云计算系列（2）初识HDFS与MapReduce

云计算系列（2）初始HDFS与MapReduce 前言

上节课主要是完成了Hadoop的安装，这次主要完成以下内容

1. 配置HDFS

2. web端查看HDFS文件系统

3. 配置yarn

4. web端查看yarn系统

5. 配置mapreduce

6. 运行MapReduce的WordCount 程序

上次课完成到如下图的状态

还需要改善一下，就是我们在root用户下解压安装他的拥有者是数字不是root

通过chown命令更改一下拥有者

chown -R root:root /opt/wdp

运行一下hadoop命令有如下提示说明hadoop可以用

Hadoop运行模式

（1）本地模式（默认模式）：是否启动进程----没有，在几台机器上安装的—1台，

不需要启用单独进程，直接可以运行，测试和开发时使用。

（2）伪分布式模式：是否启动进程----需要，在几台机器上安装的—1台

等同于完全分布式，只有一个节点。

（3）完全分布式模式：是否启动进程----需要，在几台机器上安装的—多台

多个节点一起运行。

HDFS是什么

HDFS(Hadoop Distributed File System)，它是一个文件系统，用于存储文件，通过目录树来定位文件；其次，它是分布式的，由很多服务器联合起来实现其功能，集群中的服务器有各自的角色。

HDFS的设计适合一次写入，多次读出的场景，且不支持文件的修改。适合用来做数据分析，并不适合用来做网盘应用。

我们用HDFS而不是本地存储因为HDFS是分布式存储，你一个人的主机往往存储量很有限

一个namenode管多个datanode，每个datanode里面有多个block，每个block大小为128M

这种架构主要由四个部分组成，分别为 HDFS Client、 NameNode、 DataNode 和 SecondaryNameNode。下面我们分别介绍这四个组成部分。

1）Client：就是客户端。

（1）文件切分。文件上传 HDFS 的时候， Client 将文件切分成一个一个的 Block，然后进行存储。

（2）与 NameNode 交互，获取文件的位置信息。

（3）与 DataNode 交互，读取或者写入数据。

（4） Client 提供一些命令来管理 HDFS，比如启动或者关闭 HDFS。

（5） Client 可以通过一些命令来访问 HDFS。

2）NameNode：就是master，它是一个主管、管理者。

（1）管理 HDFS 的名称空间。

（2）管理数据块（Block）映射信息

（3）配置副本策略

（4）处理客户端读写请求。

3）DataNode：就是 Slave。 NameNode 下达命令， DataNode 执行实际的操作。

（1）存储实际的数据块。

（2）执行数据块的读/写操作。

4）Secondary NameNode：并非 NameNode 的热备。当 NameNode 挂掉的时候，它并不能马上替换 NameNode 并提供服务。

（1）辅助 NameNode，分担其工作量。

（2）定期合并 Fsimage 和 Edits，并推送给 NameNode。

（3）在紧急情况下，可辅助恢复 NameNode。

1.本地模式运行官方wordcount文件

在wdp文件夹下新建一个datain文件夹

在datain文件夹下新建一个aa.txt文件

然后vi命令进入aa.txt文件

按i进入编辑模式，然后输入以下内容，注意以Tab键分隔

输入完成后Esc+：+wq保存离开

（一个小技巧，按下Esc键后，yy复制，p粘贴）

然后进入到hadoop路径下

bin，sbin文件夹与启动有关

etc文件夹与环境有关

lib文件夹是库

share文件夹下的hadoop下的mapreduce下有我们要用的demo

运行下面这个命令

hadoop jar hadoop-mapreduce-examples-2.7.6.jar wordcount /opt/wdp/datain/aa.txt /opt/wdp/dataout

首先起map和reduce

由于文件很小一共18个词是所以map和reduce都很快完成

通过上图箭头指示表示计算成功

红色箭头所指文件中保存了计算结果

cat命令查看文件内容会看到不同字符串出现次数

2.伪分布式模式配置安装

在本地模式的基础上配置HDFS伪分布式

（1）配置集群

​ （a）配置：hadoop-env.sh

​ 上节课已完成

​ （b）配置：core-site.xml

进入上图路径

vi命令进入箭头所指文件，在configuration中插入下面内容

     fs.defaultFS
 hdfs://hadoop100:9000



     hadoop.tmp.dir
     /opt/wdp/hadoop/data/tmp

注意箭头所指为自己的主机名

（c）配置：hdfs-site.xml

步骤同上

     
             dfs.replication
             3
     

（2）启动集群

​ （a）格式化namenode（第一次启动时格式化，以后就不要总格式化）只在第一台机器里格式化

hdfs namenode -format

如上图箭头说明格式化成功

​ （b）启动namenode

hadoop-daemon.sh start namenode

​ （c）启动datanode

hadoop-daemon.sh start datanode

或者用下面一条命令代替（b）与（c）

start-dfs.sh

输入三轮yes与密码

（3）查看集群

​ （a）查看是否启动成功

​ 输入命令jps

​ （b）查看产生的log日志

​ 当前目录：/opt/wdp/hadoop/logs

jps命令下没谁看谁的log，看以log结尾的

vi进去，shift+g跳转到最后一行

INFO表示无误

（c）web端查看HDFS文件系统

​ http://172.16.50.100:50070/dfshealth.html#tab-overview

3.在HDFS上运行MapReduce的WordCount 程序

输入命令hdfs会给出提示

输入命名

hdfs dfs -mkdir /data

把本地路径/opt/wdp/datain/aa.txt文件推到HDFS

hdfs dfs -put /opt/wdp/datain/aa.txt /data

可以看到上传成功

进入到hadoop的share的hadoop的mapreduce目录

此时再次运行wordcount案例

注：我们在格式化之后，会自动到hdfs而非本地路径中找输入文件

输入以下命令

hadoop jar hadoop-mapreduce-examples-2.7.6.jar wordcount /data/aa.txt /out

4.YARN上运行MapReduce程序

YARN的作用是调度，比如启多少个map，多少个reduce，怎么优化

1）在集群的基础上配置Yarn：

（1）配置yarn-env.sh中的JAVA_HOME

首先进入如下路径

vi yarn-env.sh

export JAVA_HOME=/opt/wdp/jdk/

更改如上图，然后保存退出

（2）配置yarn-site.xml 主从结构

vi yarn-site.xml 

 yarn.nodemanager.aux-services
 mapreduce_shuffle




yarn.resourcemanager.hostname
hadoop100

（3）配置：mapred-env.sh

配置一下JAVA_HOME

vi mapred-env.sh

export JAVA_HOME=/opt/wdp/jdk/

（4）配置： (对mapred-site.xml.template重新命名为) mapred-site.xml

mv mapred-site.xml.template mapred.site.xml

vi mapred.site.xml 

        mapreduce.framework.name
        yarn

2）启动Yarn Hadoop spark flink

（1）启动resourcemanager

sbin/yarn-daemon.sh start resourcemanager

（2）启动nodemanager

sbin/yarn-daemon.sh start nodemanager

用下面命令代替上面两行

start-yarn.sh

3）Yarn的操作

（1）yarn的浏览器页面查看

http://172.16.50.100:8088/cluster

5.完全分布式

如果进行了之前的步骤只需更改slave文件就行

在slaves文件中加入主机名即可