1.4 Apache Hadoop 完全分布式集群搭建
- 软件和操作系统版本
Hadoop框架是采用Java语言编写，需要java环境（jvm）
JDK版本：JDK8版本
集群：
知识点学习：统一使用vmware虚拟机虚拟三台linux节点，linux操作系统：Centos7
生产阶段：建议最少5台服务器节点 - Hadoop搭建方式
单机模式：单节点模式，非集群，生产不会使用这种方式
单机伪分布式模式：单节点，多线程模拟集群的效果，生产不会使用这种方式
完全分布式模式：多台节点，真正的分布式Hadoop集群的搭建（生产环境建议使用这种方式）
1.4.1 虚拟机环境准备
- 三台虚拟机（静态IP，关闭防火墙，修改主机名，配置免密登录，集群时间同步）
- 在/opt目录下创建文件夹
#软件安装包存放目录
mkdir -p /opt/lagou/software
#软件安装目录
mkdir -p /opt/lagou/servers
- Hadoop下载地址：
https://archive.apache.org/dist/hadoop/common/hadoop-2.9.2/
Hadoop官网地址：
- 上传hadoop安装文件到/opt/lagou/software
1.4.2 集群规划
| 框架 | linux121 | linux122 | linux123 |
|---|---|---|---|
| HDFS | NameNode、DataNode | DataNode | SecondaryNameNode、DataNode |
| YARN | NodeManager | NodeManager | NodeManager、ResourceManager |
1.4.3 安装Hadoop
- 登录linux121节点；进入/opt/lagou/software,解压安装文件到/opt/lagou/servers
tar -zxvf hadoop-2.9.2.tar.gz -C /opt/lagou/servers
- 查看是否解压成功
ll /opt/lagou/servers/hadoop-2.9.2
- 添加Hadoop到环境变量 vim /etc/profile
#HADOOP_HOME
export HADOOP_HOME=/opt/lagou/servers/hadoop-2.9.2 export PATH=$PATH:$HADOOP_HOME/bin
export PATH=$PATH:$HADOOP_HOME/sbin
- 使环境变量生效
source /etc/profile
- 验证hadoop
hadoop version
校验结果：
- hadoop目录
- bin目录：对Hadoop进行操作的相关命令，如hadoop,hdfs等
- etc目录：Hadoop的配置文件目录，如hdfs-site.xml,core-site.xml等
- lib目录：Hadoop本地库（解压缩的依赖）
- sbin目录：存放的是Hadoop集群启动停止相关脚本，命令
- share目录：Hadoop的一些jar,官方案例jar，文档等
1.4.3.1 集群配置
Hadoop集群配置 = HDFS集群配置 + MapReduce集群配置 + Yarn集群配置
- HDFS集群配置
- 将JDK路径明确配置给HDFS（修改hadoop-env.sh）
- 指定NameNode节点以及数据存储目录（修改core-site.xml）
- 指定SecondaryNameNode节点（修改hdfs-site.xml）
- 指定DataNode从节点（修改etc/hadoop/slaves文件，每个节点配置信息占一行）
- MapReduce集群配置
- 将JDK路径明确配置给MapReduce（修改mapred-env.sh）
- 指定MapReduce计算框架运行Yarn资源调度框架（修改mapred-site.xml）
- Yarn集群配置
- 将JDK路径明确配置给Yarn（修改yarn-env.sh）
- 指定ResourceManager老大节点所在计算机节点（修改yarn-site.xml）
- 指定NodeManager节点（会通过slaves文件内容确定）
集群配置具体步骤：
1.4.3.1.1 HDFS集群配置
cd /opt/lagou/servers/hadoop-2.9.2/etc/hadoop
-
配置：hadoop-env.sh
将JDK路径明确配置给HDFS
vim hadoop-env.sh
export JAVA_HOME=/opt/lagou/servers/jdk1.8.0_231
-
指定NameNode节点以及数据存储目录（修改core-site.xml）
vim core-site.xml
<!-- 指定HDFS中NameNode的地址 -->
<property>
<name>fs.defaultFS</name>
<value>hdfs://linux121:9000</value>
</property>
<!-- 指定Hadoop运行时产生文件的存储目录 -->
<property>
<name>hadoop.tmp.dir</name>
<value>/opt/lagou/servers/hadoop-2.9.2/data/tmp</value>
</property>
core-site.xml的默认配置：
https://hadoop.apache.org/docs/r2.9.2/hadoop-project-dist/hadoop-common/core-default.xml
-
指定secondarynamenode节点(修改hdfs-site.xml)
vim hdfs-site.xml
<!-- 指定Hadoop辅助名称节点主机配置 -->
<property>
<name>dfs.namenode.secondary.http-address</name>
<value>linux123:50090</value>
</property>
<!-- 副本数量 -->
<property>
<name>dfs.replication</name>
<value>3</value>
</property>
官方默认配置
https://hadoop.apache.org/docs/r2.9.2/hadoop-project-dist/hadoop-hdfs/hdfs-default.xml
- 指定datanode从节点(修改slaves文件，每个节点配置信息占一行)
vim slaves
linux121
linux122
linux123
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。
1.4.3.1.2 MapReduce集群配置
-
指定MapReduce使用的jdk路径（修改mapred-env.sh）
vim mapred-env.sh
export JAVA_HOME=/opt/lagou/servers/jdk1.8.0_231
- 指定MapReduce计算框架运行Yarn资源调度框架(修改mapred-site.xml)
mv mapred-site.xml.template mapred-site.xml
vim mapred-site.xml
<!-- 指定MR运行在Yarn上 -->
<property>
<name>mapreduce.framework.name</name>
<value>yarn</value>
</property>
mapred-site.xml默认配置
1.4.3.1.3 Yarn集群配置
- 指定JDK路径
vim yarn-env.sh
export JAVA_HOME=/opt/lagou/servers/jdk1.8.0_231
- 指定ResourceManager的master节点信息(修改yarn-site.xml)
vim yarn-site.xml
<!-- 指定YARN的ResourceManager的地址 -->
<property>
<name>yarn.resourcemanager.hostname</name>
<value>linux123</value>
</property>
<!-- Reducer获取数据的方式 -->
<property>
<name>yarn.nodemanager.aux-services</name>
<value>mapreduce_shuffle</value>
</property>
yarn-site.xml的默认配置
https://hadoop.apache.org/docs/r2.9.2/hadoop-yarn/hadoop-yarn-common/yarn-default.xml
- 指定NodeManager节点（slaves文件已修改）
注意：
Hadoop安装目录所属用户和所属用户组信息，默认是501 dialout，而我们操作Hadoop集群的用户使用的是虚拟机的root用户，所以为了避免出现信息混乱，修改Hadoop安装目录所属用户和用户组！！!
chown -R root:root /opt/lagou/servers/hadoop-2.9.2
1.4.3.2 分发配置
编写集群分发脚本rsync-script
- 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。
- 基本语法
rsync -rvl $pdir/$fname $user@$host:$pdir/$fname
命令 选项参数 要拷贝的文件路径/名称 目的用户@主机:目的路径/名称
- 选项参数说明
表2-2
| 选项 | 功能 |
|---|---|
| -r | 递归 |
| -v | 显示复制过程 |
| -l | 拷贝符号连接 |
-
rsync案例
- 三台虚拟机安装rsync (执行安装需要保证机器联网)
[root@linux121 ~]# yum install -y rsync- 把linux121机器上的/opt/lagou/software目录同步到linux122服务器的root用户下的/opt/目录
[root@linux121 opt]$ rsync -rvl /opt/lagou/software/ root@linux122:/opt/lagou/software -
集群分发脚本编写
-
需求：循环复制文件到集群所有节点的相同目录下
rsync命令原始拷贝：
rsync -rvl /opt/module root@linux123:/opt/ -
期望脚本
脚本+要同步的文件名称 -
说明：在/usr/local/bin这个目录下存放的脚本，root用户可以在系统任何地方直接执行。
-
脚本实现
（1）在/usr/local/bin目录下创建文件rsync-script，文件内容如下：[root@linux121 bin]$ touch rsync-script [root@linux121 bin]$ vim rsync-script在文件中编写shell代码
#!/bin/bash #1 获取命令输入参数的个数，如果个数为0，直接退出命令 paramnum=$# if((paramnum==0)); then echo no params; exit; fi #2 根据传入参数获取文件名称 p1=$1 file_name=`basename $p1` echo fname=$file_name #3 获取输入参数的绝对路径 pdir=`cd -P $(dirname $p1); pwd` echo pdir=$pdir #4 获取用户名称 user=`whoami` #5 循环执行rsync for((host=121; host<124; host++)); do echo ------------------- linux$host -------------- rsync -rvl $pdir/$file_name $user@linux$host:$pdir done（2）修改脚本 rsync-script 具有执行权限
[root@linux121 bin]$ chmod 777 rsync-script（3）调用脚本形式：rsync-script 文件名称
[root@linux121 bin]$ rsync-script /home/root/bin（4）调用脚本分发Hadoop安装目录到其它节点
[root@linux121 bin]$ rsync-script /opt/lagou/servers/hadoop-2.9.2
-
1.4.4 启动集群
注意：如果集群是第一次启动，需要在Namenode所在节点格式化NameNode，非第一次不用执行格式化Namenode操作！！!
1.4.4.1 单节点启动
[root@linux121 hadoop-2.9.2]$ hadoop namenode -format
格式化命令执行效果：
格式化后创建的文件：/opt/lagou/servers/hadoop-2.9.2/data/tmp/dfs/name/current
-
在linux121上启动NameNode
[root@linux121 hadoop-2.9.2]$ hadoop-daemon.sh start namenode [root@linux121 hadoop-2.9.2]$ jps -
在linux121、linux122以及linux123上分别启动DataNode
[root@linux121 hadoop-2.9.2]$ hadoop-daemon.sh start datanode [root@linux121 hadoop-2.9.2]$ jps 3461 NameNode 3608 Jps 3561 DataNode [root@linux122 hadoop-2.9.2]$ hadoop-daemon.sh start datanode [root@linux122 hadoop-2.9.2]$ jps 3190 DataNode 3279 Jps [root@linux123 hadoop-2.9.2]$ hadoop-daemon.sh start datanode [root@linux123 hadoop-2.9.2]$ jps 3237 Jps 3163 DataNode -
web端查看hdfs界面
查看HDFS集群正常节点：
-
Yarn集群单节点启动
[root@linux123 servers]# yarn-daemon.sh start resourcemanager [root@linux123 servers]# jps 7881 ResourceManager 8094 Jps [root@linux122 servers]# yarn-daemon.sh start nodemanager [root@linux122 servers]# jps 8166 NodeManager 8223 Jps [root@linux121 servers]# yarn-daemon.sh start nodemanager [root@linux121 servers]# jps 8166 NodeManager 8223 Jps -
思考：Hadoop集群每次需要一个一个节点的启动，如果节点数增加到成千上万个怎么办？
1.4.4.2 集群群起
-
如果已经单节点方式启动了Hadoop,可以先停止之前的启动的Namenode与Datanode进程,如果之前Namenode没有执行格式化，这里需要执行格式化!!!!
hadoop namenode -format -
启动HDFS
[root@linux121 hadoop-2.9.2]$ sbin/start-dfs.sh [root@linux121 hadoop-2.9.2]$ jps 4166 NameNode 4482 Jps 4263 DataNode [root@linux122 hadoop-2.9.2]$ jps 3218 DataNode 3288 Jps [root@linux123 hadoop-2.9.2]$ jps 3221 DataNode 3283 SecondaryNameNode 3364 Jps -
启动YARN
[root@linux123 hadoop-2.9.2]$ sbin/start-yarn.sh
注意：NameNode和ResourceManger不是在同一台机器，不能在NameNode上启动 YARN，应该 在ResouceManager所在的机器上启动YARN。
1.4.4.3 Hadoop集群启动停止命令汇总
-
各个服务组件逐一启动/停止
-
分别启动/停止HDFS组件
hadoop-daemon.sh start / stop namenode / datanode / secondarynamenode -
启动/停止YARN
yarn-daemon.sh start / stop resourcemanager / nodemanager
-
-
各个模块分开启动/停止（配置ssh是前提）常用
-
整体启动/停止HDFS
start-dfs.sh / stop-dfs.sh -
整体启动/停止YARN
start-yarn.sh / stop-yarn.sh
-
1.4.5 集群测试
-
HDFS 分布式存储初体验
从linux本地文件系统上传下载文件验证HDFS集群工作正常
hdfs dfs -mkdir -p /test/input #本地hoome目录创建一个文件 cd /root vim test.txt hello hdfs #上传linxu文件到Hdfs hdfs dfs -put /root/test.txt /test/input #从Hdfs下载文件到linux本地 hdfs dfs -get /test/input/test.txt -
MapReduce 分布式计算初体验
-
在HDFS文件系统根目录下面创建一个wcinput文件夹
[root@linux121 hadoop-2.9.2]$ hdfs dfs -mkdir /wcinput -
在/root/目录下创建一个wc.txt文件(本地文件系统)
[root@linux121 hadoop-2.9.2]$ cd /root/ [root@linux121 wcinput]$ touch wc.txt -
编辑wc.txt文件
[root@linux121 wcinput]$ vi wc.txt -
在文件中输入如下内容
hadoop mapreduce yarn hdfs hadoop mapreduce mapreduce yarn lagou lagou lagou -
保存退出
: wq! -
上传wc.txt到Hdfs目录/wcinput下
hdfs dfs -put wc.txt /wcinput -
回到Hadoop目录/opt/lagou/servers/hadoop-2.9.2
-
执行程序
[root@linux121 hadoop-2.9.2]$ hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.9.2.jar wordcount /wcinput /wcoutput -
查看结果
[root@linux121 hadoop-2.9.2]$ hdfs dfs -cat /wcoutput/part-r-00000 hadoop 2 hdfs 1 lagou 3 mapreduce 3 yarn 2
-
1.4.6 配置历史服务器
在Yarn中运行的任务产生的日志数据不能查看，为了查看程序的历史运行情况，需要配置一下历史日志服务器。具体配置步骤如下：
-
配置mapred-site.xml
[root@linux121 hadoop]$ vi 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>linux121:10020</value> </property> <!-- 历史服务器web端地址 --> <property> <name>mapreduce.jobhistory.webapp.address</name> <value>linux121:19888</value> </property> -
分发mapred-site.xml到其它节点
rsync-script mapred-site.xml -
启动历史服务器
[root@linux121 hadoop-2.9.2]$ sbin/mr-jobhistory-daemon.sh start historyserver -
查看历史服务器是否启动
[root@linux121 hadoop-2.9.2]$ jps -
查看JobHistory
http://linux121:19888/jobhistory
1.4.6.1 配置日志的聚集
日志聚集：应用(Job)运行完成以后，将应用运行日志信息从各个task汇总上传到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 HistoryManager。
开启日志聚集功能具体步骤如下：
-
配置yarn-site.xml
[root@linux121 hadoop]$ vi yarn-site.xml在该文件里面增加如下配置。
<!-- 日志聚集功能开启 --> <property> <name>yarn.log-aggregation-enable</name> <value>true</value> </property> <!-- 日志保留时间设置7天 --> <property> <name>yarn.log-aggregation.retain-seconds</name> <value>604800</value> </property> <property> <name>yarn.log.server.url</name> <value>http://linux121:19888/jobhistory/logs</value> </property> -
分发yarn-site.xml到集群其它节点
rsync-script yarn-site.xml -
关闭NodeManager 、ResourceManager和HistoryManager
[root@linux121 hadoop-2.9.2]$ sbin/yarn-daemon.sh stop resourcemanager [root@linux121 hadoop-2.9.2]$ sbin/yarn-daemon.sh stop nodemanager [root@linux121 hadoop-2.9.2]$ sbin/mr-jobhistory-daemon.sh stop historyserver -
启动NodeManager 、ResourceManager和HistoryManager
[root@linux121 hadoop-2.9.2]$ sbin/yarn-daemon.sh start resourcemanager [root@linux121 hadoop-2.9.2]$ sbin/yarn-daemon.sh start nodemanager [root@linux121 hadoop-2.9.2]$ sbin/mr-jobhistory-daemon.sh start historyserver -
删除HDFS上已经存在的输出文件
[root@linux121 hadoop-2.9.2]$ bin/hdfs dfs -rm -R /wcoutput -
执行WordCount程序
[root@linux121 hadoop-2.9.2]$ hadoop jar share/hadoop/mapreduce/hadoop- mapreduce-examples-2.9.2.jar wordcount /wcinput /wcoutput -
查看日志，如图所示
