Spark其实是Hadoop生态圈的一部分，需要用到Hadoop的HDFS、YARN等组件。

为了方便我们的使用，Spark官方已经为我们将Hadoop与scala组件集成到spark里的安装包，解压开箱即可使用，给我们提供了很大的方便。

如果我们只是本地学习的spark，又不想搭建复杂的hadoop集群，就可以使用该安装包。

spark-3.2.0-bin-hadoop3.2-scala2.13.tgz

但是，如果是生产环境，想要搭建集群，或者后面想要自定义一些hadoop配置，就可以单独搭建Hadoop集群，后面再与spark进行整合。（推荐）

下面讲一下Hadoop集群环境的搭建。

三台服务器，需要提前做好初始化，配置好主机名、免密登录与JDK配置等等。

参考前面一篇文章：Spark集群环境搭建——服务器环境初始化

https://www.cnblogs.com/doublexi/p/15623436.html

搭建Hadoop集群

1、下载：

Hadoop官网地址：http://hadoop.apache.org/

下载地址：https://archive.apache.org/dist/hadoop/common/hadoop-3.2.2/

cd /data/apps/shell/software

wget https://archive.apache.org/dist/hadoop/common/hadoop-3.2.2/hadoop-3.2.2.tar.gz

2、解压安装Hadoop

解压：

tar xf hadoop-3.2.2.tar.gz

mv hadoop-3.2.2 /data/apps/

编辑环境变量：

vim /etc/profile

##HADOOP_HOME

export HADOOP_HOME=/data/apps/hadoop-3.2.2/

export PATH=$PATH:$HADOOP_HOME/bin:$HADOOP_HOME/sbin

source生效：

source /etc/profile

测试：

# hadoop version

Hadoop 3.2.2

Source code repository Unknown -r 7a3bc90b05f257c8ace2f76d74264906f0f7a932

Compiled by hexiaoqiao on 2021-01-03T09:26Z

Compiled with protoc 2.5.0

From source with checksum 5a8f564f46624254b27f6a33126ff4

This command was run using /data/apps/hadoop-3.2.2/share/hadoop/common/hadoop-common-3.2.2.jar

3、集群配置：

3.1、HDFS集群配置：

配置：hadoop-env.sh

将JDK路径明确配置给HDFS

cd /data/apps/hadoop-3.2.2/etc/hadoop/

vim hadoop-env.sh

...

export JAVA_HOME=/usr/java/jdk1.8.0_162

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

指定NameNode节点以及数据存储目录（修改core-site.xml）

vim core-site.xml

<configuration>

<!-- 指定HDFS中NameNode的地址 -->

<property>

        <name>fs.defaultFS</name>

        <value>hdfs://dev-spark-master-206:8020</value>

</property>

<!-- 指定Hadoop运行时产生文件的存储目录 -->

<property>

        <name>hadoop.tmp.dir</name>

        <value>/data/apps/hadoop-3.2.2/data/tmp</value>

</property>

</configuration>

core-site.xml的默认配置：https://hadoop.apache.org/docs/r2.9.2/hadoop-project-dist/hadoop-common/coredefault.xml

指定secondarynamenode节点(修改hdfs-site.xml)

vim hdfs-site.xml

<configuration>

<!-- 指定Hadoop辅助名称节点主机配置 -->

<property>

        <name>dfs.namenode.secondary.http-address</name>

        <value>dev-spark-slave-172:50090</value>

</property>

<!--副本数量 -->

<property>

        <name>dfs.replication</name>

        <value>3</value>

</property>

</configuration>

官方默认配置：https://hadoop.apache.org/docs/r2.9.2/hadoop-project-dist/hadoop-hdfs/hdfsdefault.xml

指定datanode从节点(修改workers文件，每个节点配置信息占一行)

注意：这里hadoop2.x是用slaves文件，3.x是用workers文件

vim workers

dev-spark-master-206

dev-spark-slave-171

dev-spark-slave-172

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。

3.2、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=/usr/java/jdk1.8.0_162

指定MapReduce计算框架运行Yarn资源调度框架(修改mapred-site.xml)

vim mapred-site.xml

<configuration>

<!-- 指定MR运行在Yarn上 -->

<property>

        <name>mapreduce.framework.name</name>

        <value>yarn</value>

</property>

<!-- 指定MR环境变量 -->

<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>

mapred-site.xml默认配置：https://hadoop.apache.org/docs/r2.9.2/hadoop-mapreduce-client/hadoop-mapreduceclient-core/mapred-default.xml

3.3、Yarn集群配置

编辑yarn-env.sh，指定JDK路径

vim yarn-env.sh

export JAVA_HOME=/usr/java/jdk1.8.0_162

指定ResourceMnager的master节点信息(修改yarn-site.xml)

vim yarn-site.xml

<configuration>

<!-- Site specific YARN configuration properties -->

<!-- 指定YARN的ResourceManager的地址 -->

<property>

        <name>yarn.resourcemanager.hostname</name>

        <value>dev-spark-slave-172</value>

</property>

<!-- Reducer获取数据的方式 -->

<property>

        <name>yarn.nodemanager.aux-services</name>

        <value>mapreduce_shuffle</value>

</property>

</configuration>

yarn-site.xml的默认配置：https://hadoop.apache.org/docs/r2.9.2/hadoop-yarn/hadoop-yarn-common/yarndefault.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 /data/apps/hadoop-3.2.2

3.4、将Hadoop安装包发送到其他节点

[root@dev-spark-master-206 ~]# cd /data/apps/

# 将hadoop安装包发送到其他两台服务器相同的目录

[root@dev-spark-master-206 apps]# rsync-script hadoop-3.2.2/

在其他两台服务器上，也需要重新编辑一下环境变量，并source加载

# 检查三台服务器上是否有这个hadoop包，以及环境变量配置

# vim /etc/profile

##HADOOP_HOME

export HADOOP_HOME=/data/apps/hadoop-3.2.2/

export PATH=$PATH:$HADOOP_HOME/bin:$HADOOP_HOME/sbin

三台机器上都要source一下

source /etc/profile

三台机器上运行hadoop命令测试：

# hadoop version

Hadoop 3.2.2

Source code repository Unknown -r 7a3bc90b05f257c8ace2f76d74264906f0f7a932

Compiled by hexiaoqiao on 2021-01-03T09:26Z

Compiled with protoc 2.5.0

From source with checksum 5a8f564f46624254b27f6a33126ff4

This command was run using /data/apps/hadoop-3.2.2/share/hadoop/common/hadoop-common-3.2.2.jar

3.5、集群初始化：

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！！

新版都用hdfs namenode命令，旧版用hadoop namenode

# 注意，只能执行一次，后面再执行会破坏之前的集群环境

hdfs namenode -format

初始化成功后，输出日志里会显示”successfully formatted”

3.6、启动集群：

方式一：手动一个个服务启动：

启动HDFS：

在master上启动NameNode

[root@dev-spark-master-206 hadoop-3.2.2]# hadoop-daemon.sh start namenode

在master和slave节点，启动DataNode

在dev-spark-master-206上启动datanode

[root@dev-spark-master-206 hadoop-3.2.2]# hadoop-daemon.sh start datanode

# jps查看是否有namenode和datanode的进程

[root@dev-spark-master-206 hadoop-3.2.2]# jps

在dev-spark-slave-171上，启动datanode

[root@dev-spark-slave-171 ~]# hadoop-daemon.sh start datanode

# 查看是否有datanode的进程

[root@dev-spark-slave-171 ~]# jps

在dev-spark-slave-172上，启动datanode

[root@dev-spark-slave-172 ~]# hadoop-daemon.sh start datanode

# 查看是否有datanode进程

[root@dev-spark-slave-172 ~]# jps

Yarn集群单节点启动：

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。

按照我们集群的规划，我们在dev-spark-slave-172上启动resourcemanager和nodemanager

[root@dev-spark-slave-172 ~]# yarn-daemon.sh start resourcemanager

[root@dev-spark-slave-172 ~]#  yarn-daemon.sh start nodemanager

# 查看是否有 ResourceManager和 NodeManager进程

[root@dev-spark-slave-172 ~]# jps

在dev-spark-slave-171上启动nodemanager

[root@dev-spark-slave-171 ~]#  yarn-daemon.sh start nodemanager

# 查看是否有 NodeManager的进程

[root@dev-spark-slave-171 ~]# jps

在dev-spark-master-206上，启动nodemanager

[root@dev-spark-master-206 hadoop-3.2.2]#  yarn-daemon.sh start nodemanager

# jps查看是否有 NodeManager的进程

[root@dev-spark-master-206 hadoop-3.2.2]# jps

方式二：集群群起

在master节点执行start-dfs.sh命令，它会启动namenode，以及去workers文件中指定的节点中，启动datanode

在dev-spark-master-206上启动hdfs

# 不单个启动，集群启动

start-dfs.sh 

在dev-spark-slave-172上启动yarn

[root@dev-spark-slave-172 ~]# 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。

注意：如果启动报错

# start-dfs.sh

Starting namenodes on [dev-spark-master-206]

ERROR: Attempting to operate on hdfs namenode as root

ERROR: but there is no HDFS_NAMENODE_USER defined. Aborting operation.

Starting datanodes

ERROR: Attempting to operate on hdfs datanode as root

ERROR: but there is no HDFS_DATANODE_USER defined. Aborting operation.

Starting secondary namenodes [dev-spark-slave-172]

ERROR: Attempting to operate on hdfs secondarynamenode as root

ERROR: but there is no HDFS_SECONDARYNAMENODE_USER defined. Aborting operation.

对于start-dfs.sh和stop-dfs.sh文件，添加下列参数：

# vim sbin/start-dfs.sh

# 顶部加上下面的配置

#!/usr/bin/env bash

HDFS_DATANODE_USER=root

HADOOP_SECURE_DN_USER=hdfs

HDFS_NAMENODE_USER=root

HDFS_SECONDARYNAMENODE_USER=root

# vim sbin/stop-dfs.sh

#!/usr/bin/env bash

HDFS_DATANODE_USER=root

HADOOP_SECURE_DN_USER=hdfs

HDFS_NAMENODE_USER=root

HDFS_SECONDARYNAMENODE_USER=root

对于start-yarn.sh和stop-yarn.sh文件，添加下列参数：

# vim sbin/start-yarn.sh

#!/usr/bin/env bash

YARN_RESOURCEMANAGER_USER=root

HADOOP_SECURE_DN_USER=yarn

YARN_NODEMANAGER_USER=root

# vim sbin/stop-yarn.sh

#!/usr/bin/env bash

YARN_RESOURCEMANAGER_USER=root

HADOOP_SECURE_DN_USER=yarn

YARN_NODEMANAGER_USER=root

发送到其他节点：

rsync-script sbin/start-dfs.sh

rsync-script sbin/stop-dfs.sh

rsync-script sbin/start-yarn.sh

rsync-script sbin/stop-yarn.sh

再启动：（再启动之前，需要使用jps查看之前残存的进程，用kill杀掉）

# start-dfs.sh

WARNING: HADOOP_SECURE_DN_USER has been replaced by HDFS_DATANODE_SECURE_USER. Using value of HADOOP_SECURE_DN_USER.

Starting namenodes on [dev-spark-master-206]

Last login: Wed Sep  8 15:05:01 CST 2021 from 192.168.90.188 on pts/6

Starting datanodes

Last login: Wed Sep  8 15:37:52 CST 2021 on pts/5

Starting secondary namenodes [dev-spark-slave-172]

Last login: Wed Sep  8 15:37:54 CST 2021 on pts/5

dev-spark-slave-172: WARNING: /data/apps/hadoop-3.2.2/logs does not exist. Creating.

启动yarn：

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。

# 在dev-spark-slave-172上面启动yarn

start-yarn.sh

3.7、Hadoop集群启动停止命令汇总
1. 各个服务组件逐一启动/停止
（1）分别启动/停止HDFS组件

hadoop-daemon.sh start / stop namenode / datanode / secondarynamenode

（2）启动/停止YARN

yarn-daemon.sh start / stop resourcemanager / nodemanager

2. 各个模块分开启动/停止（配置ssh是前提）常用
（1）整体启动/停止HDFS

start-dfs.sh / stop-dfs.sh

（2）整体启动/停止YARN

start-yarn.sh / stop-yarn.sh

3.8、web ui界面查看

web页面查看：http://192.168.90.206:9870/

查看yarn：（注意地址是：192.168.90.172）

http://192.168.90.172:8088/

3.9、测试hdfs：

[root@dev-spark-master-206 ~]# hdfs dfs -mkdir -p /test/input

[root@dev-spark-master-206 ~]# echo "test hdfs" >> test.txt

[root@dev-spark-master-206 ~]# hdfs dfs -put test.txt /test/input

[root@dev-spark-master-206 ~]# hdfs dfs -ls /test/input

Found 1 items

-rw-r--r--   3 root supergroup         10 2021-09-08 16:53 /test/input/test.txt

web界面上有看到相关文件：

4、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：

4.1. 配置mapred-site.xml

# cd /data/apps/hadoop-3.2.2/etc/hadoop/

# vi mapred-site.xml

<!-- 历史服务器端地址 -->

<property>

        <name>mapreduce.jobhistory.address</name>

        <value>dev-spark-master-206:10020</value>

</property>

<!-- 历史服务器web端地址 -->

<property>

        <name>mapreduce.jobhistory.webapp.address</name>

        <value>dev-spark-master-206:19888</value>

</property>

4.2、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

vim 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>

<property>

        <name>yarn.log.server.url</name>

        <value>http://dev-spark-master-206:19888/jobhistory/logs</value>

</property>

4.3、分发配置到其他节点：

rsync-script mapred-site.xml

rsync-script yarn-site.xml

4.4、启动history server

# 重启yarn

[root@dev-spark-slave-172 logs]# stop-yarn.sh

[root@dev-spark-slave-172 logs]# start-yarn.sh

# 启动历史服务器：

[root@dev-spark-master-206 hadoop]# mapred --daemon start historyserver

4.5、web页面查看：

查看地址：http://192.168.90.206:19888/jobhistory

5、测试wordcount

创建wc.txt文件

# vim wc.txt

hadoop mapreduce yarn

hdfs hadoop mapreduce

mapreduce yarn hello

hello

hello

上传到hdfs：/text/input目录

# 如果目录不存在，需要先创建

hdfs dfs -mkdir -p /test/input

# 上传

hdfs dfs -put wc.txt /test/input

# 查看是否上传成功

hdfs dfs -ls /test/input

执行WordCount程序

hadoop jar /data/apps/hadoop-3.2.2/share/hadoop/mapreduce/hadoop-mapreduce-examples-3.2.2.jar wordcount /test/input/wc.txt /wcoutput

运行成功，查看结果：

[root@dev-spark-master-206 hadoop]# hdfs dfs -ls /wcoutput

Found 2 items

-rw-r--r--   3 root supergroup          0 2021-09-08 17:20 /wcoutput/_SUCCESS

-rw-r--r--   3 root supergroup         43 2021-09-08 17:20 /wcoutput/part-r-00000

[root@dev-spark-master-206 hadoop]# hdfs dfs -ls /wcoutput/part-r-00000

-rw-r--r--   3 root supergroup         43 2021-09-08 17:20 /wcoutput/part-r-00000

[root@dev-spark-master-206 hadoop]# hdfs dfs -cat /wcoutput/part-r-00000

hadoop	2

hdfs	1

hello	3

mapreduce	3

yarn	2

web页面查看历史服务器：http://192.168.90.206:19888/jobhistory

点击logs可以查看详情：

日志详情如下：