开发: C++知识库 Java知识库 JavaScript Python PHP知识库人工智能区块链大数据移动开发嵌入式开发工具数据结构与算法开发测试游戏开发网络协议系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑笔记本显卡显示器固态硬盘硬盘耳机手机 iphone vivo oppo 小米华为单反装机图拉丁

-> 大数据 -> 基于docker的hadoop集群搭建 -> 正文阅读

[大数据]基于docker的hadoop集群搭建

    最近想学习如何使用hdfs来存储文件，在网上学习了一下，明确了HDFS（Hadoop Distribute File System 分布式存储）、mapReduce（分布式计算）、YARN（Yet Another Resource Negotiator资源管理）是hadoop的三大组成部分，要想使用hdfs，必须搭建hadoop集群，为此展开了近一个星期的摸索。
    网上的教程有很多，但很多都写的不全，自己也是一直踩坑，无奈之下只好对着官方文档一个个看，逐渐理解并明确了部署方法，在经过反复测试确保正常之后，决定在此记录一下，以便与大家交流分享。

1、集群规划

1.1 hadoop版本

 hadoop版本不同，配置的内容也不同，本文使用的是hadopp-3.3.2，同样适用3的其他版本，安装包链接见2.1节

1.2 节点数量

 只为测试学习，节点不用太多，计划使用3个节点，即构建3个docker容器，1个namenode节点，2个datanode节点，其中1个datanode作为second namenode

1.3 hostname与ip

 hadoop集群要求节点具有固定的hostname和ip，在此做如下规划：
 namenode的hostname为master，ip为192.168.0.10
 第1个datanode的hostname为slave1，ip为192.168.0.11
 第2个datanode的hostname为slave2，ip为192.168.0.12

1.4 端口

hadoop集群提供了网页管理界面，主要包括hdfs（文件系统）、cluster（集群）、jobhistory（历史任务）三大部分，每个部分都有访问的端口号
通过查阅官方文档确认了默认的端口号分别为9870、8088、19888，我们直接使用这些默认的端口号

在这里插入图片描述

2、hadoop镜像构建

2.1 安装包

hadoop-3.3.2.tar.gz
jdk-8u321-linux-x64.tar.gz hadoop需要java的环境，此包下载需要oracle账号，没有账号的可以免费注册，如果有使用m1 mac系统的请下载jdk17 Arm64版本的

2.2 Dockerfile

构建镜像我们使用Dockerfile，注意这个文件的内容大家可以根据自己的情况修改，如
镜像源：使用centos7，大家可以换
LABEL：元数据这里列了作者和日期，大家可以改成自己的信息
ssh：用于节点直接相互访问用
which：hadoop命令执行需要which，不然会报错
jdk：不是8u321版本的，可以修改下面这两行中的版本信息

ADD jdk-8u321-linux-x64.tar.gz /usr/local/
RUN mv /usr/local/jdk1.8.0_321 /usr/local/jdk1.8

hadoop：不是3.3.2版本的，可以修改下面这两行中的版本信息

ADD hadoop-3.3.2.tar.gz /usr/local
RUN mv /usr/local/hadoop-3.3.2 /usr/local/hadoop

下面是完整的文件内容

# 镜像源
FROM centos:7

# 添加元数据  
LABEL author="hjq" date="2022/03/05"

# 安装openssh-server和sudo软件包，并且将sshd的UsePAM参数设置成no
RUN yum install -y openssh-server sudo
RUN sed -i 's/UsePAM yes/UsePAM no/g' /etc/ssh/sshd_config

# 安装openssh-clients
RUN yum install -y openssh-clients

# 安装which
RUN yum install -y which

# 添加测试用户root，密码root，并且将此用户添加到sudoers里
RUN echo "root:root" | chpasswd
RUN echo "root ALL=(ALL) ALL" >> /etc/sudoers
RUN ssh-keygen -t dsa -f /etc/ssh/ssh_host_dsa_key
RUN ssh-keygen -t rsa -f /etc/ssh/ssh_host_rsa_key

# 启动sshd服务并且暴露22端口
RUN mkdir /var/run/sshd
EXPOSE 22

# 拷贝并解压jdk，根据自己的版本修改
ADD jdk-8u321-linux-x64.tar.gz /usr/local/
RUN mv /usr/local/jdk1.8.0_321 /usr/local/jdk1.8
ENV JAVA_HOME /usr/local/jdk1.8
ENV PATH $JAVA_HOME/bin:$PATH

# 拷贝并解压hadoop，根据自己的版本修改
ADD hadoop-3.3.2.tar.gz /usr/local
RUN mv /usr/local/hadoop-3.3.2 /usr/local/hadoop
ENV HADOOP_HOME /usr/local/hadoop
ENV PATH $HADOOP_HOME/bin:$PATH

# 设置容器启动命令
CMD ["/usr/sbin/sshd", "-D"]

2.3 构建

在本地新建一个自定义名称的文件夹，将上述的Dockerfile、hadoop-3.3.2.tar.gz、jdk-8u321-linux-x64.tar.gz拷贝到该文件夹下，然后使用终端进入该目录，并运行docker build -t hadoop-test .别忘了后面的.

等待运行结束，包含ssh、jdk、hadoop的镜像就构建完成了

3、hadoop镜像配置

我们先用上述构建好的镜像运行一个测试容器，在此容器中配置好参数后，保存为新的镜像，这样以后构建node容器就不用重新配置了

构建容器 docker run -d --name hadoop-test hadoop-test
进入容器 docker exec -it hadoop-test bash
进入hadoop配置目录 cd /usr/local/hadoop/etc/hadoop/
配置hadoop环境变量 vi hadoop-env.sh

export HDFS_NAMENODE_USER=root
export HDFS_DATANODE_USER=root
export HDFS_SECONDARYNAMENODE_USER=root
export YARN_RESOURCEMANAGER_USER=root
export YARN_NODEMANAGER_USER=root
export JAVA_HOME=/usr/local/jdk1.8

配置核心参数 vi core-site.xml
io.file.buffer.size：文件缓冲区大小，默认为4096（4MB），可以按需修改
fs.trash.interval：清理回收站的间隔，单位为分钟，默认为0，表示hdfs里删除的文件不会进入回收站，而是直接删除，可以按需修改

<configuration>
    <property>
        <name>fs.defaultFS</name>
        <value>hdfs://master:9000</value>
    </property>
    <property>
        <name>hadoop.tmp.dir</name>
        <value>file:/usr/local/hadoop/tmp</value>
    </property>
    <property>
        <name>io.file.buffer.size</name>
        <value>131702</value>
    </property>
    <property>
        <name>fs.trash.interval</name>
        <value>1440</value>
    </property>
</configuration>

配置hdfs vi hdfs-site.xml
dfs.namenode.name.dir：namenode存储表信息的路径
dfs.datanode.data.dir：datanode存储实际文件数据块的路径
dfs.replication：文件副本个数，不超过datanode的个数
dfs.namenode.secondary.http-address：secondary namenode服务网址，端口号默认为9868，可按需修改

<configuration>
    <property>
        <name>dfs.namenode.name.dir</name>
        <value>file:/usr/local/hadoop/hdfs/name</value>
    </property>
    <property>
        <name>dfs.datanode.data.dir</name>
        <value>file:/usr/local/hadoop/hdfs/data</value>
    </property>
    <property>
        <name>dfs.replication</name>
        <value>2</value>
    </property>
    <property>
        <name>dfs.namenode.secondary.http-address</name>
        <value>master:9001</value>
    </property>
</configuration>

配置资源管理 vi yarn-site.xml
yarn.resourcemanager.hostname：yarn管理的主机名
yarn.nodemanager.aux-services：默认
yarn.log-aggregation-enable：是否聚合各子节点的日志信息到主节点，设置为是，不然在web上看不到日志
yarn.log-aggregation.retain-seconds：日志保存时长，单位秒，默认为-1，不删除，可按需设置

<configuration>

<!-- Site specific YARN configuration properties -->
    <property>
        <name>yarn.resourcemanager.hostname</name>
        <value>master</value>
    </property>
    <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>640800</value>
    </property>

</configuration>

配置分布式计算 vi mapred-site.xml
mapreduce.framework.name：用于执行MapReduce作业的运行时框架，可选项是local、classic、yarn，默认为local，我们选yarn
mapreduce.jobhistory.address：日志历史服务器地址，默认为0.0.0.0:10020，可按需修改
mapreduce.jobhistory.webapp.address：日志历史网页地址，默认为0.0.0.0:19888，可按需修改

<configuration>
    <property>
        <name>mapreduce.framework.name</name>
        <value>yarn</value>
    </property>
    <property>
        <name>mapreduce.jobhistory.address</name>
        <value>master:10020</value>
    </property>
    <property>
        <name>mapreduce.jobhistory.webapp.address</name>
        <value>master:19888</value>
    </property>
    <property>
        <name>yarn.app.mapreduce.am.env</name>
        <value>HADOOP_MAPRED_HOME=$HADOOP_HOME</value>
    </property>
    <property>
        <name>mapreduce.map.env</name>
        <value>HADOOP_MAPRED_HOME=$HADOOP_HOME</value>
    </property>
    <property>
        <name>mapreduce.reduce.env</name>
        <value>HADOOP_MAPRED_HOME=$HADOOP_HOME</value>
    </property>
</configuration>

配置子节点 vi workers hadoop2配置的slaves，这是2与3的一大差别
将文中的localhost用我们的datanode的hostname替换

slave1
slave2

到此hadoop的配置基本搞定，退出并关闭容器
将此容器保存为新的镜像 docker commit hadoop-test hadoop:base

4、集群搭建

有了上述配置好的hadoop镜像，我们可以快速构建 node 容器

4.1 构建docker网桥

之前说过，hadoop要求节点具有固定ip，docker可以通过network为容器配置固定ip

docker network create --subnet=192.168.0.0/24 hadoop

其中24表示ip的前24位为固定，后8为可用，即192.168.0.1-192.168.0.254可用，hadoop为network的名称，此部分可按需修改

4.2 构建node容器

分别运行如下命令构建master、slave1、slave2三个容器，其中–hostname用于设置node的主机名称，–ip用于配置固定ip

我们为master绑定8088、9870、19888端口号，便于在本地访问

需要注意的是，我们在构建镜像时为容器设置了启动命令CMD ["/usr/sbin/sshd", "-D"]（Dockerfile最后一行，使容器启动时自动启动ssh服务），所以不要使用docker run -itd来构建容器，否则会被后面自定义的命令（如bash）替换，导致ssh未启动，从而出现22端口无法访问的问题

docker run -d --name master --hostname master --network hadoop --ip 192.168.0.10 -P -p 8088:8088 -p 9870:9870 -p 19888:19888 hadoop:base
docker run -d --name slave1 --hostname slave1 --network hadoop --ip 192.168.0.11 -P hadoop:base
docker run -d --name slave2 --hostname slave2 --network hadoop --ip 192.168.0.12 -P hadoop:base

4.3 配置node免密登录

进入master容器 docker exec -it master bash
生成密钥 ssh-keygen 一直回车就行
将密钥分发给其他node，此过程需要输入 yes 和密码（Dockerfile里设置的是root）

ssh-copy-id master
ssh-copy-id slave1
ssh-copy-id slave2

进入其他datanode节点做上述同样的操作

4.4 启动服务

ok，终于全都配置好了，回到master容器去启动服务

格式化hdfs hdfs namenode -format注意，第一次格式化就行，以后慎用，格式化会导致namenode的clusterID和datanode的clusterID不一致，以致datanode无法启动
启动服务 $HADOOP_HOME/sbin/start-all.sh
启动历史日志服务 $HADOOP_HOME/bin/mapred --daemon start historyserver
查看启动的服务 jps，master节点有如下服务表示正常
进入slave1、slave2容器，运行 jps，slave节点有如下服务表示正常

4.5 关闭服务

如果需要关闭服务，可执行以下命令

关闭历史任务服务 $HADOOP_HOME/bin/mapred --daemon stop historyserver
关闭服务 $HADOOP_HOME/sbin/stop-all.sh

5、hadoop测试

5.1 hdfs服务测试

在master容器中新建一个文件 vi test.txt，随便输入一些字符，并保存退出
将文件保存到hdfs的根目录 hdfs dfs -put test.txt /
查看hdfs的根目录内容 hadoop fs -ls /，可以看到文件已保存到hdfs
我们也可以通过浏览器访问hdfs管理界面，在浏览器中输入localhost:9870，并在Utilities中点击Browse the file system，即可看到文件存储情况，网址端口号根据自己的配置来

5.2 mapReduce服务测试

进入hadoop计算样例目录 cd $HADOOP_HOME/share/hadoop/mapreduce
运行测试样例 hadoop jar hadoop-mapreduce-examples-3.3.2.jar pi 3 100 调用jar包计算pi的值，计算100次（根据自己的hadoop版本修改命令）
通过浏览器查看，在浏览器中输入localhost:8088，可以查看任务情况以及日志等，网址端口号根据自己的配置来
运行完的任务过一段时间会清除，此时可以去历史任务页面查看，网址为localhost:19888，网址端口号根据自己的配置来