Hadoop学习笔记_大数据系统

文章目录

- 1 Hadoop概述
- - 1.1 Hadoop是什么？
  - 1.2 Hadoop的优势（4高）
  - 1.3 Hadoop的组成
  - - 1.3.1 HDFS架构概述
    - 1.3.2 YARN 架构概述
    - 1.3.3 MapReduce 架构概述
    - 1.3.4 HDFS、YARN、MapReduce 三者关系
    - 1.3.5 大数据技术生态体系
- 2 Hadoop 运行环境搭建（开发重点）
- - 2.1 在在 hadoop104下安装 Hadoop
  - 2.2 Hadoop 目录结构
- 3 Hadoop 运行模式
- - 3.1 本地运行模式（官方 WordCount）
  - 3.2 完全分布式运行模式（开发重点）
  - - 3.2.1 集群配置规划
    - 3.2.2 配置文件说明
    - 3.2.3 配置集群
    - 3.2.4 分发hadoop
    - 3.2.5 启动集群
    - 3.2.6 集群基本测试
    - 3.2.6 配置历史服务器
    - 3.2.7 配置日志的聚集
    - 3.2.8:集群启动/停止方式总结
    - 3.2.9 编写 Hadoop 集群常用脚本
    - 3.2.10 常用端口号说明
- 4 集群时间同步

1 Hadoop概述 1.1 Hadoop是什么？

1.2 Hadoop的优势（4高）

在说明Hadoop的4高之前我们应该了解大数据的4V特性：volume（大量）、velocity（高速）、variety（多样）、value（低价值密度）。

而hadoop的4高特性分别为：

1.3 Hadoop的组成

1.3.1 HDFS架构概述

Hadoop Distributed File System，简称 HDFS，是一个分布式文件系统。
在其中有三个组成成分：NameNode（nn）、DataNode(dn)、Secondary NameNode(2nn）。

NameNode：存储文件的元数据，如文件名，文件目录结构，文件属性（生成时间、副本数、文件权限），以及每个文件的块列表和块所在的DataNode等。
DataNode：在本地文件系统存储文件块数据，以及块数据的校验和。
Secondary NameNode：每隔一段时间对NameNode元数据备份。

1.3.2 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。

1.3.3 MapReduce 架构概述

MapReduce 将计算过程分为两个阶段：Map 和 Reduce.

Map 阶段并行处理输入数据
Reduce 阶段对 Map 结果进行汇总

1.3.4 HDFS、YARN、MapReduce 三者关系

1.3.5 大数据技术生态体系

图中涉及的技术名词解释如下：

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。
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；
Kafka：Kafka 是一种高吞吐量的分布式发布订阅消息系统；
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。
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。
Oozie：Oozie 是一个管理 Hadoop 作业（job）的工作流程调度管理系统。
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。
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。
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。

2 Hadoop 运行环境搭建（开发重点）

在之前的这篇文章中如何搭建一个简单的Liunx开发环境，我已经讲述了如何搭建一个简单的集群，现在我们这里主要简单的讲解一下如何在集群中安装hadoop，以及相关配置文件的配置。

2.1 在在 hadoop104下安装 Hadoop

Hadoop 下载地址：hadoop3.1.3下载地址。

用 XFtp 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。
进入到 Hadoop 安装包路径下：cd /opt/software/hadoop
解压安装文件到/opt/module 下面： tar -zxvf hadoop-3.1.3.tar.gz -C /opt/module/hadoop/
查看是否解压成功:ls /opt/module/hadoop/
将 Hadoop 添加到环境变量
1. 获取 Hadoop 安装路径:/opt/module/hadoop/hadoop-3.1.3
2. 打开/etc/profile.d/my_env.sh 文件:vim /etc/profile.d/my_env.sh
3. 在 my_env.sh 文件末尾添加如下内容：（shift+g）
```
#HADOOP_HOME
export HADOOP_HOME=/opt/module/hadoop/hadoop-3.1.3
export PATH=$PATH:$HADOOP_HOME/bin
export PATH=$PATH:$HADOOP_HOME/sbin
```
4. 让修改后的文件生效:source /etc/profile
5. 测试是否安装成功: hadoop version

2.2 Hadoop 目录结构

查看 Hadoop 目录结构

重要目录：

bin 目录：存放对 Hadoop 相关服务（hdfs，yarn，mapred）进行操作的脚本
etc 目录：Hadoop 的配置文件目录，存放 Hadoop 的配置文件
lib 目录：存放 Hadoop 的本地库（对数据进行压缩解压缩功能）
sbin 目录：存放启动或停止 Hadoop 相关服务的脚本
share 目录：存放 Hadoop 的依赖 jar 包、文档、和官方案例

3 Hadoop 运行模式

Hadoop 官方网站：http://hadoop.apache.org/
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。我也主要讲解以下完全分布式模式.

3.1 本地运行模式（官方 WordCount）

创建在 hadoop-3.1.3 文件下面创建一个 wcinput 文件夹 :mkdir wcinput
在 wcinput 文件下创建一个 word.txt 文件:vim wcinput/word.txt
在文件中输入如下内容
```
hadoop yarn
hadoop mapreduce
zjw
spark
```
回到 Hadoop 目录 cd /opt/module/hadoop/hadoop-3.1.3

执行程序

hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-3.1.3.jar wordcount wcinput wcoutput

查看结果: cat wcoutput/part-r-00000

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JDK环境变量
4）安装 Hadoop
5）配置Hadoop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

我这篇文章讲解配置环境变量以及群起并测试集群，那些其它步骤，在之前提供链接的那篇文章中有介绍。

3.2.1 集群配置规划

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。

3.2.2 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。

默认配置文件：
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。

3.2.3 配置集群

核心配置文件：

cd $HADOOP_HOME/etc/hadoop
vim core-site.xml

文件内容如下：




 
 
 fs.defaultFS
 hdfs://hadoop104:8020
 
 
 
 hadoop.tmp.dir
 /opt/module/hadoop/hadoop-3.1.3/data
 
 
 
 hadoop.http.staticuser.user
 zjw

HDFS 配置文件:vim hdfs-site.xml






 dfs.namenode.http-address
 hadoop104:9870
 

 
 dfs.namenode.secondary.http-address
 hadoop106:9868

YARN 配置文件:vim yarn-site.xml




 
 
 yarn.nodemanager.aux-services
 mapreduce_shuffle
 
 
 
 yarn.resourcemanager.hostname
 hadoop105
 
 
 
 yarn.nodemanager.env-whitelist
JAVA_HOME,HADOOP_COMMON_HOME,HADOOP_HDFS_HOME,HADOOP_CONF_DIR,CLASSPATH_PREPEND_DISTCACHE,HADOOP_YARN_HOME,HADOOP_MAPRED_HOME

MapReduce 配置文件:vim mapred-site.xml





 
 mapreduce.framework.name
 yarn

配置 workers：vim /opt/module/hadoop/hadoop-3.1.3/etc/hadoop/workers

hadoop104
hadoop105
hadoop106

3.2.4 分发hadoop

在上述配置后就可以分发hadoop以及配置hadoop的环境变量给其它两台机器了。

分发 /opt/module/hadoop/

分发环境变量配置文件

在其它两台机器刷新环境配置文件，并检验是hadoop是否成功分发

3.2.5 启动集群

第一次启动在namenode中初始化hadfs: hdfs namenode -format
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 NameNode 和 DataNode 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。如果不删除的话会因为集群的版本号不一致而启动失败，版本号在/opt/module/hadoop/hadoop-3.1.3/data/dfs/data/current/VERSION中）
在Hadoop104上启动 HDFS：sbin/start-dfs.sh （当前位于/opt/module/hadoop/hadoop-3.1.3）
在配置了 ResourceManager 的节点（hadoop105）启动 YARN：sbin/start-yarn.sh
验证每台机器上启动的服务，是否跟我们预期一致

预期

hadoop104：

hadoop105：

hadoop106:

5. Web 端查看 HDFS 的 NameNode
1. 浏览器中输入：http://hadoop104:9870
2. 查看 HDFS 上存储的数据信息
3.

Web 端查看 YARN 的 ResourceManager
1. 浏览器中输入：http://hadoop105:8088
2. 查看 YARN 上运行的 Job 信息

3.2.6 集群基本测试

（1）上传文件到集群:
将这个word.txt上传到HDFS中：

内容如下：

hadoop fs -mkdir /input
hadoop fs -put /opt/module/hadoop/hadoop-3.1.3/word.txt /input

结果如下：

上面图片中展示的只是一个Web页面，实际上不能存储数据，而数据的存储在我们的集群中的datanode节点中，我们在配置文件中配置了数据的存储路径，我们可以在该路径下找到存储在HDFS的数据。

在hadoop105、106上查看，发现该文件下的内容一致，因为我们当时设置的副本数为3，所以三个datanode节点斗存储了该数据的备份。

（2）执行一个wordcount任务
确保在hdfs中有input文件夹，而且文件夹下有word.txt

hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-3.1.3.jar wordcount /input /output

在hadoop105:8088上查看任务执行情况：

执行结果在hdfs的output文件下中：

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：

配置 mapred-site.xml：vim mapred-site.xml
在该文件里面增加如下配置：


 mapreduce.jobhistory.address
 hadoop104:10020



 mapreduce.jobhistory.webapp.address
 hadoop104:19888

分发配置：xsync $HADOOP_HOME/etc/hadoop/mapred-site.xml
在 hadoop104 启动历史服务器：mapred --daemon start historyserver
查看历史服务器是否启动：jps
查看 JobHistory：http://hadoop104:19888/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 NodeManager 、ResourceManager 和HistoryServer。
开启日志聚集功能具体步骤如下：

配置 yarn-site.xml：vim yarn-site.xml
在该文件里面增加如下配置。


 yarn.log-aggregation-enable
 true


 
 yarn.log.server.url 
 http://hadoop104:19888/jobhistory/logs



 yarn.log-aggregation.retain-seconds
 604800

分发配置： xsync $HADOOP_HOME/etc/hadoop/yarn-site.xml
关闭 NodeManager 、ResourceManager 和 HistoryServer：

sbin/stop-yarn.sh
mapred --daemon stop historyserver

启动 NodeManager 、ResourceManage 和 HistoryServer：

start-yarn.sh
mapred --daemon start historyserver

删除 HDFS 上已经存在的输出文件：hadoop fs -rm -r /output
执行 WordCount 程序：
hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-3.1.3.jar wordcount /input /output
查看日志
1. 历史服务器地址：http://hadoop104:19888/jobhistory
2. 查看任务运行日志

3.2.8:集群启动/停止方式总结

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

各个服务组件逐一启动/停止

分别启动/停止 HDFS 组件

hdfs --daemon start/stop namenode/datanode/secondarynamenode

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

cd /home/zjw/bin
sudo vim myhadoop.sh

输入以下内容：

#!/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 hadoop104 "/opt/module/hadoop/hadoop-3.1.3/sbin/start-dfs.sh"
 echo " --------------- 启动 yarn ---------------"
 ssh hadoop105 "/opt/module/hadoop/hadoop-3.1.3/sbin/start-yarn.sh"
 echo " --------------- 启动 historyserver ---------------"
 ssh hadoop104 "/opt/module/hadoop/hadoop-3.1.3/bin/mapred --daemon start historyserver"
;;
"stop")
 echo " =================== 关闭 hadoop 集群 ==================="
 echo " --------------- 关闭 historyserver ---------------"
 ssh hadoop104 "/opt/module/hadoop/hadoop-3.1.3/bin/mapred --daemon stop historyserver"
 echo " --------------- 关闭 yarn ---------------"
 ssh hadoop105 "/opt/module/hadoop/hadoop-3.1.3/sbin/stop-dfs.sh"
 echo " --------------- 关闭 hdfs ---------------"
 ssh hadoop104 "/opt/module/hadoop/hadoop-3.1.3/sbin/stop-yarn.sh"
;;
*)
 echo "Input Args Error..."
;;
esac

保存后退出，然后赋予脚本执行权限: chmod +x myhadoop.sh

(2)查看三台服务器 Java 进程脚本：jpsall

cd /home/zjw/bin
sudo vim jpsall

输入如下内容:

#!/bin/bash
for host in hadoop104 hadoop105 hadoop106
do
 echo =============== $host ===============
 ssh $host jps 
done

赋予脚本执行权限: chmod +x jpsall

(3)分发/home/zjw/bin 目录，保证自定义脚本在三台机器上都可以使用: xsync /home/zjw/bin/
使用示例：

3.2.10 常用端口号说明

4 集群时间同步

如果服务器在公网环境（能连接外网），可以不采用集群时间同步，因为服务器会定期和公网时间进行校准；
如果服务器在内网环境，必须要配置集群时间同步，否则时间久了，会产生时间偏差，导致集群执行任务时间不同步。

需求
找一个机器，作为时间服务器，所有的机器与这台集群时间进行定时的同步，生产环境根据任务对时间的准确程度要求周期同步。测试环境为了尽快看到效果，采用 1 分钟同步一次。
时间服务器配置（必须 root 用户）
1. 查看所有节点 ntpd 服务状态和开机自启动状态
```
sudo systemctl status ntpd
sudo systemctl start ntpd
sudo systemctl is-enabled ntpd
```
2. 修改 hadoop102 的 ntp.conf 配置文件：sudo vim /etc/ntp.conf
  修改内容如下：
  修改 1（授权 192.168.10.0-192.168.10.255 网段上的所有机器可以从这台机器上查询和同步时间）

Hadoop学习笔记

大数据系统相关栏目本月热门文章