[大数据]Hadoop简介与集群配置

1 Hadoop是什么

• 是一个由Apache基金会所开发的分布式系统基础框架
• 主要解决，海量数据的存储和海量数据的分析计算问题
• 广义上来说，Hadoop通常指一个更广泛的概念-Hadoop生态圈

2 优势

• 高可靠性：Hadoop底层维护多个数据副本，所以即使Hadoop某个计算元素或存储出现故障，也不会导致数据缺失
• 高扩展性：在集群间分配任务数据，可方便的扩展数以千计的节点
• 高效性：在Mapreduce的思想下，Hadoop是并行工作的，以加快任务处理速度
• 高容错性：能够自动将失败的任务重新分配

3 Hadoop1.x,2.x,3.x区别

4 Hadoop组成

4.1 HDFS 架构概述

• Hadoop Distributed File System 简称HDFS，是一个分布式的文件系统
• 组成
• • NameNode(nn)：存储文件的元数据，如文件名，文件目录结构，文件属性(生成时间、副本数、文件权限)，以及每个文件的块列表和块所在的DataNode
• • DataNode(dn)：在本地文件系统存储文件块数据，以及块数据的校验和
• • Secondary NameNode(2nn)：每隔一段时间对NameNode元数据备份
    

4.2 Yarn架构概述

• Yet Another Resource Negotiator简称YARN，另一种资源协调者，是Hadoop的资源管理器
• 组成
• • Resource Manage(RM)：整个集群资源(内存、CPU等)的老大
• • NodeManage(NM)：单个节点服务器资源老大
• • ApplicationMaster(AM)：单个任务的老大
• • Container：容器，相当于一台独立的服务器，里面封装了任务运行所需要的资源，如内存、cpu、磁盘、网络
• • 当有客户端申请任务ApplicationMaster时，Resource Manage会从其中一个服务器节点中分出部分资源形成一个Container，供ApplicationMaster使用
• 说明
• • 客户端可以有多个
• • 集群上可以运行多个Application
• • 每个NodeManage上可以有多个Container
    

4.3 MapReduce架构概述

MapReduce将计算过程分为两个阶段：Map和Reduce

• Map阶段并行处理输入数据
• Reduce阶段对Map结果进行汇总

将任务分给所有的服务器(Map)，然后所有的服务器将找到的结果整合(Reduce)

4.4 HDFS、YARN、MapReduce三者关系

• 首先客户端来了一个任务，要找到某一个文件，提交一个任务ApplicationMaster
• Yarn中的ResourceManage收到任务后，会从一台服务中分出一个Container，让任务在这执行
• ApplicationMaster会向ResourceManage申请我需要哪些资源，然后在对应的服务器上开启MapReduce中的Map阶段，分发给服务器都去查询
• 然后Reduce阶段会把所有的Map结果汇总，更新HDFS中的DataNode和NameNode以及Secondary NameNode

5 大数据技术生态体系

6 hadoop运行模式

• 本地模式
• • 数据存储在linux本地
• • 使用场景：测试环境中用
• 伪分布式模式
• • 数据存储在HDFS
• • 使用场景：公司中比较差钱
• 完全分布式模式
• • 完全分布式集群
• • 数据存储在HDFS/多台服务器工作
• • 使用场景：企业里面大量使用

7 同步工具

7.1 scp（secure copy）安全拷贝

用于在服务器之间传输数据

scp -r 数据源的用户名@主机名:文件路径 目的地的用户名@主机名:文件路径

7.2 rsync远程同步工具

• 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的区别：用rsync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 -av 数据源的用户名@主机名:文件路径 目的地的用户名@主机名:文件路径
-a 归档拷贝
-v 显示复制过程

7.3 xsync集群分发脚本

需求：循环复制文件到所有节点的相同目录下

#!/bin/bash

#1.判断参数个数
if [ $# -lt 1 ]
then
    echo Not Enough Argument!
    exit;
fi

#2.遍历集群所有机器
for host in hadoop178 hadoop179 hadoop180
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 nor exits!
    fi
  done
done

7.4 ssh免密登陆

• 原理
  
• 操作步骤

# 1.找到隐藏的目录
cd /home/tws
ll -al #显示隐藏文件
cd .ssh/
# 2.生成公钥和私钥,此时.ssh/目录下会生成私钥id_rsa和公钥id_rsa.pub
ssh-keygen -t rsa 
-rw-------. 1 tws tws 1675 10月 15 10:42 id_rsa
-rw-r--r--. 1 tws tws  395 10月 15 10:42 id_rsa.pub
-rw-r--r--. 1 tws tws  558 10月 15 09:19 known_hosts
# 3.将公钥拷贝到要免密登录的目标机器上
ssh-copy-id hadoop179 # hadoop179为目标主机名
ssh hadoop179 # 此时就是免密了

• .ssh文件夹下（~/.ssh）的文件功能解释

8 集群配置

8.1 集群部署规划

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

8.2 Hadoop配置文件说明

• Hadoop配置文件分为两类：默认配置文件和自定义配置文件，
• 只有用户想修改某一默认配置值时，才需要修改自定义配置文件，更改相应属性值

(1) 默认配置文件

(2) 自定义配置文件

core-site.xml、hdfs-site.xml,yarn-site.xml,mapred-site.xml四个配置文件存放在$HADOOP_HMOE/etc/hadoop这个路径上，用户可以根据项目需求重新进行修改配置

8.3 配置集群

(1) 核心配置文件

• 配置core-site.xml

cd $HADOOP_HOME/etc/hadoop
vim core-site.xml

• 文件内容如下

<configuration>
    <!-- 指定NameNode的地址 -->
    <property>
        <name>fs.defaultFS</name>
        <value>hdfs://hadoop178:8020</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>
</configuration>

(2) HDFS配置文件

• 配置hdfs-site.xml

vim hdfs-site.xml

• 文件内容如下

<configuration>
	<!-- nn web端访问地址-->
	<property>
        <name>dfs.namenode.http-address</name>
        <value>hadoop178:9870</value>
    </property>
	<!-- 2nn web端访问地址-->
    <property>
        <name>dfs.namenode.secondary.http-address</name>
        <value>hadoop180:9868</value>
    </property>
</configuration>

(3) YARN配置文件

• 配置yarn-site.xml

vim hdfs-site.xml

• 文件内容如下：

<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>hadoop179</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>
</configuration>

(4) MapReduce配置文件

• 配置mapred-site.xml

vim mapred-site.xml

• 文件内容如下

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

(5)在集群上分发配置好的Hadoop配置文件

sync /opt/module/hadoop-3.1.3/etc/hadoop/

8.5 群起集群

(1) 配置workers

vim /opt/module/hadoop-3.1.3/etc/hadoop/workers

• 在该文件中增加如下内容

hadoop178
hadoop179
hadoop180

• 同步所有节点内容

xsync /opt/module/hadoop-3.1.3/etc

(2) 启动集群

• 如果集群是第一次启动
  需要在hadoop178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。）

[tws@hadoop178 hadoop-3.1.3]$ hdfs namenode -format

• 启动HDFS

[tws@hadoop178 hadoop-3.1.3]$ sbin/start-dfs.sh

• 在配置了ResourceManager的节点（hadoop179）启动YARN

[tws@hadoop179 hadoop-3.1.3]$ sbin/start-yarn.sh

• Web端查看HDFS的NameNode
  a）浏览器中输入：http://hadoop178:9870
  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://hadoop179:8088
  b）查看YARN上运行的Job信息