[大数据]Hadoop 概念 环境搭建 启动 测试

Hadoop 概念

1.Hadoop是什么？
   广义：Hadoop生态圈的代名词
   狭义：Apache 软件基金会下用Java 语言开发的一个开源分布式计算平台
  
2.Hadoop发展历史 
   来源：2005年，Hadoop作为Lucene子项目Nutch的一部分正式被引入Apache基金会，随后又从Nutch中剥离，成为一套完整独立的软件，起名为Hadoop。
   Lucene 是 Doug Cutting 使用 Java 编写开源软件，Lucene 其实是一个搜索引擎。
   2003-2004 年，Google 公布了部分 GFS(Google File System) 和 MapReduce 思想的细节，其实就是三篇论文 。
   Doug Cutting 等人用 2 年的业余时间实现了 DFS(Distributed File System) 和 MapReduce 机制。
   需求：基于早期搜索业务对海量数据的存储和计算的遇到的瓶颈
   创作源泉：谷歌提出的大数据论文
  
3.Hadoop的版本发展
  学习阶段：重点掌握Apache的基础版本
  生产领域一般使用商业版或者社区（CDH版本）
  
4. Hadoop的优势（4高）
   高可靠性:Hadoop按位存储和处理数据的能力值得人们信赖。
   高扩展性:Hadoop是在可用的计算机集簇间分配数据并完成计算任务的，这些集簇可以方便地扩展到数以千计的节点中。
   高效性:Hadoop能够在节点之间动态地移动数据，并保证各个节点的动态平衡，因此处理速度非常快。
   高容错性:Hadoop能够自动保存数据的多个副本，并且能够自动将失败的任务重新分配。
   
5. Hadoop的组成部分
   -- HDFS (hadoop的组成部分-负责海量数据的存储)
      -- NameNode（nn）:管理真实数据的元数据的（hdfs集群中的老大）
	  -- DataNode（dn）:主要负责对真实数据块存储（hdfs集群中的小弟）
	  -- SecondaryNameNode（2nn）：主要为NameNode进行一些数据备份，
	     一般恢复数据的时候才会用到它，它也不能保证完全数据恢复。
   
   -- YARN （hadoop的组成部分，主要负责资源调度）
      -- ResourceManager（rm）:统筹管理每一台机器上的资源，并且负责接收处理客户端
         作业请求。 
	  -- NodeManager（nm）:负责单独每一台机器的资源管理，实时保证和大哥
	    （ResourceManager）通信。
		
	  -- ApplicationMaster：针对每个请求job的抽象封装
	  -- Container：将来运行在YARN上的每一个任务都会给其分配资源，
			        Container就是当前任务所需资源的抽象封装
	 
   -- MapReduce（hadoop的组成部分，主要负责数据的计算分析）	
	  -- Map阶段：就是把需要计算的数据按照需求分成多个MapTask任务来执行
	  -- Reduce阶段: 把Map阶段处理完的结果拷贝过来根据需求进行汇总计算

Hadoop环境搭建

模板机环境准备

1）准备一台模板虚拟机 hadoop100
注：本文Linux系统环境全部以CentOS-7.5-x86-1804为例说明
模板虚拟机：内存4G，硬盘50G
安装必要环境，为安装hadoop做准备

[root@hadoop100 ~]# yum install -y epel-release
[root@hadoop100 ~]# yum install -y psmisc nc net-tools rsync vim lrzsz ntp libzstd openssl-static tree iotop git

epel 这个是很常用软件源，比如 python3, zabbix 都需要用到 epel

2）关闭防火墙，关闭防火墙开机自启

[root@hadoop100 ~]# systemctl stop firewalld
[root@hadoop100 ~]# systemctl disable firewalld

3）创建用户，并修改用户的密码

[root@hadoop100 ~]# useradd yls
[root@hadoop100 ~]# passwd yls

4）配置用户具有root权限，方便后期加sudo执行root权限的命令

[root@hadoop100 ~]# vim /etc/sudoers

修改/etc/sudoers文件，找到下面一行（91行），在root下面添加一行

## Allow root to run any commands anywhere
root ALL=(ALL) ALL
yls ALL=(ALL) NOPASSWD:ALL

5）在/opt目录下创建文件夹，并修改所属主和所属组
（1）在/opt目录下创建module、software文件夹

[root@hadoop100 ~]# mkdir /opt/module
[root@hadoop100 ~]# mkdir /opt/software

（2）修改module、software文件夹的所有者和所属组均为atguigu用户

[root@hadoop100 ~]# chown yls:yls /opt/module
[root@hadoop100 ~]# chown yls:yls /opt/software

（3）查看module、software文件夹的所有者和所属组

[root@hadoop100 ~]# cd /opt/
[root@hadoop100 opt]# ll
总用量 12
drwxr-xr-x. 2 yls yls 4096 5月 28 17:18 module
drwxr-xr-x. 2 yls yls 4096 5月 28 17:18 software

6）卸载虚拟机自带的open JDK

[root@hadoop100 ~]# rpm -qa | grep -i java | xargs -n1 rpm -e --nodeps

查询并卸载

7）重启虚拟机

[root@hadoop100 ~]# reboot

虚拟机克隆

1）利用模板机hadoop100，克隆三台虚拟机：hadoop102 hadoop103 hadoop104
2）修改克隆机IP，以下以hadoop102举例说明
（1）查看Linux虚拟机的虚拟网络编辑器，编辑->虚拟网络编辑器->VMnet8


（2）查看Windows系统适配器VMware Network Adapter VMnet8的IP地址

（3）修改克隆虚拟机的静态IP

[root@hadoop100 ~]# vim /etc/sysconfig/network-scripts/ifcfg-ens33

改成

DEVICE=ens33
TYPE=Ethernet
ONBOOT=yes
BOOTPROTO=static
NAME=“ens33”
IPADDR=192.168.1.102 //静态ip地址 根据自己的修改
PREFIX=24
GATEWAY=192.168.1.2 /网关
DNS1=192.168.1.2

保证Linux系统ifcfg-ens33文件中IP地址、虚拟网络编辑器地址和Windows系统VM8网络IP地址

3）修改克隆机主机名，以下以hadoop102举例说明
（1）修改主机名称，两种方法二选一

[root@hadoop100 ~]# hostnamectl --static set-hostname hadoop102

或者修改/etc/hostname文件

[root@hadoop100 ~]# vim /etc/hostname
hadoop102

（2）配置linux克隆机主机名称映射hosts文件，打开/etc/hosts

[root@hadoop100 ~]# vim /etc/hosts

添加如下内容

192.168.1.100 hadoop100
192.168.1.101 hadoop101
192.168.1.102 hadoop102
192.168.1.103 hadoop103
192.168.1.104 hadoop104

4）重启克隆机hadoop102

[root@hadoop100 ~]# reboot

5）修改windows的主机映射文件（hosts文件）
（1）如果操作系统是window7，可以直接修改
（a）进入C:\Windows\System32\drivers\etc路径
（b）打开hosts文件并添加如下内容，然后保存

192.168.1.100 hadoop100
192.168.1.101 hadoop101
192.168.1.102 hadoop102
192.168.1.103 hadoop103
192.168.1.104 hadoop104

（2）如果操作系统是window10，先拷贝出来，修改保存以后，再覆盖即可
（a）进入C:\Windows\System32\drivers\etc路径
（b）拷贝hosts文件到桌面
(c）打开桌面hosts文件并添加如下内容

192.168.1.100 hadoop100
192.168.1.101 hadoop101
192.168.1.102 hadoop102
192.168.1.103 hadoop103
192.168.1.104 hadoop104

（d）将桌面hosts文件覆盖C:\Windows\System32\drivers\etc路径hosts文件

安装JDK Hadoop

1）卸载现有JDK

[yls@hadoop102 ~]$ rpm -qa | grep -i java | xargs -n1 sudo rpm -e --nodeps

2)下载JDK，将JDK导入到opt目录下面的software文件夹下面
下载Hadoop，将JDK导入到opt目录下面的software文件夹下面

3）在Linux系统下的opt目录中查看软件包是否导入成功

[yls@hadoop102 ~]$ ls /opt/software/

看到如下结果：

hadoop-3.1.3.tar.gz jdk-8u212-linux-x64.tar.gz

6）解压JDK到/opt/module目录下

[yls@hadoop102 software]$ tar -zxvf jdk-8u212-linux-x64.tar.gz -C /opt/module/

解压Hadoop安装文件到/opt/module下面

[yls@hadoop102 software]$ tar -zxvf hadoop-3.1.3.tar.gz -C /opt/module/

8）测试JDK是否安装成功

[yls@hadoop102 ~]$ java -version

如果能看到以下结果，则代表Java安装成功。

java version “1.8.0_212”

将Hadoop添加到环境变量
获取Hadoop安装路径

[yls@hadoop102 hadoop-3.1.3]$ pwd
/opt/module/hadoop-3.1.3

打开/etc/profile.d/my_env.sh文件

sudo vim /etc/profile.d/my_env.sh
在my_env.sh文件末尾添加如下内容：（shift+g）
#HADOOP_HOME
export HADOOP_HOME=/opt/module/hadoop-3.1.3
export PATH=$PATH:$HADOOP_HOME/bin
export PATH=$PATH:$HADOOP_HOME/sbin

保存后退出

:wq

让修改后的文件生效

[yls@hadoop102 hadoop-3.1.3]$ source /etc/profile

测试是否安装成功

[yls@hadoop102 hadoop-3.1.3]$ hadoop version
Hadoop 3.1.3

Hadoop目录结构

1）查看Hadoop目录结构

[yls@hadoop102 hadoop-3.1.3]$ ll
总用量 52
drwxr-xr-x. 2 yls yls 4096 5月 22 2019 bin
drwxr-xr-x. 3 yls yls 4096 5月 22 2019 etc
drwxr-xr-x. 2 yls yls 4096 5月 22 2019 include
drwxr-xr-x. 3 yls yls 4096 5月 22 2019 lib
drwxr-xr-x. 2 yls yls 4096 5月 22 2019 libexec
-rw-r–r–. 1 yls yls 15429 5月 22 2019 LICENSE.txt
-rw-r–r–. 1 yls yls 101 5月 22 2019 NOTICE.txt
-rw-r–r–. 1 yls yls 1366 5月 22 2019 README.txt
drwxr-xr-x. 2 yls yls4 096 5月 22 2019 sbin
drwxr-xr-x. 4 yls yls 4096 5月 22 2019 share

2）重要目录

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

完全分布式配制及启动

编写集群分发脚本xsync
1）scp（secure copy）安全拷贝
（1）scp定义：
scp可以实现服务器与服务器之间的数据拷贝。（from server1 to server2）
（2）基本语法
scp -r $pdir/$fname $user@hadoop$host:$pdir/$fname
命令 递归 要拷贝的文件路径/名称 目的用户@主机:目的路径/名称
（3）案例实操
前提：在 hadoop102 hadoop103 hadoop104 都已经创建好的 /opt/module /opt/software 两个目录， 并且已经把这两个目录修改为yls:yls sudo chown yls:yls -R /opt/module
（a）在hadoop102上，将hadoop102中/opt/module/jdk1.8.0_212目录拷贝到hadoop103上。

[yls@hadoop102 ~]$ scp -r /opt/module/jdk1.8.0_212 yls@hadoop103:/opt/module

（b）在hadoop103上，将hadoop102中/opt/module/hadoop-3.1.3目录拷贝到hadoop103上。

[yls@hadoop103 ~]$ scp -r yls@hadoop102:/opt/module/hadoop-3.1.3 /opt/module/

（c）在hadoop103上操作，将hadoop102中/opt/module目录下所有目录拷贝到hadoop104上。

[yls@hadoop103 opt]$ scp -r yls@hadoop102:/opt/module/* yls@hadoop104:/opt/module

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。
基本语法如下：

$ rsync -r source destination

-r表示递归，即包含子目录。注意，-r是必须的，否则 rsync 运行不会成功。source目录表示源目录，destination表示目标目录。

如果有多个文件或目录需要同步，可以写成下面这样。

$ rsync -r source1 source2 destination

上面命令中，source1、source2都会被同步到destination目录

-a参数可以替代-r，除了可以递归同步以外，还可以同步元信息（比如修改时间、权限等）。由于 rsync 默认使用文件大小和修改时间决定文件是否需要更新，所以-a比-r更有用。下面的用法才是常见的写法。

$ rsync -a source destination

rsync 除了支持本地两个目录之间的同步，也支持远程同步。它可以将本地内容，同步到远程服务器。

$ rsync -av source/ username@remote_host:destination

-v参数则是将结果输出到终端，这样就可以看到哪些内容会被同步。

案例实操
把hadoop102机器上的/opt/software目录同步到hadoop103服务器的/opt/software目录下

[yls@hadoop102 opt]$ rsync -av /opt/software/* yls@hadoop103:/opt/software

xsync集群分发脚本
（1）需求：循环复制文件到所有节点的相同目录下
（2）需求分析：
（a）rsync命令原始拷贝：
rsync -av /opt/module root@hadoop103:/opt/
（b）期望脚本：
xsync要同步的文件名称
（c）说明：在/home/yls/bin这个目录下存放的脚本，yls用户可以在系统任何地方直接执行。
（3）脚本实现
（a）在/home/yls/bin目录下创建xsync文件

[yls@hadoop102 opt]$ cd /home/yls
[yls@hadoop102 ~]$ mkdir bin
[yls@hadoop102 ~]$ cd bin
[yls@hadoop102 bin]$ vim xsync

在该文件中编写如下代码

#!/bin/bash
#1. 判断参数个数
if [ $# -lt 1 ]
then
  echo Not Enough Arguement!
  exit;
fi
#2. 遍历集群所有机器
for host in hadoop102 hadoop103 hadoop104
do
  echo ====================  $host  ====================
  #3. 遍历所有目录，挨个发送
  for file in $@
  do
    #4. 判断文件是否存在
    if [ -e $file ]
    then
      #5. 获取父目录
      pdir=$(cd -P $(dirname $file); pwd)
      #6. 获取当前文件的名称
      fname=$(basename $file)
      ssh $host "mkdir -p $pdir"
      rsync -av $pdir/$fname $host:$pdir
    else
      echo $file does not exists!
    fi
  done
done

（b）修改脚本 xsync 具有执行权限

[yls@hadoop102 bin]$ chmod +x xsync

（c）将脚本复制到/bin中，以便全局调用

[yls@hadoop102 bin]$ sudo cp xsync /bin/

（d）测试脚本

[yls@hadoop102 ~]$ xsync /home/yls/bin
[yls@hadoop102 bin]$ sudo xsync /bin/xsync

SSH免密登录配置

SSH 会生成一对密钥，分别是公钥和私钥，公钥和私钥是可以互相进行解密，但是不能自己给自己解密

.ssh文件夹下（~/.ssh）的文件功能解释

# 安装 SSH 服务

yum  install -y openssh-server openssh-clients

生成公私钥：ssh-keygen -t rsa

将本机的公钥发送到目标机器的认证列表 (authorized_keys) 中

以下操作每个节点都来一遍

ssh-copy-id hadoop102
ssh-copy-id hadoop103
ssh-copy-id hadoop104

注意：
还需要在hadoop103上采用yls账号配置一下无密登录到hadoop102、hadoop103、hadoop104服务器上。
还需要在hadoop104上采用yls账号配置一下无密登录到hadoop102、hadoop103、hadoop104服务器上。
还需要在hadoop102上采用root账号，配置一下无密登录到hadoop102、hadoop103、hadoop104；

集群规划

注意：NameNode和SecondaryNameNode不要安装在同一台服务器
注意：ResourceManager也很消耗内存，不要和NameNode、SecondaryNameNode配置在同一台机器上。

常用端口号说明

集群配置
配置core-site.xml

[yls@hadoop102 ~]$ cd $HADOOP_HOME/etc/hadoop
[yls@hadoop102 hadoop]$ vim core-site.xml

内容为

<?xml version="1.0" encoding="UTF-8"?>
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>

<configuration>
	<!-- 指定NameNode的地址 -->
    <property>
        <name>fs.defaultFS</name>
        <value>hdfs://hadoop102:9820</value>
</property>
<!-- 指定hadoop数据的存储目录 -->
    <property>
        <name>hadoop.tmp.dir</name>
        <value>/opt/module/hadoop-3.1.3/data</value>
</property>

<!-- 配置HDFS网页登录使用的静态用户为atguigu -->
    <property>
        <name>hadoop.http.staticuser.user</name>
        <value>atguigu</value>
</property>

<!-- 配置该atguigu(superUser)允许通过代理访问的主机节点 -->
    <property>
        <name>hadoop.proxyuser.atguigu.hosts</name>
        <value>*</value>
</property>
<!-- 配置该atguigu(superUser)允许通过代理用户所属组 -->
    <property>
        <name>hadoop.proxyuser.atguigu.groups</name>
        <value>*</value>
</property>
<!-- 配置该atguigu(superUser)允许通过代理的用户-->
    <property>
        <name>hadoop.proxyuser.atguigu.groups</name>
        <value>*</value>
</property>

</configuration>

配置hdfs-site.xml
配置hdfs-site.xml

[yls@hadoop102 hadoop]$ vim hdfs-site.xml

文件内容如下：

<?xml version="1.0" encoding="UTF-8"?>
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>

<configuration>
	<!-- nn web端访问地址-->
	<property>
        <name>dfs.namenode.http-address</name>
        <value>hadoop102:9870</value>
    </property>
	<!-- 2nn web端访问地址-->
    <property>
        <name>dfs.namenode.secondary.http-address</name>
        <value>hadoop104:9868</value>
    </property>
</configuration>

配置yarn-site.xml

[yls@hadoop102 hadoop]$ vim yarn-site.xml

文件内容如下：

<?xml version="1.0" encoding="UTF-8"?>
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>

<configuration>
	<!-- 指定MR走shuffle -->
    <property>
        <name>yarn.nodemanager.aux-services</name>
        <value>mapreduce_shuffle</value>
</property>
<!-- 指定ResourceManager的地址-->
    <property>
        <name>yarn.resourcemanager.hostname</name>
        <value>hadoop103</value>
</property>
<!-- 环境变量的继承 -->
    <property>
        <name>yarn.nodemanager.env-whitelist</name>
        <value>JAVA_HOME,HADOOP_COMMON_HOME,HADOOP_HDFS_HOME,HADOOP_CONF_DIR,CLASSPATH_PREPEND_DISTCACHE,HADOOP_YARN_HOME,HADOOP_MAPRED_HOME</value>
</property>
<!-- yarn容器允许分配的最大最小内存 -->
    <property>
        <name>yarn.scheduler.minimum-allocation-mb</name>
        <value>512</value>
    </property>
    <property>
        <name>yarn.scheduler.maximum-allocation-mb</name>
        <value>4096</value>
</property>
<!-- yarn容器允许管理的物理内存大小 -->
    <property>
        <name>yarn.nodemanager.resource.memory-mb</name>
        <value>4096</value>
</property>
<!-- 关闭yarn对物理内存和虚拟内存的限制检查 -->
    <property>
        <name>yarn.nodemanager.pmem-check-enabled</name>
        <value>false</value>
    </property>
    <property>
        <name>yarn.nodemanager.vmem-check-enabled</name>
        <value>false</value>
    </property>
</configuration>

MapReduce配置文件
配置mapred-site.xml

[yls@hadoop102 hadoop]$ vim mapred-site.xml

内容如下

<?xml version="1.0" encoding="UTF-8"?>
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>

<configuration>
	<!-- 指定MapReduce程序运行在Yarn上 -->
    <property>
        <name>mapreduce.framework.name</name>
        <value>yarn</value>
    </property>
</configuration>

在集群上分发配置好的Hadoop配置文件

[yls@hadoop102 hadoop]$ xsync /opt/module/hadoop-3.1.3/etc/hadoop/

去103和104上查看文件分发情况

[yls@hadoop103 ~]$ cat /opt/module/hadoop-3.1.3/etc/hadoop/core-site.xml
[yls@hadoop104 ~]$ cat /opt/module/hadoop-3.1.3/etc/hadoop/core-site.xml

群起集群

配置workers

[yls@hadoop102 hadoop]$ vim /opt/module/hadoop-3.1.3/etc/hadoop/workers

在该文件中增加如下内容：

hadoop102
hadoop103
hadoop104

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。
同步所有节点配置文件

[yls@hadoop102 hadoop]$ xsync /opt/module/hadoop-3.1.3/etc

启动集群

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。）

集群的启动方式有两种，一种是单个服务启动，另外一种是利用 Hadoop 官方给我们提供的脚本分模块启动

如果集群是第一次启动，需要格式化 NameNode，NameNode 终身只格式化一次！！！

当 Hadoop 集群启动失败，或者需要重新格式化，必须先清除以下数据：

将每个虚拟机的 /opt/module/hadoop-3.1.3/logs、 /opt/module/hadoop-3.1.3/data、 /opt/module/hadoop-3.1.3/pid 删除

这种操作每个节点都需要

格式化 NameNode

hadoop namenode -format

启动
单服务的启动和停止

# 竖线表示多选 1
hadoop-daemon.sh  start|stop  namenode|datanode|secondarynamenode
# yarn 相关的服务
yarn-daemon.sh  start|stop  resourcemanager|nodemanager

模块化的脚本启动和停止

# 此脚本必须在 namenode 运行的机器上执行
start-dfs.sh
stop-dfs.sh
# 此脚本必须在 resourcemanager 运行的机器上执行
start-yarn.sh
stop-yarn.sh

Web端查看HDFS的NameNode
（a）浏览器中输入：http://hadoop102:9870
（b）查看HDFS上存储的数据信息
Web端查看YARN的ResourceManager
（a）浏览器中输入：http://hadoop103:8088
（b）查看YARN上运行的Job信息

创作打卡挑战赛

赢取流量/现金/CSDN周边激励大奖