamenode-bigdata-senior01.chybinmy.com.out
    • 1
    • 2

    enter image description here

    6、 JPS命令查看是否已经启动成功,有结果就是启动成功了。

    [hadoop@bigdata-senior01 hadoop-2.5.0]$ jps
    3034 NameNode
    3233 Jps
    3193 SecondaryNameNode
    3110 DataNode
    • 1
    • 2
    • 3
    • 4
    • 5

    enter image description here

    7、 HDFS上测试创建目录、上传、下载文件

    HDFS上创建目录

    [hadoop@bigdata-senior01 hadoop-2.5.0]$ ${HADOOP_HOME}/bin/hdfs dfs -mkdir /demo1
    • 1

    上传本地文件到HDFS上

    [hadoop@bigdata-senior01 hadoop-2.5.0]$ ${HADOOP_HOME}/bin/hdfs dfs -put 
    ${HADOOP_HOME}/etc/hadoop/core-site.xml /demo1
    • 1
    • 2

    读取HDFS上的文件内容

    [hadoop@bigdata-senior01 hadoop-2.5.0]$ ${HADOOP_HOME}/bin/hdfs dfs -cat /demo1/core-site.xml
    • 1

    enter image description here

    从HDFS上下载文件到本地

    [hadoop@bigdata-senior01 hadoop-2.5.0]$ bin/hdfs dfs -get /demo1/core-site.xml
    • 1

    enter image description here

    十七、配置、启动YARN

    1、 配置mapred-site.xml

    默认没有mapred-site.xml文件,但是有个mapred-site.xml.template配置模板文件。复制模板生成mapred-site.xml。

    [hadoop@bigdata-senior01 hadoop-2.5.0]# cp etc/hadoop/mapred-site.xml.template etc/hadoop/mapred-site.xml
    • 1

    添加配置如下:

    <property>
    <name>mapreduce.framework.name</name>
    <value>yarn</value>
    </property>
    • 1
    • 2
    • 3
    • 4

    指定mapreduce运行在yarn框架上。

    enter image description here

    2、 配置yarn-site.xml

    添加配置如下:

    <property>
      <name>yarn.nodemanager.aux-services</name>
      <value>mapreduce_shuffle</value>
    </property>
    <property>
        <name>yarn.resourcemanager.hostname</name>
        <value>bigdata-senior01.chybinmy.com</value>
     </property>
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • yarn.nodemanager.aux-services配置了yarn的默认混洗方式,选择为mapreduce的默认混洗算法。

    • yarn.resourcemanager.hostname指定了Resourcemanager运行在哪个节点上。

      enter image description here

    3、 启动Resourcemanager

    [hadoop@bigdata-senior01 hadoop-2.5.0]$ ${HADOOP_HOME}/sbin/yarn-daemon.sh start resourcemanager
    • 1

    enter image description here

    4、 启动nodemanager

    [hadoop@bigdata-senior01 hadoop-2.5.0]$ ${HADOOP_HOME}/sbin/yarn-daemon.sh start nodemanager
    • 1

    enter image description here

    5、 查看是否启动成功

    [hadoop@bigdata-senior01 hadoop-2.5.0]$ jps
    3034 NameNode
    4439 NodeManager
    4197 ResourceManager
    4543 Jps
    3193 SecondaryNameNode
    3110 DataNode
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7

    可以看到ResourceManager、NodeManager已经启动成功了。

    enter image description here

    6、 YARN的Web页面

    YARN的Web客户端端口号是8088,通过http://192.168.100.10:8088/可以查看。

    enter image description here

    十八、运行MapReduce Job

    在Hadoop的share目录里,自带了一些jar包,里面带有一些mapreduce实例小例子,位置在share/hadoop/mapreduce/hadoop-mapreduce-examples-2.5.0.jar,可以运行这些例子体验刚搭建好的Hadoop平台,我们这里来运行最经典的WordCount实例。

    1、 创建测试用的Input文件

    创建输入目录:

    [hadoop@bigdata-senior01 hadoop-2.5.0]$ bin/hdfs dfs -mkdir -p /wordcountdemo/input
    • 1

    创建原始文件:

    在本地/opt/data目录创建一个文件wc.input,内容如下。

    enter image description here

    将wc.input文件上传到HDFS的/wordcountdemo/input目录中:

    [hadoop@bigdata-senior01 hadoop-2.5.0]$ bin/hdfs dfs -put /opt/data/wc.input /wordcountdemo/input
    • 1

    enter image description here

    2、 运行WordCount MapReduce Job

    [hadoop@bigdata-senior01 hadoop-2.5.0]$ bin/yarn jar share/hadoop/mapreduce/hadoop-mapreduce-examples-
    2.5.0.jar wordcount /wordcountdemo/input /wordcountdemo/output
    • 1
    • 2

    enter image description here

    3、 查看输出结果目录

    [hadoop@bigdata-senior01 hadoop-2.5.0]$ bin/hdfs dfs -ls /wordcountdemo/output
    -rw-r--r--   1 hadoop supergroup          0 2016-07-05 05:12 /wordcountdemo/output/_SUCCESS
    -rw-r--r--   1 hadoop supergroup         60 2016-07-05 05:12 /wordcountdemo/output/part-r-00000
    • 1
    • 2
    • 3

    enter image description here

    • output目录中有两个文件,_SUCCESS文件是空文件,有这个文件说明Job执行成功。

    • part-r-00000文件是结果文件,其中-r-说明这个文件是Reduce阶段产生的结果,mapreduce程序执行时,可以没有reduce阶段,但是肯定会有map阶段,如果没有reduce阶段这个地方有是-m-。

    • 一个reduce会产生一个part-r-开头的文件。

    • 查看输出文件内容。

    [hadoop@bigdata-senior01 hadoop-2.5.0]$ bin/hdfs dfs -cat /wordcountdemo/output/part-r-00000
    hadoop  3
    hbase   1
    hive    2
    mapreduce       1
    spark   2
    sqoop   1
    storm   1
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8

    结果是按照键值排好序的。

    十九、停止Hadoop

     [hadoop@bigdata-senior01 hadoop-2.5.0]$ sbin/hadoop-daemon.sh stop namenode
    stopping namenode
    [hadoop@bigdata-senior01 hadoop-2.5.0]$ sbin/hadoop-daemon.sh stop datanode
    stopping datanode
    [hadoop@bigdata-senior01 hadoop-2.5.0]$ sbin/yarn-daemon.sh stop resourcemanager
    stopping resourcemanager
    [hadoop@bigdata-senior01 hadoop-2.5.0]$ sbin/yarn-daemon.sh stop nodemanager
    stopping nodemanager
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8

    enter image description here

    二十、 Hadoop各个功能模块的理解

    1、 HDFS模块

    HDFS负责大数据的存储,通过将大文件分块后进行分布式存储方式,突破了服务器硬盘大小的限制,解决了单台机器无法存储大文件的问题,HDFS是个相对独立的模块,可以为YARN提供服务,也可以为HBase等其他模块提供服务。

    2、 YARN模块

    YARN是一个通用的资源协同和任务调度框架,是为了解决Hadoop1.x中MapReduce里NameNode负载太大和其他问题而创建的一个框架。

    YARN是个通用框架,不止可以运行MapReduce,还可以运行Spark、Storm等其他计算框架。

    3、 MapReduce模块

    MapReduce是一个计算框架,它给出了一种数据处理的方式,即通过Map阶段、Reduce阶段来分布式地流式处理数据。它只适用于大数据的离线处理,对实时性要求很高的应用不适用。

    第七步、开启历史服务

    二十一、历史服务介绍

    Hadoop开启历史服务可以在web页面上查看Yarn上执行job情况的详细信息。可以通过历史服务器查看已经运行完的Mapreduce作业记录,比如用了多少个Map、用了多少个Reduce、作业提交时间、作业启动时间、作业完成时间等信息。

    二十二、开启历史服务

    [hadoop@bigdata-senior01 hadoop-2.5.0]$ sbin/mr-jobhistory-daemon.sh start historyserver、
    • 1

    开启后,可以通过Web页面查看历史服务器:

    http://bigdata-senior01.chybinmy.com:19888/

    二十三、Web查看job执行历史

    1、 运行一个mapreduce任务

    [hadoop@bigdata-senior01 hadoop-2.5.0]$ bin/yarn jar share/hadoop/mapreduce/hadoop-mapreduce-examples-
    2.5.0.jar wordcount /wordcountdemo/input /wordcountdemo/output1
    • 1
    • 2

    2、 job执行中

    enter image description here

    3、 查看job历史

    enter image description here

    enter image description here

    历史服务器的Web端口默认是19888,可以查看Web界面。

    但是在上面所显示的某一个Job任务页面的最下面,Map和Reduce个数的链接上,点击进入Map的详细信息页面,再查看某一个Map或者Reduce的详细日志是看不到的,是因为没有开启日志聚集服务。

    二十四、开启日志聚集

    4、 日志聚集介绍

    MapReduce是在各个机器上运行的,在运行过程中产生的日志存在于各个机器上,为了能够统一查看各个机器的运行日志,将日志集中存放在HDFS上,这个过程就是日志聚集。

    5、 开启日志聚集

    配置日志聚集功能:

    Hadoop默认是不启用日志聚集的。在yarn-site.xml文件里配置启用日志聚集。

    <property>
        <name>yarn.log-aggregation-enable</name>
        <value>true</value>
     </property>
    <property>
        <name>yarn.log-aggregation.retain-seconds</name>
        <value>106800</value>
     </property>
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8

    yarn.log-aggregation-enable:是否启用日志聚集功能。

    yarn.log-aggregation.retain-seconds:设置日志保留时间,单位是秒。

    将配置文件分发到其他节点:

    [hadoop@bigdata-senior01 hadoop]$ scp /opt/modules/hadoop-2.5.0/etc/hadoop/yarn-site.xml bigdata-senior02.chybinmy.com:/opt/modules/hadoop-2.5.0/etc/hadoop/
    [hadoop@bigdata-senior01 hadoop]$ scp /opt/modules/hadoop-2.5.0/etc/hadoop/yarn-site.xml bigdata-senior03.chybinmy.com:/opt/modules/hadoop-2.5.0/etc/hadoop/
    • 1
    • 2

    重启Yarn进程:

    [hadoop@bigdata-senior01 hadoop-2.5.0]$ sbin/stop-yarn.sh
    [hadoop@bigdata-senior01 hadoop-2.5.0]$ sbin/start-yarn.sh
    • 1
    • 2

    重启HistoryServer进程:

    [hadoop@bigdata-senior01 hadoop-2.5.0]$ sbin/mr-jobhistory-daemon.sh stop historyserver
    [hadoop@bigdata-senior01 hadoop-2.5.0]$ sbin/mr-jobhistory-daemon.sh start historyserver
    • 1
    • 2

    6、 测试日志聚集

    运行一个demo MapReduce,使之产生日志:

    bin/yarn jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.5.0.jar wordcount /input /output1
    • 1

    查看日志:

    运行Job后,就可以在历史服务器Web页面查看各个Map和Reduce的日志了。 

    第四部分:完全分布式安装

    第八步、完全布式环境部署Hadoop

    完全分部式是真正利用多台Linux主机来进行部署Hadoop,对Linux机器集群进行规划,使得Hadoop各个模块分别部署在不同的多台机器上。

    二十五、环境准备

    1、 克隆虚拟机

    • Vmware左侧选中要克隆的机器,这里对原有的BigData01机器进行克隆,虚拟机菜单中,选中管理菜单下的克隆命令。

    • 选择“创建完整克隆”,虚拟机名称为BigData02,选择虚拟机文件保存路径,进行克隆。

    • 再次克隆一个名为BigData03的虚拟机。

    2、 配置网络

    修改网卡名称:

    在BigData02和BigData03机器上编辑网卡信息。执行sudo vim /etc/udev/rules.d/70-persistent-net.rules命令。因为是从BigData01机器克隆来的,所以会保留BigData01的网卡eth0,并且再添加一个网卡eth1。并且eth0的Mac地址和BigData01的地址是一样的,Mac地址不允许相同,所以要删除eth0,只保留eth1网卡,并且要将eth1改名为eth0。将修改后的eth0的mac地址复制下来,修改network-scripts文件中的HWADDR属性。

    sudo vim /etc/sysconfig/network-scripts/ifcfg-eth0
    • 1

    enter image description here

    修改网络参数:

    BigData02机器IP改为192.168.100.12

    BigData03机器IP改为192.168.100.13

    3、 配置Hostname

    BigData02配置hostname为 bigdata-senior02.chybinmy.com

    BigData03配置hostname为 bigdata-senior03.chybinmy.com

    4、 配置hosts

    BigData01、BigData02、BigData03三台机器hosts都配置为:

    [hadoop@bigdata-senior01 hadoop-2.5.0]$ sudo vim /etc/hosts
    192.168.100.10 bigdata-senior01.chybinmy.com
    192.168.100.12 bigdata-senior02.chybinmy.com
    192.168.100.13 bigdata-senior03.chybinmy.com
    • 1
    • 2
    • 3
    • 4

    5、 配置Windows上的SSH客户端

    在本地Windows中的SSH客户端上添加对BigData02、BigData03机器的SSH链接。

    二十六、服务器功能规划

    bigdata-senior01.chybinmy.combigdata-senior02.chybinmy.combigdata-senior03.chybinmy.com
    NameNodeResourceManage 
    DataNodeDataNodeDataNode
    NodeManagerNodeManagerNodeManager
    HistoryServer SecondaryNameNode

    二十七、在第一台机器上安装新的Hadoop

    为了和之前BigData01机器上安装伪分布式Hadoop区分开来,我们将BigData01上的Hadoop服务都停止掉,然后在一个新的目录/opt/modules/app下安装另外一个Hadoop。 
    我们采用先在第一台机器上解压、配置Hadoop,然后再分发到其他两台机器上的方式来安装集群。

    6、 解压Hadoop目录:

    [hadoop@bigdata-senior01 modules]$ tar -zxf /opt/sofeware/hadoop-2.5.0.tar.gz -C /opt/modules/app/
    • 1

    7、 配置Hadoop JDK路径修改hadoop-env.sh、mapred-env.sh、yarn-env.sh文件中的JDK路径:

    export JAVA_HOME="/opt/modules/jdk1.7.0_67"
    • 1

    8、 配置core-site.xml

    [hadoop@bigdata-senior01 hadoop-2.5.0]$ vim etc/hadoop/core-site.xml
    • 1
    <configuration>
     <property>
       <name>fs.defaultFS</name>
       <value>hdfs://bigdata-senior01.chybinmy.com:8020</value>
     </property>
     <property>
       <name>hadoop.tmp.dir</name>
       <value>/opt/modules/app/hadoop-2.5.0/data/tmp</value>
     </property>
    </configuration>
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10

    fs.defaultFS为NameNode的地址。

    hadoop.tmp.dir为hadoop临时目录的地址,默认情况下,NameNode和DataNode的数据文件都会存在这个目录下的对应子目录下。应该保证此目录是存在的,如果不存在,先创建。

    9、 配置hdfs-site.xml

    [hadoop@bigdata-senior01 hadoop-2.5.0]$ vim etc/hadoop/hdfs-site.xml
    • 1
    <configuration>
     <property>
       <name>dfs.namenode.secondary.http-address</name>
       <value>bigdata-senior03.chybinmy.com:50090</value>
     </property>
    </configuration>
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6

    dfs.namenode.secondary.http-address是指定secondaryNameNode的http访问地址和端口号,因为在规划中,我们将BigData03规划为SecondaryNameNode服务器。

    所以这里设置为:bigdata-senior03.chybinmy.com:50090

    10、 配置slaves

    [hadoop@bigdata-senior01 hadoop-2.5.0]$ vim etc/hadoop/slaves
    bigdata-senior01.chybinmy.com
    bigdata-senior02.chybinmy.com
    bigdata-senior03.chybinmy.com
    • 1
    • 2
    • 3
    • 4

    slaves文件是指定HDFS上有哪些DataNode节点。

    11、 配置yarn-site.xml

    [hadoop@bigdata-senior01 hadoop-2.5.0]$ vim etc/hadoop/yarn-site.xml
    • 1
        <property>
            <name>yarn.nodemanager.aux-services</name>
            <value>mapreduce_shuffle</value>
        </property>
        <property>
            <name>yarn.resourcemanager.hostname</name>
            <value>bigdata-senior02.chybinmy.com</value>
        </property>
        <property>
            <name>yarn.log-aggregation-enable</name>
            <value>true</value>
        </property>
        <property>
            <name>yarn.log-aggregation.retain-seconds</name>
            <value>106800</value>
        </property>
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14
    • 15
    • 16

    根据规划yarn.resourcemanager.hostname这个指定resourcemanager服务器指向bigdata-senior02.chybinmy.com

    yarn.log-aggregation-enable是配置是否启用日志聚集功能。

    yarn.log-aggregation.retain-seconds是配置聚集的日志在HDFS上最多保存多长时间。

    12、 配置mapred-site.xml

    从mapred-site.xml.template复制一个mapred-site.xml文件。

    [hadoop@bigdata-senior01 hadoop-2.5.0]$ cp etc/hadoop/mapred-site.xml.template etc/hadoop/mapred-site.xml
    • 1
    <configuration>
        <property>
            <name>mapreduce.framework.name</name>
            <value>yarn</value>
        </property>
        <property>
            <name>mapreduce.jobhistory.address</name>
            <value>bigdata-senior01.chybinmy.com:10020</value>
        </property>
        <property>
            <name>mapreduce.jobhistory.webapp.address</name>
            <value>bigdata-senior01.chybinmy.com:19888</value>
        </property>
    </configuration>
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14

    mapreduce.framework.name设置mapreduce任务运行在yarn上。

    mapreduce.jobhistory.address是设置mapreduce的历史服务器安装在BigData01机器上。

    mapreduce.jobhistory.webapp.address是设置历史服务器的web页面地址和端口号。

    二十八、设置SSH无密码登录

    Hadoop集群中的各个机器间会相互地通过SSH访问,每次访问都输入密码是不现实的,所以要配置各个机器间的

    SSH是无密码登录的。

    1、 在BigData01上生成公钥

    [hadoop@bigdata-senior01 hadoop-2.5.0]$ ssh-keygen -t rsa
    • 1

    一路回车,都设置为默认值,然后再当前用户的Home目录下的.ssh目录中会生成公钥文件(id_rsa.pub)和私钥文件(id_rsa)

    2、 分发公钥

    [hadoop@bigdata-senior01 hadoop-2.5.0]$ ssh-copy-id bigdata-senior01.chybinmy.com
    [hadoop@bigdata-senior01 hadoop-2.5.0]$ ssh-copy-id bigdata-senior02.chybinmy.com
    [hadoop@bigdata-senior01 hadoop-2.5.0]$ ssh-copy-id bigdata-senior03.chybinmy.com
    • 1
    • 2
    • 3

    3、 设置BigData02、BigData03到其他机器的无密钥登录

    同样的在BigData02、BigData03上生成公钥和私钥后,将公钥分发到三台机器上。

    二十九、分发Hadoop文件

    1、 首先在其他两台机器上创建存放Hadoop的目录

    [hadoop@bigdata-senior02 ~]$ mkdir /opt/modules/app
    [hadoop@bigdata-senior03 ~]$ mkdir /opt/modules/app
    • 1
    • 2

    2、 通过Scp分发

    Hadoop根目录下的share/doc目录是存放的hadoop的文档,文件相当大,建议在分发之前将这个目录删除掉,可以节省硬盘空间并能提高分发的速度。

    doc目录大小有1.6G。

    [hadoop@bigdata-senior01 hadoop-2.5.0]$ du -sh /opt/modules/app/hadoop-2.5.0/share/doc
    1.6G    /opt/modules/app/hadoop-2.5.0/share/doc
    [hadoop@bigdata-senior01 hadoop-2.5.0]$ scp -r /opt/modules/app/hadoop-2.5.0/ bigdata-senior02.chybinmy.com:/opt/modules/app
    [hadoop@bigdata-senior01 hadoop-2.5.0]$ scp -r /opt/modules/app/hadoop-2.5.0/ bigdata-senior03.chybinmy.com:/opt/modules/app
    • 1
    • 2
    • 3
    • 4

    三十、格式NameNode

    在NameNode机器上执行格式化:

    [hadoop@bigdata-senior01 hadoop-2.5.0]$ /opt/modules/app/hadoop-2.5.0/bin/hdfs namenode –format
    • 1

    注意:

    如果需要重新格式化NameNode,需要先将原来NameNode和DataNode下的文件全部删除,不然会报错,NameNode和DataNode所在目录是在core-site.xmlhadoop.tmp.dirdfs.namenode.name.dirdfs.datanode.data.dir属性配置的。

    <property>
         <name>hadoop.tmp.dir</name>
         <value>/opt/data/tmp</value>
      </property>
    <property>
         <name>dfs.namenode.name.dir</name>
         <value>file://${hadoop.tmp.dir}/dfs/name</value>
      </property>
    <property>
         <name>dfs.datanode.data.dir</name>
         <value>file://${hadoop.tmp.dir}/dfs/data</value>
      </property>
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12

    因为每次格式化,默认是创建一个集群ID,并写入NameNode和DataNode的VERSION文件中(VERSION文件所在目录为dfs/name/current 和 dfs/data/current),重新格式化时,默认会生成一个新的集群ID,如果不删除原来的目录,会导致namenode中的VERSION文件中是新的集群ID,而DataNode中是旧的集群ID,不一致时会报错。

    另一种方法是格式化时指定集群ID参数,指定为旧的集群ID。

    三十一、启动集群

    1、 启动HDFS

    [hadoop@bigdata-senior01 hadoop-2.5.0]$ /opt/modules/app/hadoop-2.5.0/sbin/start-dfs.sh
    • 1

    enter image description here

    2、 启动YARN

    [hadoop@bigdata-senior01 hadoop-2.5.0]$ /opt/modules/app/hadoop-2.5.0/sbin/start-yarn.sh
    • 1

    在BigData02上启动ResourceManager:

    [hadoop@bigdata-senior02 hadoop-2.5.0]$ sbin/yarn-daemon.sh start resourcemanager
    • 1

    enter image description here

    3、 启动日志服务器

    因为我们规划的是在BigData03服务器上运行MapReduce日志服务,所以要在BigData03上启动。

    [hadoop@bigdata-senior03 ~]$ /opt/modules/app/hadoop-2.5.0/sbin/mr-jobhistory-daemon.sh start historyserver
    starting historyserver, logging to /opt/modules/app/hadoop-2.5.0/logs/mapred-hadoop-historyserver-bigda       ta-senior03.chybinmy.com.out
    • 1
    • 2
    [hadoop@bigdata-senior03 ~]$ jps
    3570 Jps
    3537 JobHistoryServer
    3310 SecondaryNameNode
    3213 DataNode
    3392 NodeManager
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6

    4、 查看HDFS Web页面

    http://bigdata-senior01.chybinmy.com:50070/

    5、 查看YARN Web 页面

    http://bigdata-senior02.chybinmy.com:8088/cluster

    三十二、测试Job

    我们这里用hadoop自带的wordcount例子来在本地模式下测试跑mapreduce。

    1、 准备mapreduce输入文件wc.input

    [hadoop@bigdata-senior01 modules]$ cat /opt/data/wc.input
    hadoop mapreduce hive
    hbase spark storm
    sqoop hadoop hive
    spark hadoop
    • 1
    • 2
    • 3
    • 4
    • 5

    2、 在HDFS创建输入目录input

    [hadoop@bigdata-senior01 hadoop-2.5.0]$ bin/hdfs dfs -mkdir /input
    • 1

    3、 将wc.input上传到HDFS

    [hadoop@bigdata-senior01 hadoop-2.5.0]$ bin/hdfs dfs -put /opt/data/wc.input /input/wc.input
    • 1

    4、 运行hadoop自带的mapreduce Demo

    [hadoop@bigdata-senior01 hadoop-2.5.0]$ bin/yarn jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.5.0.jar wordcount /input/wc.input /output
    • 1

    enter image description here

    5、 查看输出文件

    [hadoop@bigdata-senior01 hadoop-2.5.0]$ bin/hdfs dfs -ls /output
    Found 2 items
    -rw-r--r--   3 hadoop supergroup          0 2016-07-14 16:36 /output/_SUCCESS
    -rw-r--r--   3 hadoop supergroup         60 2016-07-14 16:36 /output/part-r-00000
    • 1
    • 2
    • 3
    • 4

    第五部分:Hadoop HA安装

    HA的意思是High Availability高可用,指当当前工作中的机器宕机后,会自动处理这个异常,并将工作无缝地转移到其他备用机器上去,以来保证服务的高可用。

    HA方式安装部署才是最常见的生产环境上的安装部署方式。Hadoop HA是Hadoop 2.x中新添加的特性,包括NameNode HA 和 ResourceManager HA。因为DataNode和NodeManager本身就是被设计为高可用的,所以不用对他们进行特殊的高可用处理。

    第九步、时间服务器搭建

    Hadoop对集群中各个机器的时间同步要求比较高,要求各个机器的系统时间不能相差太多,不然会造成很多问题。可以配置集群中各个机器和互联网的时间服务器进行时间同步,但是在实际生产环境中,集群中大部分服务器是不能连接外网的,这时候可以在内网搭建一个自己的时间服务器(NTP服务器),集群的各个机器与这个时间服务器进行时间同步。

    三十三、配置NTP服务器

    我们选择第三台机器(bigdata-senior03.chybinmy.com)为NTF服务器,其他机器和这台机器进行同步。

    1、 检查ntp服务是否已经安装

    [hadoop@bigdata-senior03 data]$ sudo rpm -qa | grep ntp
    ntpdate-4.2.6p5-1.el6.centos.x86_64
    ntp-4.2.6p5-1.el6.centos.x86_64
    • 1
    • 2
    • 3

    显示已经安装过了ntp程序,其中ntpdate-4.2.6p5-1.el6.centos.x86_64 是用来和某台服务器进行同步的,ntp-4.2.6p5-1.el6.centos.x86_64是用来提供时间同步服务的。

    2、 修改配置文件ntp.conf

    [hadoop@bigdata-senior03 data]$ vim /etc/ntp.conf
    • 1

    启用restrice,修改网段

    restrict 192.168.100.0 mask 255.255.255.0 nomodify notrap 
    将这行的注释去掉,并且将网段改为集群的网段,我们这里是100网段。

    注释掉server域名配置

    #server 0.centos.pool.ntp.org iburst
    #server 1.centos.pool.ntp.org iburst
    #server 2.centos.pool.ntp.org iburst
    #server 3.centos.pool.ntp.org iburst
    • 1
    • 2
    • 3
    • 4

    是时间服务器的域名,这里不需要连接互联网,所以将他们注释掉。

    修改

    server 127.127.1.0

    fudge 127.127.1.0 stratum 10

    3、 修改配置文件ntpd

    [hadoop@bigdata-senior03 ~]$ sudo vim /etc/sysconfig/ntpd
    • 1

    添加一行配置:SYNC_CLOCK=yes

    enter image description here

    4、 启动ntp服务

    [hadoop@bigdata-senior03 ~]$ sudo chkconfig ntpd on
    • 1

    这样每次机器启动时,ntp服务都会自动启动。

    三十四、配置其他机器的同步

    切换到root用户进行配置通过contab进行定时同步:

    [root@bigdata-senior02 hadoop]# crontab -e 
    */10 * * * * /usr/sbin/ntpdate bigdata-senior03.chybinmy.com
    [root@bigdata-senior02 hadoop]# crontab -e 
    */10 * * * * /usr/sbin/ntpdate bigdata-senior03.chybinmy.com
    • 1
    • 2
    • 3
    • 4

    三十五、 测试同步是否有效

    1、 查看目前三台机器的时间

    [hadoop@bigdata-senior03 ~]$ date "+%Y-%m-%d %H:%M:%S"
    2016-09-23 16:43:56
    [hadoop@bigdata-senior02 ~]$ date "+%Y-%m-%d %H:%M:%S"
    2016-09-23 16:44:08
    [hadoop@bigdata-senior01 data]$ date "+%Y-%m-%d %H:%M:%S"
    2016-09-23 16:44:18
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6

    2、 修改bigdata-senior01上的时间

    将时间改为一个以前的时间:

    [hadoop@bigdata-senior01 data]$ sudo date -s '2016-01-01 00:00:00'
    Fri Jan  1 00:00:00 CST 2016
    [hadoop@bigdata-senior01 data]$ date "+%Y-%m-%d %H:%M:%S"
    2016-01-01 00:00:05
    • 1
    • 2
    • 3
    • 4

    等10分钟,看是否可以实现自动同步,将bigdata-senior01上的时间修改为和bigdata-senior03上的一致。

    3、 查看是否自动同步时间

    [hadoop@bigdata-senior01 data]$ date "+%Y-%m-%d %H:%M:%S"
    2016-09-23 16:54:36
    • 1
    • 2

    可以看到bigdata-senior01上的时间已经实现自动同步了。

    第十步、Zookeeper分布式机器部署

    三十六、zookeeper说明

    Zookeeper在Hadoop集群中的作用。

    Zookeeper是分布式管理协作框架,Zookeeper集群用来保证Hadoop集群的高可用,(高可用的含义是:集群中就算有一部分服务器宕机,也能保证正常地对外提供服务。)

    Zookeeper保证高可用的原理。

    Zookeeper集群能够保证NamaNode服务高可用的原理是:Hadoop集群中有两个NameNode服务,两个NaameNode都定时地给Zookeeper发送心跳,告诉Zookeeper我还活着,可以提供服务,单某一个时间只有一个是Action状态,另外一个是Standby状态,一旦Zookeeper检测不到Action NameNode发送来的心跳后,就切换到Standby状态的NameNode上,将它设置为Action状态,所以集群中总有一个可用的NameNode,达到了NameNode的高可用目的。

    Zookeeper的选举机制。

    Zookeeper集群也能保证自身的高可用,保证自身高可用的原理是,Zookeeper集群中的各个机器分为Leader和Follower两个角色,写入数据时,要先写入Leader,Leader同意写入后,再通知Follower写入。客户端读取数时,因为数据都是一样的,可以从任意一台机器上读取数据。

    这里Leader角色就存在单点故障的隐患,高可用就是解决单点故障隐患的。Zookeeper从机制上解决了Leader的单点故障问题,Leader是哪一台机器是不固定的,Leader是选举出来的。选举流程是,集群中任何一台机器发现集群中没有Leader时,就推荐自己为Leader,其他机器来同意,当超过一半数的机器同意它为Leader时,选举结束,所以Zookeeper集群中的机器数据必须是奇数。这样就算当Leader机器宕机后,会很快选举出新的Leader,保证了Zookeeper集群本身的高可用。

    写入高可用。

    集群中的写入操作都是先通知Leader,Leader再通知Follower写入,实际上当超过一半的机器写入成功后,就认为写入成功了,所以就算有些机器宕机,写入也是成功的。

    读取高可用。

    zookeeperk客户端读取数据时,可以读取集群中的任何一个机器。所以部分机器的宕机并不影响读取。

    zookeeper服务器必须是奇数台,因为zookeeper有选举制度,角色有:领导者、跟随者、观察者,选举的目的是保证集群中数据的一致性。

    三十七、安装zookeeper

    我们这里在BigData01、BigData02、BigData03三台机器上安装zookeeper集群。

    1、 解压安装包

    在BigData01上安装解压zookeeper安装包。

    [hadoop@bigdata-senior01 hadoop-2.5.0]$ tar -zxf /opt/sofeware/zookeeper-3.4.8.tar.gz -C /opt/modules/
    • 1

    2、 修改配置

    拷贝conf下的zoo_sample.cfg副本,改名为zoo.cfg。zoo.cfg是zookeeper的配置文件:

    [hadoop@bigdata-senior01 zookeeper-3.4.8]$ cp conf/zoo_sample.cfg conf/zoo.cfg
    • 1

    dataDir属性设置zookeeper的数据文件存放的目录:

    dataDir=/opt/modules/zookeeper-3.4.8/data/zData

    指定zookeeper集群中各个机器的信息:

    server.1=bigdata-senior01.chybinmy.com:2888:3888
    server.2=bigdata-senior02.chybinmy.com:2888:3888
    server.3=bigdata-senior03.chybinmy.com:2888:3888
    • 1
    • 2
    • 3

    server后面的数字范围是1到255,所以一个zookeeper集群最多可以有255个机器。

    enter image description here

    3、 创建myid文件

    在dataDir所指定的目录下创一个名为myid的文件,文件内容为server点后面的数字。

    enter image description here

    4、 分发到其他机器

    [hadoop@bigdata-senior01 zookeeper-3.4.8]$ scp -r /opt/modules/zookeeper-3.4.8 bigdata-senior02.chybinmy.com:/opt/modules
    [hadoop@bigdata-senior01 zookeeper-3.4.8]$ scp -r /opt/modules/zookeeper-3.4.8 bigdata-senior03.chybinmy.com:/opt/modules
    • 1
    • 2

    5、 修改其他机器上的myid文件

    [hadoop@bigdata-senior02 zookeeper-3.4.8]$ echo 2 > /opt/modules/zookeeper-3.4.8/data/zData/myid
    [hadoop@bigdata-senior02 zookeeper-3.4.8]$ cat /opt/modules/zookeeper-3.4.8/data/zData/myid 
    2
    • 1
    • 2
    • 3
    [hadoop@bigdata-senior03 ~]$ echo 3 > /opt/modules/zookeeper-3.4.8/data/zData/myid
    [hadoop@bigdata-senior03 ~]$ cat /opt/modules/zookeeper-3.4.8/data/zData/myid
    3
    • 1
    • 2
    • 3

    6、 启动zookeeper

    需要在各个机器上分别启动zookeeper。

    [hadoop@bigdata-senior01 zookeeper-3.4.8]$ bin/zkServer.sh start
    [hadoop@bigdata-senior02 zookeeper-3.4.8]$ bin/zkServer.sh start
    [hadoop@bigdata-senior03 zookeeper-3.4.8]$ bin/zkServer.sh start
    • 1
    • 2
    • 3

    enter image description here

    三十八、zookeeper命令

    进入zookeeper Shell

    在zookeeper根目录下执行 bin/zkCli.sh进入zk shell模式。

    zookeeper很像一个小型的文件系统,/是根目录,下面的所有节点都叫zNode。

    进入zk shell 后输入任意字符,可以列出所有的zookeeper命令

    enter image description here

    查询zNode上的数据:get /zookeeper

    创建一个zNode : create /znode1 “demodata “

    列出所有子zNode:ls /

    enter image description here

    删除znode : rmr /znode1

    退出shell模式:quit

    第十一步、Hadoop 2.x HDFS HA 部署

    三十九、HDFS HA原理

    单NameNode的缺陷存在单点故障的问题,如果NameNode不可用,则会导致整个HDFS文件系统不可用。所以需要设计高可用的HDFS(Hadoop HA)来解决NameNode单点故障的问题。解决的方法是在HDFS集群中设置多个NameNode节点。但是一旦引入多个NameNode,就有一些问题需要解决。

    • HDFS HA需要保证的四个问题:

      • 保证NameNode内存中元数据数据一致,并保证编辑日志文件的安全性。

      • 多个NameNode如何协作

      • 客户端如何能正确地访问到可用的那个NameNode。

      • 怎么保证任意时刻只能有一个NameNode处于对外服务状态。

    • 解决方法

      • 对于保证NameNode元数据的一致性和编辑日志的安全性,采用Zookeeper来存储编辑日志文件。

      • 两个NameNode一个是Active状态的,一个是Standby状态的,一个时间点只能有一个Active状态的 
        NameNode提供服务,两个NameNode上存储的元数据是实时同步的,当Active的NameNode出现问题时,通过Zookeeper实时切换到Standby的NameNode上,并将Standby改为Active状态。

      • 客户端通过连接一个Zookeeper的代理来确定当时哪个NameNode处于服务状态。

    四十、HDFS HA架构图

    enter image description here

    • HDFS HA架构中有两台NameNode节点,一台是处于活动状态(Active)为客户端提供服务,另外一台处于热备份状态(Standby)。

    • 元数据文件有两个文件:fsimage和edits,备份元数据就是备份这两个文件。JournalNode用来实时从Active NameNode上拷贝edits文件,JournalNode有三台也是为了实现高可用。

    • Standby NameNode不对外提供元数据的访问,它从Active NameNode上拷贝fsimage文件,从JournalNode上拷贝edits文件,然后负责合并fsimage和edits文件,相当于SecondaryNameNode的作用。最终目的是保证Standby NameNode上的元数据信息和Active NameNode上的元数据信息一致,以实现热备份。

    • Zookeeper来保证在Active NameNode失效时及时将Standby NameNode修改为Active状态。

    • ZKFC(失效检测控制)是Hadoop里的一个Zookeeper客户端,在每一个NameNode节点上都启动一个ZKFC进程,来监控NameNode的状态,并把NameNode的状态信息汇报给Zookeeper集群,其实就是在Zookeeper上创建了一个Znode节点,节点里保存了NameNode状态信息。当NameNode失效后,ZKFC检测到报告给Zookeeper,Zookeeper把对应的Znode删除掉,Standby ZKFC发现没有Active状态的NameNode时,就会用shell命令将自己监控的NameNode改为Active状态,并修改Znode上的数据。 
      Znode是个临时的节点,临时节点特征是客户端的连接断了后就会把znode删除,所以当ZKFC失效时,也会导致切换NameNode。

    • DataNode会将心跳信息和Block汇报信息同时发给两台NameNode,DataNode只接受Active NameNode发来的文件读写操作指令。

    四十一、搭建HDFS HA 环境

    1、 服务器角色规划

    bigdata-senior01.chybinmy.combigdata-senior01.chybinmy.combigdata-senior01.chybinmy.com
    NameNodeNameNode 
    ZookeeperZookeeperZookeeper
    DataNodeDataNodeDataNode
     ResourceManageResourceManage
    NodeManagerNodeManagerNodeManager

    2、 创建HDFS HA 版本Hadoop程序目录

    在bigdata01、bigdata02、bigdata03三台机器上分别创建目录/opt/modules/hadoopha/用来存放Hadoop HA环境。

    [hadoop@bigdata-senior01 modules]$ mkdir /opt/modules/hadoopha
    • 1

    3、 新解压Hadoop 2.5.0

    [hadoop@bigdata-senior01 ~]$ tar -zxf /opt/sofeware/hadoop-2.5.0.tar.gz -C /opt/modules/hadoopha/
    • 1

    4、 配置Hadoop JDK路径

    修改hadoop-env.sh、mapred-env.sh、yarn-env.sh文件中的JDK路径
    export JAVA_HOME="/opt/modules/jdk1.7.0_67"
    • 1
    • 2

    5、 配置hdfs-site.xml

    <?xml version="1.0" encoding="UTF-8"?>
    <configuration>
      <property>
        <!-- 为namenode集群定义一个services name -->
        <name>dfs.nameservices</name>
        <value>ns1</value>
      </property>
      <property>
        <!-- nameservice 包含哪些namenode,为各个namenode起名 -->
        <name>dfs.ha.namenodes.ns1</name>
        <value>nn1,nn2</value>
      </property>
      <property>
        <!--  名为nn1的namenode 的rpc地址和端口号,rpc用来和datanode通讯 -->
        <name>dfs.namenode.rpc-address.ns1.nn1</name>
        <value>bigdata-senior01.chybinmy.com:8020</value>
      </property>
      <property>
        <!-- 名为nn2的namenode 的rpc地址和端口号,rpc用来和datanode通讯  -->
        <name>dfs.namenode.rpc-address.ns1.nn2</name>
        <value>bigdata-senior02.chybinmy.com:8020</value>
      </property>
      <property>
        <!--名为nn1的namenode 的http地址和端口号,web客户端 -->
        <name>dfs.namenode.http-address.ns1.nn1</name>
        <value>bigdata-senior01.chybinmy.com:50070</value>
      </property>
      <property>
        <!--名为nn2的namenode 的http地址和端口号,web客户端 -->
        <name>dfs.namenode.http-address.ns1.nn2</name>
        <value>bigdata-senior02.chybinmy.com:50070</value>
      </property>
      <property>
        <!--  namenode间用于共享编辑日志的journal节点列表 -->
        <name>dfs.namenode.shared.edits.dir</name>
        <value>qjournal://bigdata-senior01.chybinmy.com:8485;bigdata-senior02.chybinmy.com:8485;bigdata-senior03.chybinmy.com:8485/ns1</value>
      </property>
      <property>
        <!--  journalnode 上用于存放edits日志的目录 -->
        <name>dfs.journalnode.edits.dir</name>
        <value>/opt/modules/hadoopha/hadoop-2.5.0/tmp/data/dfs/jn</value>
      </property>
      <property>
        <!--  客户端连接可用状态的NameNode所用的代理类 -->
        <name>dfs.client.failover.proxy.provider.ns1</name>
        <value>org.apache.hadoop.hdfs.server.namenode.ha.ConfiguredFailoverProxyProvider</value>
      </property>
      <property>
        <!--   -->
        <name>dfs.ha.fencing.methods</name>
        <value>sshfence</value>
      </property>
      <property>
        <name>dfs.ha.fencing.ssh.private-key-files</name>
        <value>/home/hadoop/.ssh/id_rsa</value>
      </property>
    </configuration>
    
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14
    • 15
    • 16
    • 17
    • 18
    • 19
    • 20
    • 21
    • 22
    • 23
    • 24
    • 25
    • 26
    • 27
    • 28
    • 29
    • 30
    • 31
    • 32
    • 33
    • 34
    • 35
    • 36
    • 37
    • 38
    • 39
    • 40
    • 41
    • 42
    • 43
    • 44
    • 45
    • 46
    • 47
    • 48
    • 49
    • 50
    • 51
    • 52
    • 53
    • 54
    • 55
    • 56
    • 57
    • 58

    6、 配置core-site.xml

    <?xml version="1.0" encoding="UTF-8"?>
    <configuration>
      <property>
        <!--  hdfs 地址,ha中是连接到nameservice -->
        <name>fs.defaultFS</name>
        <value>hdfs://ns1</value>
      </property>
      <property>
        <!--  -->
        <name>hadoop.tmp.dir</name>
        <value>/opt/modules/hadoopha/hadoop-2.5.0/data/tmp</value>
      </property>
    </configuration>
    
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14

    hadoop.tmp.dir设置hadoop临时目录地址,默认时,NameNode和DataNode的数据存在这个路径下。

    7、 配置slaves文件

    bigdata-senior01.chybinmy.com
    bigdata-senior02.chybinmy.com
    bigdata-senior03.chybinmy.com
    • 1
    • 2
    • 3

    8、 分发到其他节点

    分发之前先将share/doc目录删除,这个目录中是帮助文件,并且很大,可以删除。

    [hadoop@bigdata-senior01 hadoop-2.5.0]$ scp -r /opt/modules/hadoopha bigdata-senior02.chybinmy.com:/opt/modules
    [hadoop@bigdata-senior01 hadoop-2.5.0]$ scp -r /opt/modules/hadoopha bigdata-senior03.chybinmy.com:/opt/modules
    • 1
    • 2

    9、 启动HDFS HA集群

    三台机器分别启动Journalnode。

    [hadoop@bigdata-senior01 hadoop-2.5.0]$ sbin/hadoop-daemon.sh start journalnode
    [hadoop@bigdata-senior02 hadoop-2.5.0]$ sbin/hadoop-daemon.sh start journalnode
    [hadoop@bigdata-senior03 hadoop-2.5.0]$ sbin/hadoop-daemon.sh start journalnode
    • 1
    • 2
    • 3

    jps命令查看是否启动。

    10、 启动Zookeeper

    在三台节点上启动Zookeeper:

    [hadoop@bigdata-senior01 zookeeper-3.4.8]$ bin/zkServer.sh start
    [hadoop@bigdata-senior02 zookeeper-3.4.8]$ bin/zkServer.sh start
    [hadoop@bigdata-senior03 zookeeper-3.4.8]$ bin/zkServer.sh start
    • 1
    • 2
    • 3

    11、 格式化NameNode

    在第一台上进行NameNode格式化:

    [hadoop@bigdata-senior01 hadoop-2.5.0]$ bin/hdfs namenode -format
    • 1

    在第二台NameNode上:

    [hadoop@bigdata-senior02 hadoop-2.5.0]$ bin/hdfs namenode -bootstrapStandby
    • 1

    12、 启动NameNode

    在第一台、第二台上启动NameNode:

    [hadoop@bigdata-senior01 hadoop-2.5.0]$ sbin/hadoop-daemon.sh start namenode
    [hadoop@bigdata-senior02 hadoop-2.5.0]$ sbin/hadoop-daemon.sh start namenode
    • 1
    • 2

    查看HDFS Web页面,此时两个NameNode都是standby状态。

    切换第一台为active状态:

    [hadoop@bigdata-senior01 hadoop-2.5.0]$ bin/hdfs haadmin -transitionToActive nn1
    • 1

    可以添加上forcemanual参数,强制将一个NameNode转换为Active状态。

    [hadoop@bigdata-senior01 hadoop-2.5.0]$ bin/hdfs haadmin –transitionToActive -forcemanual nn1
    • 1

    此时从web 页面就看到第一台已经是active状态了。

    enter image description here

    13、 配置故障自动转移

    利用zookeeper集群实现故障自动转移,在配置故障自动转移之前,要先关闭集群,不能在HDFS运行期间进行配置。

    关闭NameNode、DataNode、JournalNode、zookeeper

    [hadoop@bigdata-senior01 hadoop-2.5.0]$ sbin/hadoop-daemon.sh stop namenode
    [hadoop@bigdata-senior01 hadoop-2.5.0]$ sbin/hadoop-daemon.sh stop datanode
    [hadoop@bigdata-senior01 hadoop-2.5.0]$ sbin/hadoop-daemon.sh stop journalnode
    [hadoop@bigdata-senior01 hadoop-2.5.0]$ cd ../../zookeeper-3.4.8/
    [hadoop@bigdata-senior01 zookeeper-3.4.8]$ bin/zkServer.sh stop
    [hadoop@bigdata-senior02 hadoop-2.5.0]$ sbin/hadoop-daemon.sh stop namenode
    [hadoop@bigdata-senior02 hadoop-2.5.0]$ sbin/hadoop-daemon.sh stop datanode
    [hadoop@bigdata- senior02 hadoop-2.5.0]$ sbin/hadoop-daemon.sh stop journalnode
    [hadoop@bigdata- senior02 hadoop-2.5.0]$ cd ../../zookeeper-3.4.8/
    [hadoop@bigdata- senior02 zookeeper-3.4.8]$ bin/zkServer.sh stop
    [hadoop@bigdata- senior03 hadoop-2.5.0]$ sbin/hadoop-daemon.sh stop datanode
    [hadoop@bigdata- senior03 hadoop-2.5.0]$ sbin/hadoop-daemon.sh stop journalnode
    [hadoop@bigdata- senior03 hadoop-2.5.0]$ cd ../../zookeeper-3.4.8/
    [hadoop@bigdata- senior03 zookeeper-3.4.8]$ bin/zkServer.sh stop
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14

    修改hdfs-site.xml

    <property>
        <name>dfs.ha.automatic-failover.enabled</name>
        <value>true</value>
    </property>
    • 1
    • 2
    • 3
    • 4

    修改core-site.xml

    <property>
       <name>ha.zookeeper.quorum</name>
       <value>bigdata-senior01.chybinmy.com:2181,bigdata-senior02.chybinmy.com:2181,bigdata-senior03.chybinmy.com:2181</value>
    </property>
    • 1
    • 2
    • 3
    • 4

    将hdfs-site.xml和core-site.xml分发到其他机器

    [hadoop@bigdata-senior01 hadoop-2.5.0]$ scp /opt/modules/hadoopha/hadoop-2.5.0/etc/hadoop/hdfs-site.xml bigdata-senior02.chybinmy.com:/opt/modules/hadoopha/hadoop-2.5.0/etc/hadoop/
    [hadoop@bigdata-senior01 hadoop-2.5.0]$ scp /opt/modules/hadoopha/hadoop-2.5.0/etc/hadoop/hdfs-site.xml bigdata-senior03.chybinmy.com:/opt/modules/hadoopha/hadoop-2.5.0/etc/hadoop/
    [hadoop@bigdata-senior01 hadoop-2.5.0]$ scp /opt/modules/hadoopha/hadoop-2.5.0/etc/hadoop/core-site.xml bigdata-senior02.chybinmy.com:/opt/modules/hadoopha/hadoop-2.5.0/etc/hadoop/
    [hadoop@bigdata-senior01 hadoop-2.5.0]$ scp /opt/modules/hadoopha/hadoop-2.5.0/etc/hadoop/core-site.xml bigdata-senior03.chybinmy.com:/opt/modules/hadoopha/hadoop-2.5.0/etc/hadoop/
    • 1
    • 2
    • 3
    • 4

    启动zookeeper

    三台机器启动zookeeper

    [hadoop@bigdata-senior01 hadoop-2.5.0]$ /opt/modules/zookeeper-3.4.8/bin/zkServer.sh start
    • 1

    创建一个zNode

    [hadoop@bigdata-senior01 hadoop-2.5.0]$ cd /opt/modules/hadoopha/hadoop-2.5.0/
    [hadoop@bigdata-senior01 hadoop-2.5.0]$ bin/hdfs zkfc -formatZK
    • 1
    • 2

    enter image description here

    在Zookeeper上创建一个存储namenode相关的节点。

    14、 启动HDFS、JournalNode、zkfc

    启动NameNode、DataNode、JournalNode、zkfc

    [hadoop@bigdata-senior01 hadoop-2.5.0]$ sbin/start-dfs.sh
    • 1

    zkfc只针对NameNode监听。

    四十二、测试HDFS HA

    1、 测试故障自动转移和数据是否共享

    在nn1上上传文件

    目前bigdata-senior01节点上的NameNode是Active状态的。

    enter image description here

    [hadoop@bigdata-senior01 hadoop-2.5.0]$ bin/hdfs dfs -put /opt/data/wc.input /
    • 1

    enter image description here

    将nn1上的NodeNode进程杀掉

    [hadoop@bigdata-senior01 hadoop-2.5.0]$ kill -9 3364
    • 1

    nn1上的namenode已经无法访问了。

    查看nn2是否是Active状态

    enter image description here

    在nn2上查看是否看见文件

    enter image description here

    经以上验证,已经实现了nn1和nn2之间的文件同步和故障自动转移。

    第十二步、Hadoop 2.x YARN HA 部署

    四十三、YARN HA原理

    Hadoop2.4版本之前,ResourceManager也存在单点故障的问题,也需要实现HA来保证ResourceManger的高可也用性。

    ResouceManager从记录着当前集群的资源分配情况和JOB的运行状态,YRAN HA 利用Zookeeper等共享存储介质来存储这些信息来达到高可用。另外利用Zookeeper来实现ResourceManager自动故障转移。

    enter image description here

    • MasterHADaemon:控制RM的 Master的启动和停止,和RM运行在一个进程中,可以接收外部RPC命令。

    • 共享存储:Active Master将信息写入共享存储,Standby Master读取共享存储信息以保持和Active Master同步。

    • ZKFailoverController:基于Zookeeper实现的切换控制器,由ActiveStandbyElector和HealthMonitor组成,ActiveStandbyElector负责与Zookeeper交互,判断所管理的Master是进入Active还是Standby;HealthMonitor负责监控Master的活动健康情况,是个监视器。

    • Zookeeper:核心功能是维护一把全局锁控制整个集群上只有一个Active的ResourceManager。

    四十四、搭建YARN HA环境

    1、 服务器角色规划

    bigdata-senior01.chybinmy.combigdata-senior01.chybinmy.combigdata-senior01.chybinmy.com
    NameNodeNameNode 
    ZookeeperZookeeperZookeeper
    DataNodeDataNodeDataNode
     ResourceManageResourceManage
    NodeManagerNodeManagerNodeManager

    2、 修改配置文件yarn-site.xml

    <?xml version="1.0" encoding="UTF-8"?>
    <configuration>
      <property>
        <name>yarn.nodemanager.aux-services</name>
        <value>mapreduce_shuffle</value>
      </property>
      <property>
        <name>yarn.log-aggregation-enable</name>
        <value>true</value>
      </property>
      <property>
        <name>yarn.log-aggregation.retain-seconds</name>
        <value>106800</value>
      </property>
      <property>
        <!--  启用resourcemanager的ha功能 -->
        <name>yarn.resourcemanager.ha.enabled</name>
        <value>true</value>
      </property>
      <property>
        <!--  为resourcemanage ha 集群起个id -->
        <name>yarn.resourcemanager.cluster-id</name>
        <value>yarn-cluster</value>
      </property>
      <property>
        <!--  指定resourcemanger ha 有哪些节点名 -->
        <name>yarn.resourcemanager.ha.rm-ids</name>
        <value>rm12,rm13</value>
      </property>
      <property>
        <!--  指定第一个节点的所在机器 -->
        <name>yarn.resourcemanager.hostname.rm12</name>
        <value>bigdata-senior02.chybinmy.com</value>
      </property>
      <property>
        <!--  指定第二个节点所在机器 -->
        <name>yarn.resourcemanager.hostname.rm13</name>
        <value>bigdata-senior03.chybinmy.com</value>
      </property>
      <property>
        <!--  指定resourcemanger ha 所用的zookeeper 节点 -->
        <name>yarn.resourcemanager.zk-address</name>
        <value>bigdata-senior01.chybinmy.com:2181,bigdata-senior02.chybinmy.com:2181,bigdata-senior03.chybinmy.com:2181</value>
      </property>
      <property>
        <!--  -->
        <name>yarn.resourcemanager.recovery.enabled</name>
        <value>true</value>
      </property>
      <property>
        <!--  -->
        <name>yarn.resourcemanager.store.class</name>
        <value>org.apache.hadoop.yarn.server.resourcemanager.recovery.ZKRMStateStore</value>
      </property>
    </configuration>
    
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14
    • 15
    • 16
    • 17
    • 18
    • 19
    • 20
    • 21
    • 22
    • 23
    • 24
    • 25
    • 26
    • 27
    • 28
    • 29
    • 30
    • 31
    • 32
    • 33
    • 34
    • 35
    • 36
    • 37
    • 38
    • 39
    • 40
    • 41
    • 42
    • 43
    • 44
    • 45
    • 46
    • 47
    • 48
    • 49
    • 50
    • 51
    • 52
    • 53
    • 54
    • 55
    • 56

    3、 分发到其他机器

    [hadoop@bigdata-senior01 hadoop-2.5.0]$ scp /opt/modules/hadoopha/hadoop-2.5.0/etc/hadoop/yarn-site.xml bigdata-senior02.chybinmy.com:/opt/modules/hadoopha/hadoop-2.5.0/etc/hadoop/
    [hadoop@bigdata-senior01 hadoop-2.5.0]$ scp /opt/modules/hadoopha/hadoop-2.5.0/etc/hadoop/yarn-site.xml bigdata-senior03.chybinmy.com:/opt/modules/hadoopha/hadoop-2.5.0/etc/hadoop/\
    • 1
    • 2

    4、 启动

    在bigdata-senior01上启动yarn:

    [hadoop@bigdata-senior01 hadoop-2.5.0]$ sbin/start-yarn.sh
    • 1

    在bigdata-senior02、bigdata-senior03上启动resourcemanager:

    [hadoop@bigdata-senior02 hadoop-2.5.0]$ sbin/yarn-daemon.sh start resourcemanager
    [hadoop@bigdata-senior03 hadoop-2.5.0]$ sbin/yarn-daemon.sh start resourcemanager
    • 1
    • 2

    启动后各个节点的进程。

    enter image description here

    enter image description here

    enter image description here

    Web客户端访问bigdata02机器上的resourcemanager正常,它是active状态的。

    http://bigdata-senior02.chybinmy.com:8088/cluster

    访问另外一个resourcemanager,因为他是standby,会自动跳转到active的resourcemanager。

    http://bigdata-senior03.chybinmy.com:8088/cluster

    四十五、测试YARN HA

    5、 运行一个mapreduce job

    [hadoop@bigdata-senior01 hadoop-2.5.0]$ bin/yarn jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.5.0.jar wordcount /wc.input /input
    • 1

    6、 在job运行过程中,将Active状态的resourcemanager进程杀掉。

    [hadoop@bigdata-senior02 hadoop-2.5.0]$ kill -9 4475
    • 1

    7、 观察另外一个resourcemanager是否可以自动接替。

    bigdata02的resourcemanage Web客户端已经不能访问,bigdata03的resourcemanage已经自动变为active状态。

    8、 观察job是否可以顺利完成。

    而mapreduce job 也能顺利完成,没有因为resourcemanager的意外故障而影响运行。

    经过以上测试,已经验证YARN HA 已经搭建成功。

    第十三步、HDFS Federation 架构部署

    四十六、HDFS Federation 的使用原因

    1、 单个NameNode节点的局限性

    命名空间的限制。

    NameNode上存储着整个HDFS上的文件的元数据,NameNode是部署在一台机器上的,因为单个机器硬件的限制,必然会限制NameNode所能管理的文件个数,制约了数据量的增长。

    数据隔离问题。

    整个HDFS上的文件都由一个NameNode管理,所以一个程序很有可能会影响到整个HDFS上的程序,并且权限控制比较复杂。

    性能瓶颈。

    单个NameNode时HDFS文件系统的吞吐量受限于单个NameNode的吞吐量。因为NameNode是个JVM进程,JVM进程所占用的内存很大时,性能会下降很多。

    2、 HDFS Federation介绍

    HDFS Federation是可以在Hadoop集群中设置多个NameNode,不同于HA中多个NameNode是完全一样的,是多个备份,Federation中的多个NameNode是不同的,可以理解为将一个NameNode切分为了多个NameNode,每一个NameNode只负责管理一部分数据。 
    HDFS Federation中的多个NameNode共用DataNode。

    四十七、HDFS Federation的架构图

    enter image description here

    四十八、HDFS Federation搭建

    1、 服务器角色规划

    bigdata-senior01.chybinmy.combigdata-senior01.chybinmy.combigdata-senior01.chybinmy.com
    NameNode1NameNode2NameNode3
     ResourceManage 
    DataNodeDataNodeDataNode
    NodeManagerNodeManagerNodeManager

    2、 创建HDFS Federation 版本Hadoop程序目录

    在bigdata01上创建目录/opt/modules/hadoopfederation /用来存放Hadoop Federation环境。

    [hadoop@bigdata-senior01 modules]$ mkdir /opt/modules/hadoopfederation
    • 1

    3、 新解压Hadoop 2.5.0

    [hadoop@bigdata-senior01 ~]$ tar -zxf /opt/sofeware/hadoop-2.5.0.tar.gz -C /opt/modules/hadoopfederation/
    • 1

    4、 配置Hadoop JDK路径

    修改hadoop-env.sh、mapred-env.sh、yarn-env.sh文件中的JDK路径。

    export JAVA_HOME=”/opt/modules/jdk1.7.0_67”

    5、 配置hdfs-site.xml

    <configuration>
    <property>
    <!—配置三台NameNode -->
        <name>dfs.nameservices</name>
        <value>ns1,ns2,ns3</value>
      </property>
      <property>
    <!—第一台NameNode的机器名和rpc端口,指定了NameNode和DataNode通讯用的端口号 -->
        <name>dfs.namenode.rpc-address.ns1</name>
        <value>bigdata-senior01.chybinmy.com:8020</value>
      </property>
       <property>
    <!—第一台NameNode的机器名和rpc端口,备用端口号 -->
        <name>dfs.namenode.serviceerpc-address.ns1</name>
        <value>bigdata-senior01.chybinmy.com:8022</value>
      </property>
      <property>
    <!—第一台NameNode的http页面地址和端口号 -->
        <name>dfs.namenode.http-address.ns1</name>
        <value>bigdata-senior01.chybinmy.com:50070</value>
      </property>
    <property>
    <!—第一台NameNode的https页面地址和端口号 -->
        <name>dfs.namenode.https-address.ns1</name>
        <value>bigdata-senior01.chybinmy.com:50470</value>
      </property>
    
      <property>
        <name>dfs.namenode.rpc-address.ns2</name>
        <value>bigdata-senior02.chybinmy.com:8020</value>
      </property>
       <property>
        <name>dfs.namenode.serviceerpc-address.ns2</name>
        <value>bigdata-senior02.chybinmy.com:8022</value>
      </property>
      <property>
        <name>dfs.namenode.http-address.ns2</name>
        <value>bigdata-senior02.chybinmy.com:50070</value>
      </property>
        <property>
        <name>dfs.namenode.https-address.ns2</name>
        <value>bigdata-senior02.chybinmy.com:50470</value>
      </property>
    
    
      <property>
        <name>dfs.namenode.rpc-address.ns3</name>
        <value>bigdata-senior03.chybinmy.com:8020</value>
      </property>
       <property>
        <name>dfs.namenode.serviceerpc-address.ns3</name>
        <value>bigdata-senior03.chybinmy.com:8022</value>
      </property>
      <property>
        <name>dfs.namenode.http-address.ns3</name>
        <value>bigdata-senior03.chybinmy.com:50070</value>
      </property>
        <property>
        <name>dfs.namenode.https-address.ns3</name>
        <value>bigdata-senior03.chybinmy.com:50470</value>
      </property>
    
    </configuration>
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14
    • 15
    • 16
    • 17
    • 18
    • 19
    • 20
    • 21
    • 22
    • 23
    • 24
    • 25
    • 26
    • 27
    • 28
    • 29
    • 30
    • 31
    • 32
    • 33
    • 34
    • 35
    • 36
    • 37
    • 38
    • 39
    • 40
    • 41
    • 42
    • 43
    • 44
    • 45
    • 46
    • 47
    • 48
    • 49
    • 50
    • 51
    • 52
    • 53
    • 54
    • 55
    • 56
    • 57
    • 58
    • 59
    • 60
    • 61
    • 62
    • 63

    6、 配置core-site.xml

    <configuration>
    <property>
        <name>hadoop.tmp.dir</name>
        <value>/opt/modules/hadoopha/hadoop-2.5.0/data/tmp</value>
    </property>
    </configuration>
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6

    hadoop.tmp.dir设置hadoop临时目录地址,默认时,NameNode和DataNode的数据存在这个路径下。

    7、 配置slaves文件

    bigdata-senior01.chybinmy.com
    bigdata-senior02.chybinmy.com
    bigdata-senior03.chybinmy.com
    • 1
    • 2
    • 3

    8、 配置yarn-site.xml

    <configuration>
    <property>
        <name>yarn.nodemanager.aux-services</name>
        <value>mapreduce_shuffle</value>
     </property>     
     <property>
        <name>yarn.resourcemanager.hostname</name>
        <value>bigdata-senior02.chybinmy.com</value>
     </property>     
     <property>
        <name>yarn.log-aggregation-enable</name>
        <value>true</value>
     </property>     
     <property>
        <name>yarn.log-aggregation.retain-seconds</name>
        <value>106800</value>
     </property>     
    </configuration>
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14
    • 15
    • 16
    • 17
    • 18

    9、 分发到其他节点

    分发之前先将share/doc目录删除,这个目录中是帮助文件,并且很大,可以删除。

    [hadoop@bigdata-senior01 hadoop-2.5.0]$ scp -r /opt/modules/ /opt/modules/hadoopfederation bigdata-senior02.chybinmy.com:/opt/modules
    [hadoop@bigdata-senior01 hadoop-2.5.0]$ scp -r /opt/modules/hadoopfederation bigdata-senior03.chybinmy.com:/opt/modules
    • 1
    • 2

    10、 格式化NameNode

    在第一台上进行NameNode格式化。

    [hadoop@bigdata-senior01 hadoop-2.5.0]$ bin/hdfs namenode -format -clusterId hadoop-federation-clusterId
    • 1

    这里一定要指定一个集群ID,使得多个NameNode的集群ID是一样的,因为这三个NameNode在同一个集群中,这里集群ID为hadoop-federation-clusterId。

    在第二台NameNode上。

    [hadoop@bigdata-senior02 hadoop-2.5.0]$ bin/hdfs namenode -format -clusterId hadoop-federation-clusterId
    • 1

    在第二台NameNode上。

    [hadoop@bigdata-senior03 hadoop-2.5.0]$ bin/hdfs namenode -format -clusterId hadoop-federation-clusterId
    • 1

    11、 启动NameNode

    在第一台、第二台、第三台机器上启动NameNode:

    [hadoop@bigdata-senior01 hadoop-2.5.0]$ sbin/hadoop-daemon.sh start namenode
    [hadoop@bigdata-senior02 hadoop-2.5.0]$ sbin/hadoop-daemon.sh start namenode
    [hadoop@bigdata-senior03 hadoop-2.5.0]$ sbin/hadoop-daemon.sh start namenode
    • 1
    • 2
    • 3

    启动后,用jps命令查看是否已经启动成功。

    查看HDFS Web页面,此时三个NameNode都是standby状态。

    enter image description here

    enter image description here

    enter image description here

    12、 启动DataNode

    [hadoop@bigdata-senior01 hadoop-2.5.0]$ sbin/hadoop-daemon.sh start datanode
    [hadoop@bigdata-senior02 hadoop-2.5.0]$ sbin/hadoop-daemon.sh start datanode
    [hadoop@bigdata-senior03 hadoop-2.5.0]$ sbin/hadoop-daemon.sh start datanode
    • 1
    • 2
    • 3

    启动后,用jps命令确认DataNode进程已经启动成功。

    四十九、测试HDFS Federation

    1、 修改core-site.xml

    在bigdata-senior01机器上,修改core-site.xml文件,指定连接的NameNode是第一台NameNode。

    [hadoop@bigdata-senior01 hadoop-2.5.0]$ vim etc/hadoop/core-site.xml

    <configuration>
      <property>
         <name>fs.defaultFS</name>
         <value>hdfs://bigdata-senior01.chybinmy.com:8020</value>
      </property>
    <property>
        <name>hadoop.tmp.dir</name>
        <value>/opt/modules/hadoopfederation/hadoop-2.5.0/data/tmp</value>
    </property>
    </configuration>
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10

    2、 在bigdate-senior01上传一个文件到HDFS

    [hadoop@bigdata-senior01 hadoop-2.5.0]$ bin/hdfs dfs -mkdir /tmp
    [hadoop@bigdata-senior01 hadoop-2.5.0]$ bin/hdfs dfs -put ~/shuffle_daily.sh /tmp/shuffle_daily.sh
    • 1
    • 2

    3、 查看HDFS文件

    enter image description here

    可以看到,刚才的文件只上传到了bigdate-senior01机器上的NameNode上了,并没有上传到其他的NameNode上去。

    这样,在HDFS的客户端,可以指定要上传到哪个NameNode上,从而来达到了划分NameNode的目的。

    后记

    这篇文章的操作步骤并不是工作中标准的操作流程,如果在成百上千的机器全部这样安装会被累死,希望读者可以通过文章中一步步地安装,从而初步了解到Hadoop的组成部分,协助过程等,这对于Hadoop的深入使用有很大的帮助。

    展开全文
  • Hadoop大数据从入门到精通

    万人学习 2018-10-22 21:38:05
    Hadoop分布式文件系统(HDFS)和MapReduce的工作原理 如何优化Hadoop机群所需要的硬件配置 搭建Hadoop机群所需要考虑的网络因素 如何利用Hadoop配置选项进行系统性能调优 如何利用FairScheduler为多用户提供服务级别...
  • hadoop应用场景总结

    万次阅读 多人点赞 2017-01-05 14:08:13
    我个人接触hadoop仅仅不到一年,因为是业余时间学习,故进度较慢,看过好多视频,买过好多书,学过基本知识,搭建过伪分布式集群,有过简单的教程式开发,恰逢毕业季,面试过相关岗位,自认为路还很远,还需一步一步...

    我个人接触hadoop仅仅不到一年,因为是业余时间学习,故进度较慢,看过好多视频,买过好多书,学过基本知识,搭建过伪分布式集群,有过简单的教程式开发,恰逢毕业季,面试过相关岗位,自认为路还很远,还需一步一步积累。

    今天总结一篇关于hadoop应用场景的文章,自认为这是学习hadoop的第一步,本文主要解答这几个问题:

    hadoop的十大应用场景?

    hadoop到底能做什么?

    2012年美国著名科技博客GigaOM的专栏作家Derrick Harris跟踪云计算和Hadoop技术已有多年时间,在一篇文章中总结了10个Hadoop的应用场景,下面分享给大家:  

    在线旅游:目前全球范围内80%的在线旅游网站都是在使用Cloudera公司提供的Hadoop发行版,其中SearchBI网站曾经报道过的Expedia也在其中。 

    移动数据:Cloudera运营总监称,美国有70%的智能手机数据服务背后都是由Hadoop来支撑的,也就是说,包括数据的存储以及无线运营商的数据处理等,都是在利用Hadoop技术。 

    电子商务:这一场景应该是非常确定的,eBay就是最大的实践者之一。国内的电商在Hadoop技术上也是储备颇为雄厚的。 

    能源开采:美国Chevron公司是全美第二大石油公司,他们的IT部门主管介绍了Chevron使用Hadoop的经验,他们利用Hadoop进行数据的收集和处理,其中这些数据是海洋的地震数据,以便于他们找到油矿的位置。

    节能:另外一家能源服务商Opower也在使用Hadoop,为消费者提供节约电费的服务,其中对用户电费单进行了预测分析。 

    基础架构管理:这是一个非常基础的应用场景,用户可以用Hadoop从服务器、交换机以及其他的设备中收集并分析数据。 

    图像处理:创业公司Skybox Imaging使用Hadoop来存储并处理图片数据,从卫星中拍摄的高清图像中探测地理变化。 

    诈骗检测:这个场景用户接触的比较少,一般金融服务或者政府机构会用到。利用Hadoop来存储所有的客户交易数据,包括一些非结构化的数据,能够帮助机构发现客户的异常活动,预防欺诈行为。 

    IT安全:除企业IT基础机构的管理之外,Hadoop还可以用来处理机器生成数据以便甄别来自恶意软件或者网络中的攻击。 

    医疗保健:医疗行业也会用到Hadoop,像IBMWatson就会使用Hadoop集群作为其服务的基础,包括语义分析等高级分析技术等。医疗机构可以利用语义分析为患者提供医护人员,并协助医生更好地为患者进行诊断。

    上述转载自:10个hadoop应用场景     总体来说,hadoop能够做很多事,不过说得很虚,只是做个简单了解,让我们接着往下看:

    hadoop是什么?
    (1)Hadoop是一个开源的框架,可编写和运行分布式应用处理大规模数据,是专为离线和大规模数据分析而设计的,并不适合那种对几个记录随机读写的在线事务处理模式。Hadoop=HDFS(文件系统,数据存储技术相关)+ Mapreduce(数据处理),Hadoop的数据来源可以是任何形式,在处理半结构化和非结构化数据上与关系型数据库相比有更好的性能,具有更灵活的处理能力,不管任何数据形式最终会转化为key/value,key/value是基本数据单元。用函数式变成Mapreduce代替SQL,SQL是查询语句,而Mapreduce则是使用脚本和代码,而对于适用于关系型数据库,习惯SQL的Hadoop有开源工具hive代替。
    (2)Hadoop就是一个分布式计算的解决方案.

    hadoop能做什么?

          hadoop擅长日志分析,facebook就用Hive来进行日志分析,2009年时facebook就有非编程人员的30%的人使用HiveQL进行数据分析;淘宝搜索中 的自定义筛选也使用的Hive;利用Pig还可以做高级的数据处理,包括Twitter、LinkedIn 上用于发现您可能认识的人,可以实现类似Amazon.com的协同过滤的推荐效果。淘宝的商品推荐也是;在Yahoo的40%的Hadoop作业是用pig运行的,包括垃圾邮件的识别和过滤,还有用户特征建模。(2012年8月25新更新,天猫的推荐系统是hive,少量尝试mahout!)

        下面举例说明:

          设想一下这样的应用场景. 我有一个100M 的数据库备份的sql 文件.我现在想在不导入到数据库的情况下直接用grep操作通过正则过滤出我想要的内容。例如:某个表中含有相同关键字的记录,有几种方式,一种是直接用linux的命令 grep 还有一种就是通过编程来读取文件,然后对每行数据进行正则匹配得到结果好了 现在是100M 的数据库备份.上述两种方法都可以轻松应对.
    那么如果是1G , 1T 甚至 1PB 的数据呢 ,上面2种方法还能行得通吗? 答案是不能.毕竟单台服务器的性能总有其上限.那么对于这种 超大数据文件怎么得到我们想要的结果呢?
    有种方法 就是分布式计算, 分布式计算的核心就在于 利用分布式算法 把运行在单台机器上的程序扩展到多台机器上并行运行.从而使数据处理能力成倍增加.但是这种分布式计算一般对编程人员要求很高,而且对服务器也有要求.导致了成本变得非常高.
    Hadoop 就是为了解决这个问题诞生的.Hadoop 可以很轻易的把很多linux的廉价pc 组成分布式结点,然后编程人员也不需要知道分布式算法之类,只需要根据mapreduce的规则定义好接口方法,剩下的就交给Haddop. 它会自动把相关的计算分布到各个结点上去,然后得出结果.
    例如上述的例子 : Hadoop 要做的事 首先把 1PB的数据文件导入到 HDFS中, 然后编程人员定义好 map和reduce, 也就是把文件的行定义为key,每行的内容定义为value , 然后进行正则匹配,匹配成功则把结果 通过reduce聚合起来返回.Hadoop 就会把这个程序分布到N 个结点去并行的操作.
    那么原本可能需要计算好几天,在有了足够多的结点之后就可以把时间缩小到几小时之内.


    hadoop使用场景

    大数据量存储:分布式存储(各种云盘,百度,360~还有云平台均有hadoop应用) 日志处理: Hadoop擅长这个 海量计算: 并行计算 ETL:数据抽取到oracle、mysql、DB2、mongdb及主流数据库 使用HBase做数据分析: 用扩展性应对大量读写操作—Facebook构建了基于HBase的实时数据分析系统 机器学习: 比如Apache Mahout项目(Apache Mahout简介 常见领域:协作筛选、集群、归类) 搜索引擎:hadoop + lucene实现 数据挖掘:目前比较流行的广告推荐 大量地从文件中顺序读。HDFS对顺序读进行了优化,代价是对于随机的访问负载较高。 用户行为特征建模 个性化广告推荐 智能仪器推荐

    下面从hadoop的各项技术和各层架构角度分析应用场景
    hadoop各技术下的应用场景:


    hadoop 1.x 技术分布


    数据采集和DataFlow

    对于数据采集主要分为三类,即结构化数据库采集,日志和文件采集,网页采集。对于结构化数据库,采用Sqoop是合适的,可以实现结构化数据库中数据并行批量入库到hdfs存储。对于网页采集,前端可以采用Nutch,全文检索采用lucense,而实际数据存储最好是入库到Hbase数据库。对于日志文件的采集,现在最常用的仍然是flume或chukwa,但是我们要看到如果对于日志文件数据需要进行各种计算处理再入库的时候,往往flume并不容易处理,这也是为何可以采用Pig来做进一步复杂的data flow和process的原因。


    数据采集类似于传统的ETL等工作,因此传统ETL工具中的数据清洗,转换,任务和调度等都是相当重要的内容。这一方面是要基于已有的工具,进行各种接口的扩展以实现对数据的处理和清洗,一方面是加强数据采集过程的调度和任务监控。

    数据存储库

    数据存储在这里先谈三种场景下的三种存储和应用方式,即Hbase,Hive,impala。其中三者都是基于底层的hdfs分布式文件系统。hive重点是sql-batch查询,海量数据的统计类查询分析,而impala的重点是ad-hoc和交互式查询。hive和impala都可以看作是基于OLAP模式的。而Hbase库是支撑业务的CRUD操作(增加(Create)、读取(Retrieve)、更新(Update)和删除(Delete)),各种业务操作下的处理和查询。

    如何对上面三种模式提供共享一致的数据存储和管理服务,HCatalog是基于Apache Hadoop之上的数据表和存储管理服务。提供统一的元数据管理,而不需要知道具体的存储细节当然是最好的,但是Hcatalog本身也还处于完善阶段,包括和Hive ,Pig的集成。

    基于Mysql的MPP数据库Infobright是另外一个MPP(share nothing)数据分析库的选择,如果本身已有的业务系统就是基于Mysql数据库的,那么采用Infobright来做作为一个OLAP分析库也是一个选择。但是本身Infobright的性能,Infobright社区版的稳定性,管控功能的缺失等仍然是需要考量的因素。

    对于mapreduce和zookeeper本身就已经在hbase和hive中使用到了。如hive的hsql语言需要通过mapreduce解析和合并等。而对于impala要注意到本身是基于内存的MPP机制,没有用到mapreduce框架去处理,Dremel之所以能在大数据上实现交互性的响应速度,是因为使用了两方面的技术:一是对有嵌套结构的嵌套关系型数据采用了全新的列式存储格式,一是分布式可扩展统计算法,能够在几千台机器上并行计算查询结果。

    实时流处理
    这个hadoop框架本身没有包含,twitter推出storm可以解决实时热点查询和排序的问题,基于一个巨大的海量数据数据库,如果不是这种基于增量strom模式的分布式实时任务计算和推送,很难真正满足业务对性能的要求。
    storm只是提供了一个开源的实时流处理框架,而真正的任务处理逻辑和代码仍然需要自己去实现,而开源框架只是提供了一个框架,提供了基本的集群控制,任务采集,任务分发,监控和failover的能力。真正在企业内部应用来看,很少有这种实时流场景,而与之对应的CEP复杂事件处理和EDA事件驱动架构,这个基于消息中间件实现的事件发布订阅和推送,事件链的形成相对来说更加成熟。

    另外,hadoop 和 strom还是有本质区别的?

    hadoop的处理方式,不能称之为流,因为当数据来了,不能处理,因为mapreduce还没有跑完。hadoop为什么被称之为批处理。因为它一个mapreduce只能处理当前输入的文件数据。比如日志处理,我想处理去年的数据,那么这个mapreduce只能处理去年的,今年的今天新产生的能不能处理-------不能处理。 想处理该怎么办?另外起一个mapreduce。如果再产生该怎么办,再启动一个mapreduce~
    再来看storm,处理去年的数据,那么今年今天的能不能处理,能处理,如果吞吐量不够,怎么办?排队,那么我们是否需要在此开启storm的topology,答案是不需要,因为一个topology就能处理。

    从Hadoop生态4层架构谈hadoop(2.X)应用背景:

    底层:存储层,文件系统HDFS,NoSQL Hbase

    中间层:资源及数据管理层,YARN以及Sentry等

    上层:MapReduce、Impala、Spark等计算引擎

    顶层:基于MapReduce、Spark等计算引擎的高级封装及工具,如Hive、Pig、Mahout


    hadoop可以作为分布式存储框架存储大规模数据,数据的价值越来越被企业重视,被称为是21世纪的石油;

    存储了大规模的数据,我们要干什么呢,当然是分析数据中的价值,Hadoop+MR(MapReduce)用于离线大数据的分析挖掘,比如:电商数据的分析挖掘、社交数据的分析挖掘,企业客户关系的分析挖掘,最终的目标就是BI了,提高企业运作效率,实现精准营销,各个垂直领域的推荐系统,发现潜在客户等等。在这个数据化时代,每件事都会留下电子档案,分析挖掘日积月累的数据档案,我们就能理解这个世界和我们自己更多。


    MR编写代码复杂度高,由于磁盘IO,分析结果周期长,现实世界中我们对数据分析的实时性要求越来越高,基于内存计算的spark来了。Hadoop+spark正在替代Hadoop+MR成为大数据领域的明星,Cloudera正在积极推动Spark成为Hadoop的默认数据处理引擎。


    更上层应用,如:机器学习,发现、预测分析等都必须基于大规模的数据,没有足够的数据一切扯淡,数据量足够大,就必须分布式存储,依赖大规模的廉价PC构建hadoop集群是非常有必要的。

    展开全文
  • Hadoop基础知识笔记

    千次阅读 2020-04-18 16:36:16
    1. Hadoop分布式文件系统( HDFS) 分布在集群内多台机器上。使用适度的复制,集群可以并行读取数据,进而提供很高的吞吐量。这样一组通用机器比一台高端服务器更加便宜。代码向数据迁移的理念被应用在Hadoop集群自身...
  • Hadoop

    万次阅读 2019-10-14 20:48:54
    Hadoop简介 Hadoop 的思想之源:Google 第一遇到大数据计算问题的公司 Openstack :NASA 面对的数据和计算难题 - 大量的网页怎么存储 - 搜索算法 带给我们的关键技术和思想(Google三大理论) - GFS 文件存储 - Map-...
  • Hadoop入门——初识Hadoop

    万次阅读 多人点赞 2020-08-24 09:41:21
    Hadoop被公认是一套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开发工具、开源软件、商业化工具和技术服务。今年大型IT公司,如EMC、Microsoft、Intel、...
  • Hadoop完整解析

    万次阅读 多人点赞 2019-01-14 11:33:02
    1:首先了解一下Hadoop是什么以及能为我们做些什么 https://blog.csdn.net/zhang123456456/article/details/77657807 2:Hadoop的安装方式 !!!注意点: 为了保证远程云主机的内网地址本地可见 需要配置VPN访问 ...
  • Hadoop详解

    千次阅读 2018-07-26 20:20:10
    大数据的5V特点(IBM提出): Volume(大量)、Velocity(高速)、Variety(多样)、Value(低价值密度)、Veracity(真实性) 大数据的应用: 预测犯罪的发生;预测禽流感的散布;...Hadoop ...
  • Hadoop 集群群起

    万次阅读 2019-04-01 18:22:47
    文章目录配置 slaves启动 HDFS...hadoop102 hadoop103 hadoop104 HDFS NameNode DataNode DataNode SecondaryNameNode DataNode YARN NodeManager ResourceManager NodeManager NodeManager 配置 slaves /...
  • 推荐学习hadoop入门几本书(中文版)

    万次阅读 多人点赞 2012-08-21 23:32:22
    在我学习hadoop的过程中,对中文版的书籍重点推荐以下两本(我都看过,并做过相应的实验) 第一本 hadoop实战 第二本 hadoop权威指南 另外有一本hadoop实战(hadoop in action)也可以。 更重要的还有一本...
  • hadoop 基本命令&文件上传

    万次阅读 2018-05-07 16:11:07
    1 查看hadoop文件 hadoop fs -ls /2 新建文件夹hadoop dfs -mkdir /input 3 上传本地文件3.1终端输入: vim test1.txt键入内容保存wq!3.2终端输入:hadoop fs -put /test 1.txt /input3.3 查看文件3.3.1 : ...
  • Hadoop用户权限管理及hdfs权限管理

    万次阅读 2018-05-08 16:11:53
    1.创建用户student1,所属分组为studentschown -R student1:students /home/hadoop/hadoop-2.7.6 root用户将hadoop的相关操作权限授予student12.修改Hadoop目录的权限 chmod -R 755 /home/hadoop/hadoop-2.7.63....
  • Windows下配置Hadoop环境(全过程)

    万次阅读 多人点赞 2019-11-01 09:59:03
    首先到官方下载官网的hadoop2.7.7,链接如下 https://mirrors.tuna.tsinghua.edu.cn/apache/hadoop/common/ 找网盘的hadooponwindows-master.zip 链接如下 https://pan.baidu.com/s/1VdG6PBnYKM91ia0hlhIeHg 把...
  • linux安装hadoop

    万次阅读 2018-08-03 16:52:12
    1、下载hadoop 到官网http://hadoop.apache.org/releases.html下载hadoop最新版本,我目前能看到最新版本是3.1.0 选择binary,找到http下载链接,随便选择一个都可以下载 选择一个合适的文件夹,执行 wget ...
  • hadoop 各个版本下载地址。

    万次阅读 2018-07-16 17:56:41
      地址:https://archive.apache.org/dist/hadoop/common/
  • 如何查看hadoop的版本

    万次阅读 2014-12-29 11:29:03
    bin/hadoop version
  • hadoop学习---运行第一个hadoop实例

    万次阅读 2017-12-12 14:21:11
    hadoop环境搭建好后,运行第wordcount示例 1.首先启动hadoop:sbin/start-dfs.sh,sbin/start-yarn.sh(必须能够正常运行) 2.进入到hadoop的安装目录下(我的是/usr/hadoop) 3.新建hadoop hdfs...
1 2 3 4 5 ... 20
收藏数 416,903
精华内容 166,761
关键字:

hadoop