本文转载自微信公众号「虞大胆的叽叽喳喳」，作者虞大胆 。转载本文请联系虞大胆的叽叽喳喳公众号。
搭建数仓，hadoop虽然有点落伍，但还是不可或缺的。本文描述下单机版的hadoop运作机制。
HDFS是Google GFS的开源实现，是一个分布式文件系统，是大数据技术的基石，直接上架构图：
主要包含Namenode和Datanodes，MapReduce主要就是在Datanodes进行并行计算。
core-site.xml：
fs.defaultFS hdfs://localhost:8001 hadoop.tmp.dir /root/hadoop-3.2.2/tmp
其中8001端口就代表hdfs的根路径，另外hdfs-site.xml配置参数也非常多。
比如dfs.replication表示hdfs副本集，单机版就设置1;dfs.namenode.http-address是NameNode web管理地址，可以查看hdfs的一些情况;dfs.datanode.address是DataNode的端口;dfs.namenode.name.dir和dfs.namenode.data.dir表示Namenode和Datanodes的存储目录，默认继承于hadoop.tmp.dir值。
如果修改目录相关的参数，需要格式化hdfs：
- $ bin/hdfs namenode -format
经验就是建议删除dfs.namenode.data.dir下的文件，再格式化。
一旦hdfs可用，操作它们就像操作本地文件一样：
- #创建登陆用户的根目录，有了根目录，则不需要指定hdfs://前缀 $ ./bin/hdfs dfs -mkdir -p "hdfs://localhost:8001/user/root"
- $ ./bin/hdfs dfs -mkdir -p test2
- $ ./bin/hdfs dfs -put ~/test.log hdfs://localhost:8001/test $ ./bin/hdfs dfs -put ~/test.log test2
- $ ./bin/hdfs dfs -ls test2
- $ ./bin/hdfs dfs -cat test2/test.log
接下去说说MapReduce，主要包含map和reduce过程，另外不能忘记shuffle，map相对于从hdfs dataNodes处理数据，然后shuffle将相关联的数据交给reduce进行处理。
运行MapReduce过程很简单：
- $ bin/hdfs dfs -mkdir input $ bin/hdfs dfs -put etc/hadoop/*.xml input
- # 将mapreduce任务执行的结果放入 hdfs output 目录中 $ bin/hadoop jar ./share/hadoop/mapreduce/hadoop-mapreduce-examples-3.2.2.jar grep input output 'dfs[a-z.]+'
- bin/hdfs dfs -cat output/*
早期的MapReduce即包含计算框架，又包含调度框架，比较臃肿，比如想在当前集群运行另外一种计算任务，就不方便了，所以后来从MapReduce中将调度框架抽取出来，命名为Yarn，这样不管是MapReduce还是Spark只要符合Yarn接口定义，就能被Yarn调度，MR和Spark专做做分布式运算，相当于解耦了。
Yarn的架构图如下：
主要包括ResourceManager和NodeManager，另外为了分布式运算NodeManager一般和HDFS的DataNodes运行在一起。
ResourceManager主要包含Scheduler和ApplicationsManager。
修改yarn-site.xml：
yarn.nodemanager.aux-services mapreduce_shuffle yarn.resourcemanager.webapp.address 0.0.0.0:7088
其中，mapreduce_shuffle表示调度MapReduce任务，7088 是Yarn的Web管理地址;当然Yarn还有很多的参数。
修改 mapred-site.xml：
mapreduce.framework.name yarn
mapreduce.framework.name的值yarn表示MapReduce使用Yarn调度。
然后执行yarn调度：
- $ bin/yarn jar ./share/hadoop/mapreduce/hadoop-mapreduce-examples-3.2.2.jar grep input output 'dfs[a-z.]+'
只是将上面的hadoop修改为yarn，不过结果测试，不管怎么写，yarn都是生效的，通过yarn Web UI能看出来。
另外我是以root运行的，所以sbin下的一些sh文件要修改：
- HDFS_DATANODE_USER=root HDFS_DATANODE_SECURE_USER=root
- HDFS_NAMENODE_USER=root HDFS_SECONDARYNAMENODE_USER=root
最后的启动命令：
- $ ./sbin/start-all.sh $ ./sbin/stop-all.sh
参考链接：
https://kontext.tech/column/hadoop/265/default-ports-used-by-hadoop-services-hdfs-mapreduce-yarn
https://hadoop.apache.org/docs/r3.2.2/hadoop-project-dist/hadoop-common/SingleCluster.html
