环境配置
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：使用 vmware 虚拟机虚拟三台 linux节点，linux操作系统: Centos7
- 虚拟机环境准备三台虛拟机(静态iP、关闭防火墙、修改主机名、配置兔密登录、集群时间同步)
首先创建一台虚拟机配置好 hadoop环境变量后分别克隆出 slave1、slave2节点
创建目录
mkdir /opt/software -- 软件安装包
mkdir /opt/server -- 软件安装目录
集群规划
| 框架 | master | slave1 | slave2 |
|---|---|---|---|
| HDFS | NameNod、DataNode | DataNode | SecondaryNameNode、DataNode |
| YARN | NodeManager | NodeManager | ResourceManager、NodeManager |
Hadoop
下载 Hadoop
下载 Hadoop 到 /opt/software 中
wget -P software http://mirrors.tuna.tsinghua.edu.cn/apache/hadoop/common/hadoop-2.10.1/hadoop-2.10.1.tar.gz
解压 Hadoop 到 /opt/servers 中
tar -zxvf hadoop-2.10.1.tar.gz -C /opt/servers
配置环境变量
- 添加环境变量到
vim /etc/profile
# HADOOP
export HADOOP_HOME=/opt/servers/hadoop-2.10.1
export PATH=$PATH:$HADOOP_HOME/bin
export PATH=$PATH:$HADOOP_HOME/sbin
- 使环境变量生效
source /etc/profile
- 使用
hadoop version检查配置是否正常
目录结构
drwxr-xr-x bin -- 对 hadoop 操作相关命令(.cmd为windows用)
drwxr-xr-x etc -- 配置文件目录
drwxr-xr-x include -- jar包和lib一样
drwxr-xr-x lib -- hadoop本地库，存放jar包
drwxr-xr-x libexec -- 本地系统依赖库
-rw-r--r-- LICENSE.txt
-rw-r--r-- NOTICE.txt
-rw-r--r-- README.txt -- 描述文件
drwxr-xr-x sbin -- 命令(hadoop停止启动等)
drwxr-xr-x share -- 一些hadoop相关jar包及官方案例
克隆节点
配置好以上环境后克隆出两台节点 slave1、slave2 并分配静态 IP。修改主机名
PS：需要在关机状态下克隆
-
修改本机静态 IP
-
修改本机 Hostname
-
配置 SSH 免密登录
集群规划实施
HDFS 集群配置
配置文件目录在
cd /opt/servers/hadoop-2.10.1/etc/hadoop
HDFS配置JDK环境
vim hadoop-env.sh
NameNode节点及数据存储目录
master 节点
PS：配置信息一定要放在 configuration标签中！
core-site.xml 默认配置在：
https://hadoop.apache.org/docs/r2.10.1/hadoop-project-dist/hadoop-common/core-default.xml
vim core-site.xml
<!-- 指定 HDFS 中的 NameNode 的地址 -->
<property>
<name>fs.defaultFS</name>
<value>hdfs://master: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/servers/hadoop-2.10.1/data/tmp</value>
</property>
SecondaryNameNode
slave2 节点
hdfs-site.xml 默认配置
https://hadoop.apache.org/docs/r2.10.1/hadoop-project-dist/hadoop-hdfs/hdfs-default.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>slave2:50090</value>
</property>
<!-- 指定副本数量 -->
<property>
<name>dfs.replication</name>
<value>3</value>
</property>
DataNode从节点
etc/hadoop/slaves
vim slaves
将原来内容删除然后将需要启动DatanNode的节点主机名写入
PS：不要加主机名后面加空格，也不要多起一行
MapReduce 集群配置
配置 MapReduce JDK路径
vim mapred-env.sh
解开 JAVA_HOME 注释并配置正确的JAVA_HOME路径
指定 MapReduce 计算框架运行 YARN 资源调度框架
因为只有模版文件mapred-site.xml.template所以需要复制一份出来改名为mapred-site.xml
cp mapred-site.xml.template mapred-site.xml
vim mapred-site.xml
<!-- 指定 MapReduce 运行在 Yarn 上 -->
<property>
<name>mapreduce.framework.name</name>
<value>yarn</value>
</property>
Yarn 集群配置
配置 Yarn JDK路径
vim yarn-env.sh
export JAVA_HOME=/usr/java/jdk1.8.0_202
配置 ResourceManager
指定 ResourceManager 老大节点所在的计算机节点
slave2
vim yarn-site.xml
默认配置：https://hadoop.apache.org/docs/r2.10.1/hadoop-yarn/hadoop-yarn-common/yarn-default.xml
<!-- 指定 YARN 的 ResourceManager 的地址 -->
<property>
<name>yarn.resourcemanager.hostname</name>
<value>slave2</value>
</property>
<!-- reduce 获取数据的方式 -->
<property>
<name>yarn.nodemanager.aux-services</name>
<value>mapreduce_shuffle</value>
</property>
指定 NodeManager 从节点
如果已经配置 HDFS 的 DataNode 从节点 slave配置文件 则不需要在修改了
这两个信息是一样的，共用同一个文件
权限注意
Hadoop安装目录所属用户和所属用户组信息，默认是1000 1000，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/servers/hadoop-2.10.1
ll /opt/servers/hadoop-2.10.1
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
如果系统没有这个命令
yum -y install rsync
rsync --version
- 基本语法
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
rsync -rvl $pdir/$fname $user@$host:$pdir/$fname
- 选项参数说明
|选项|功能|
|-----|-----|
|-r|递归|
|-v|显示过程|
|-l|拷贝符号连接|
集群分发脚本
期望：脚本+要同步的文件名称
说明：/usr/local/bin 中存在脚本，root 用户可以在任意地方执行
- 编写脚本
vim /usr/local/bin/rsync-script
#!/bin/bash
# 说明：循环复制文件到集群所有节点的相同目录下
# 1. 获取传入脚本的参数，参数个数
paramNum=$#
if ((paramNum == 0)); then
echo No Parameters!
exit
fi
# 2. 获取到文件名称
param1=$1 # 第一个参数
fileName=$(basename $param1) # 获取最后一个路径
# 3. 获取到文件的绝对路径
# 获取到上级目录，并以绝对路径方式进入，然后获取路径信息（解决传入相对路径问题）
$(cd -P $(dirname $param1))
dirName=$(pwd)
path=$dirName/$fileName # 文件路径
# 判断路径是否有效
if [ ! -f $fileName ] && [ ! -d $fileName ]; then
echo "$path" failed: No such file or directory
exit
fi
# 4. 获取到当前用户信息
username=$(whoami)
orginHost=slave # 主机名称前缀
# 由于主机名为master 所以需要在外面配置,如果你的linux主机名是有循序的，则不需要这一步
rsync -rvl $path ${username}@master:${dirName}
# 5. 执行 rsync 命令，循环执行同步到其他节点
for ((i = 1; i <= 2; i++)); do
echo ---- target host ${orginHost}${i}
echo ---- sync $path
rsync -rvl $path ${username}@${orginHost}${i}:${dirName}
done
- 设置执行权限
chmod 777 /usr/local/bin/rsync-script
3.执行同步
PS：同步 hadoop 时如果 master 已经格式化 NameNode 请不要将 data 目录同步过去
rsync-script hadoop-2.10.11
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！如果多次格式化会造成无法启动!
格式化NameNode 不能执行多次格式化
hadoop namenode -format
格式化成功后会在 /opt/servers/hadoop-2.10.1/data/tmp 目录创建文件
单节点启动
建议使用集群群起
- 启动 master 的 NameNode 和 DataName
hadoop-daemon.sh start namenode
jps
hadoop-daemon.sh start datanode
jps
- 启动 slave1 和 slave2 的 DateName
hadoop-daemon.sh start datanode
jps
PS：启动 NameNode 后可以在浏览器打开控制台 http://192.168.139.121:50070/ 主节点:50070
Yarn 集群单节点启动
建议使用集群群起
启动 Yarn 主节点
Yarn集群放在了 slave2 上。所以需要在 slave2 进行操作
yarn-daemon.sh start resourcemanager
启动 NodeManager 从节点
master 、slave1、slave2 都启用从节点
yarn-daemon.sh start nodemanager
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，千万不要重复执行！！**
hadoop namenode -format
启动 HDFS 集群
master 节点上执行
start-dfs.sh
执行完毕后检查 master、slave1、slave2的 NameNode、DataName、SecondaryNameNode是否启动成功！
启动 Yarn 集群
ResourceManager主节点在 slave2 节点，所以要上 slave2 节点执行
start-yarn.sh
执行完毕后检查 master、slave1、slave2的 ResourceManager、NodeManager 是否启动成功！
集群测试
HDFS 分部式存储
从 Linux 本地文件系统上传下载文件验证 HDFS 集群工作正常
cd /root
date > test.txt
# 创建目录
hadoop fs -mkdir -p /test/input
# 上传文件
hadoop fs -put test.txt /test/input
# 下载文件
hadoop fs -get /test/input/test.txt t1.txt
MapReduce 分布式计算
vim wx.txt
hadoop mapreduce yarn
hdfs hadoop mapreduce
mapreduce yarn orginly
orginly
orginly
feng li feng li
hadoop fs -mkdir /mapReduce
hadoop fs -put /root/wc.txt /mapReduce
- 回到 Hadoop 目录
/opt/servers/hadoop-2.10.1 - 执行官方示例程序 wordcount 单词统计
hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.10.1.jar wordcount /mapReduce /wcoutput
也可以登录 Yarn 集群控制面板查看
控制面板安装在 resourceManager 的节点 http://slave2:8088/cluster
历史日志服务器
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。
配置日志服务器
master节点
- 配置 mapred-site.xml
<!-- 历史服务器地址 -->
<property>
<name>mapreduce.jobhistory.address</name>
<value>master:10020</value>
</property>
<!-- 历史服务器web地址 -->
<property>
<name>mapreduce.jobhistory.webapp.address</name>
<value>master:19888</value>
</property>
- 分发 mapred-site.xml 到其他节点
rsync-script mapred-site.xml
- master 启动历史服务器
mr-jobhistory-daemon.sh start historyserver
jps
- 访问历史服务器
http://master:19889
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
- 配置 yarn-site.xml
vim /opt/servers/hadoop-2.10.1/etc/hadoop/yarn-site.xml
<!-- 日志聚集功能使能 -->
<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>
- 分发 yarn-site.xml 到其他节点
rsync-script yarn-site.xml
- 停止 yarn 集群
slave2 节点
stop-yarn.sh
jps
- 重启 JobHistoryServer
master
mr-jobhistory-daemon.sh stop historyserver
mr-jobhistory-daemon.sh start historyserver
jps
- 启动 yarn 集群
slave2 节点
执行官方测试案例
- 删除之前执行生成的文件
hadoop fs -rm -r /wcoutput
- 执行
/opt/servers/hadoop-2.10.1
hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.10.1.jar wordcount /mapReduce /wcoutput
- 查看日志