第一部分 大数据简介

第一节 大数据的定义

? 大数据是指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。

第二节 大数据的特点

大数据的特点可以用IBM曾经提出的“5V”来描述，如下：

• Volume 大量

  采集、存储和计算的数据量都非常大

  计算机存储单位一般都用B、KB、MB、GB、TB、PB、EB、ZB、YB、BB、NB、DB来表示，他们之间的关系是：

  1GB = 1024 MB 1TB = 1024 GB

  1PB = 1024 TB 1EB = 1024 PB

  1ZB = 1024 EB 1YB = 1024 ZB 1BB = 1024 YB

  1NB = 1024 BB

  1DB = 1024 NB

  以PB为例，PB级数据量有多大？是怎样的一个概念？

  假如手机播放MP3的速度为平均每分钟1MB，而1首歌曲的平均时长为4分钟，那么1PB存量的歌曲可以连续

  播放2000年。

---

? 1PB 也相当于50%的全美学术研究图书馆藏书咨询内容。

? （1）1986年，全球只有0.02EB也就是约21000TB的数据量

? （2）2007年，全球就是280EB也就是约300000000TB的数据量，翻了14000倍

? （3）近些年，由于移动互联网及物联网的出现，各种终端设备的接入，各种业务形式的普及，平均每40个月，全球的数据量就会翻倍！2012年，每天会产生2.5EB的数据量

? （4）基于IDC的报告预测，从2013年到2020年，全球数据量会从4.4ZB猛增到44ZB！而到了2025年，全球会有163ZB的数据量！

? 全球的数据量已经大到爆了！而传统的关系型数据库根本处理不了如此海量的数据！

• Velocity 高速

  在大数据时代，数据的创建、存储、分析都要求被高速处理，比如电商网站的个性化推荐尽可能要求实时完成，这也是大数据区别于传统数据挖掘的显著特征。

• Variety 多样

  数据的形式和来源多样化。包括结构化、半结构化和非结构化数据，具体表现为网络日志、音频、视频、图片、地理位置信息等等，多类型的数据对数据的处理能力提出了更高的要求。

• Veracity 真实

  确保数据的真实性，才能保证数据分析的正确性。

• Value 低价值

  数据价值密度相对较低，或者说是浪里淘沙却又弥足珍贵。互联网发展催生了大量数据，信息海量但价值

第三节 大数据的应用场景

? 随着大数据的发展，大数据技术已经广泛应用在众多行业，比如仓储物流、电商零售、汽车、电信、生物医学、人工智能、智慧城市等等领域，包括在疫情防控战中，大数据技术也发挥了重要的作用。

• 仓储物流

  大数据技术驱动了仓储物流领域的智能化发展，以苏宁为例，苏宁物流可在全国的各级仓库间实现只能分仓、就近备货和预测试调拨，实现“客户需要的商品就在离客户最近的配送中心”。

• 电商零售

  • 零售业“啤酒+纸尿裤”案例
  • 个性推荐
  • “双十一购物节” 实时销售额度大屏

• 汽车

  利用了大数据和物联网技术的无人汽车驾驶，在不远的未来将走入我们的日常生活

• 电信

  移动联通根据用户年龄、职业、消费情况，分析统计那种套餐适合哪类人，对市场人群精准定制

• 生物医学

  大数据可以帮助我们实现流行病预测、智慧医疗、健康管理，同时还可以帮助我们解读DNA，了解更多的生命奥秘。比如影像大数据支撑下的早起肺癌支撑平台，基于大量病例数据样本，制定早期肺癌高危人群预警指标。

• 智慧城市

  大数据有效支撑智慧城市发展，成为城市的“数据大脑”。比如，在智慧城市建设上，杭州始终走在全国前列。如覆盖面广的移动支付、新颖的在线医疗模式、创新的物流运输模式，都受到较大关注。2016年，杭州被《中国新型智慧城市》白皮书评委“中国最智慧的城市”。

第二部分 Hadoop简介

第一节 什么是Hadoop

? hadoop是一个适合大数据的分布式存储和计算平台。

? 如前所述，狭义上说Hadoop就是一个框架平台，广义上讲Hadoop代表了大数据的一个技术生态圈，包括很多其他的软件框架：

• Hadoop（HDFS + MapReduce + Yarn）
• Hive 数据仓储工具
• Hbase 海量列式非关系型数据
• Flume 数据采集工具
• Sqoop ETL工具
• kafka 高吞吐消息中间件
• ......

第二节 Hadoop起源

hadoop的发展历程可以用如下过程概述：

• Nutch

  Hadoop最早起源于Nutch，Nutch 的创始人是Doug Cutting。

  Nutch 是一个开源 Java 实现的搜索引擎。它提供了我们运行自己的搜索引擎所需的全部工具。包括全文搜索和Web爬虫，但随着抓取网页数量的增加，遇到了严重的可扩展性问题——如何解决数十亿网页的存储和索引问题。

• Google论文（老三驾马车 GFS、MapReduce、BigTable）

  2003年、2004年谷歌发表的两篇论文为该问题提供了可行的解决方案。GFS，可用于处理海量网页的存储；

  MapReduce，可用于处理海量网页的索引计算问题。

  Google的三篇论文（三驾马车）

  GFS：Google的分布式文件系统（Google File System）

  MapReduce：Google的分布式计算框架

  BigTable：大型分布式数据库

  发展演变关系：

  GFS —> HDFS

  Google MapReduce —> Hadoop MapReduce

  BigTable —> HBase

• Hadoop产生

  Google公布了部分GFS和MapReduce思想的细节，Doug Cutting等人用2年的业余时间实现了DFS和MapReduce机制，使Nutch性能飙升。

• 成为Apache顶级项目

  2005年，Hadoop 作为Lucene的子项目Nutch的一部分引入Apache

  2006年，Hadoop从Nutch剥离出来独立

  2008年，Hadoop成为Apache的顶级项目

• Cloudera公司成立

第三节 Hadoop的特点

第四节 Hadoop的发行版本

? 目前Hadoop发行版非常多，有Cloudera发行版（CDH）、Hortonworks发行版、华为发行版、Intel发行版等，所有这些发行版均是基于Apache Hadoop衍生出来的，之所以有这么多的版本，是由Apache Hadoop的开源协议决定的（任何人可以对其进行修改，并作为开源或商业产品发布/销售）。

? 企业中主要用到的三个版本分别是：Apache Hadoop版本（最原始的，所有发行版均基于这个版本进行改进）、Cloudera版本（Cloudera’s Distribution Including Apache Hadoop，简称“CDH”）、Hortonworks版本（Hortonworks Data Platform，简称“HDP”）。

• Apache Hadoop 原始版本

  官网地址：http://hadoop.apache.org/

  优点：拥有全世界的开源贡献，代码更新版本比较快

  缺点：版本的升级，版本的维护，以及版本之间的兼容性，学习非常方便

  Apache所有软件的下载地址（包括各种历史版本）：http://archive.apache.org/dist/

• 软件收费版本ClouderaManager CDH版本 --生产环境使用

  官网地址：https://www.cloudera.com/

  Cloudera主要是美国一家大数据公司在Apache开源Hadoop的版本上，通过自己公司内部的各种补丁，实现版本之间的稳定运行，大数据生态圈的各个版本的软件都提供了对应的版本，解决了版本的升级困难，版本兼容性等各种问题，生产环境强烈推荐使用

• 免费开源版本HortonWorks HDP版本--生产环境使用

  官网地址：https://hortonworks.com/ hortonworks主要是雅虎主导Hadoop开发的副总裁，带领二十几个核心成员成立Hortonworks，核心产品软件HDP（ambari），HDF免费开源，并且提供一整套的web管理界面，供我们可以通过web界面管理我们的集群状态，web管理界面软件HDF网址（http://ambari.apache.org/）

第五节 Apache Hadoop 版本更迭

0.x 系列版本：Hadoop当中最早的一个开源版本，在此基础上演变而来的1.x以及2.x的版本

1.x 版本系列：Hadoop版本当中的第二代开源版本，主要修复0.x版本的一些bug等

2.x 版本系列：架构产生重大变化，引入了yarn平台等许多新特性

3.x 版本系列：EC技术、YARN的时间轴服务等新特性

第六节 Hadoop的优缺点

hadoop的优点

• hadoop具有存储和处理数据能力的高可靠性。
• hadoop通过可用的计算机集群分配数据，完成存储和计算任务，这些集群可以方便的扩展到数以千计的节点中，具有高扩展性。
• hadoop能够在姐点之间进行动态的移动数据，并保证各个节点的动态平衡，处理速度非常快，具有高效性。
• 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，具有高容错性。

Hadoop的缺点

• hadoop不适用于低延迟数据访问
• hadoop不能高效存储大量小文件
• hadoop不支持多用户写入并任意修改文件

第三部分 Apache Hadoop的组成

Hadoop = HDFS（分布式文件系统） + MapReduce（分布式计算框架） + Yarn（资源协调框架） + Common模块

1. Hadoop HDFS：（Hadoop Distribute File System）一个高可靠、高吞吐量的分布式文件系统，比如：100T数据存储

   将数据切割，100T数据拆分为10G一个数据块由一个电脑节点存储这个数据块。

   数据切割、制作副本、分散存储

? 图片中涉及到的几个角色：

• NameNode（nn）：存储文件的元数据，比如文件名、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等。

• SecondaryNameNode（2nn）：辅助NameNode更好的工作，用来监控HDFS状态的辅助后台程序，每隔一段时间获取HDFS元数据快照。

• DataNode（dn）：在本地文件系统存储文件块数据，以及块数据的校验

  注意：NN，2NN，DN这些即使角色名称，进程名称，代指电脑节点名称！！

2. Hadoop MapReduce：一个分布式的离线并行计算框架

   拆解任务、分散处理、汇整结果

   Map阶段就是“分”的阶段，并行处理输入数据；

   Reduce阶段就是“合”的节点，对Map阶段结果进行汇总；

3. Hadoop YARN：作业调度与集群资源管理的框架

   计算资源协调

? Yarn中有如下几个主要角色，同样，即使用户名、也是进程名，也代指所在的计算机节点名称。

? ResourceManager(rm)：处理客户端请求，启动/监控ApplicationMaster、监控nodeManager、资源分配与调度；

? NodeManager(nm)：单个节点上的资源管理、处理来自ResourceManager的命令、处理来自ApplicationMaster的命令；

? ApplicationMaster(am)：数据切分、为应用程序申请资源，并分配给内部任务、任务监控与容错。

? Container：对任务运行环境的抽象，封装了CPU、内存等多维资源以及环境变量、启动命令等任务运行相关的信息。

直白点来说，ResourceManager是老大，NodeManager是小弟，ApplicationMaster是计算任务专员。

4. Hadoop Common：支持其他模块的工具模块（Configuration、RPC、序列化机制、日志操作等）

第四部分 Apache Hadoop 完全分布式集群搭建

搭建环境

• 软件和操作系统版本

  Hadoop框架是采用Java语编写的，需要java环境（jvm），JDK版为JDK8

  集群使用vmware虚拟机虚拟三台linux节点，linux操作系统为Centos7

• Hadoop搭建方式

  单机模式：单节点模式，非集群，生产环境不会使用

  单机伪分布式模式：单节点，多线程模拟集群的效果，生产不会使用这种方式

  完全分布式集群模式：多台节点，真正的分布式Hadoop集群的搭建（生产环境）

第一节：虚拟机环境准备

1. 三台虚拟机（静态IP，关闭防火墙，修改主机名，配置免密登录）

   配置过程详见上一章...

2. 在/opt目录下创建文件夹

   mkdir -p /opt/software --软件安装包存放目录 
   mkdir -p /opt/servers --软件安装目录

3. Hadoop下载地址：

   https://archive.apache.org/dist/hadoop/common/hadoop-2.9.2/

   Hadoop官网地址：

   http://hadoop.apache.org/

4. 上传hadoop安装文件到/opt/software

第二节 集群规划

框架	wanglj01	wanglj02	wanglji03
HDFS	NameNode、DataNode	DataNode	SecondaryNameNode、DataNode
YARN	NodeManager	NodeManager	NodeManager、ResourceManager

第三节 安装Hadoop

• 登录wanglj01节点；进入/opt/software,解压安装文件到/opt/servers

  tar -zxvf hadoop-2.9.2.tar.gz -C ../servers/

• 添加Hadoop到环境变量中

  vim /etc/profile
  # 添加以下内容
  ## HADOOP_HOME
  export HADOOP_HOME=/opt/servers/hadoop-2.9.2 
  export PATH=$PATH:$HADOOP_HOME/bin 
  export PATH=$PATH:$HADOOP_HOME/sbin
  # 保存文件修改后使环境变量生效
  source /etc/profile

• 验证hadoop

  hadoop version

  校验结果：
  

• hadoop目录

drwxr-xr-x. 2 501 dialout    194 Nov 13  2018 bin
drwxr-xr-x. 3 501 dialout     20 Nov 13  2018 etc
drwxr-xr-x. 2 501 dialout    106 Nov 13  2018 include
drwxr-xr-x. 3 501 dialout     20 Nov 13  2018 lib
drwxr-xr-x. 2 501 dialout    239 Nov 13  2018 libexec
-rw-r--r--. 1 501 dialout 106210 Nov 13  2018 LICENSE.txt
-rw-r--r--. 1 501 dialout  15917 Nov 13  2018 NOTICE.txt
-rw-r--r--. 1 501 dialout   1366 Nov 13  2018 README.txt
drwxr-xr-x. 3 501 dialout   4096 Nov 13  2018 sbin
drwxr-xr-x. 4 501 dialout     31 Nov 13  2018 share
1. bin目录:对Hadoop进行操作的相关命令，如hadoop,hdfs等 
2. etc目录：Hadoop的配置文件目录，入hdfs-site.xml,core-site.xml等 
3. lib目录：Hadoop本地库（解压缩的依赖） 
4. sbin目录：存放的是Hadoop集群启动停止相关脚本，命令 
5. share目录：Hadoop的一些jar,官方案例jar，文档等

3.1 集群配置

集群配置说明

? Hadoop集群配置 = HDFS集群配置 + MapReduce集群配置 + Yarn集群配置

• HDFS集群配置
  1. 将JDK路径明确配置给HDFS（修改hadoop-env.sh）
  2. 指定NameNode节点以及数据存储目录（修改core-site.xml）
  3. 制定SecondaryNameNode节点（修改hdfs-site.xml）
  4. 制定DataNode从节点（修改/etc/hadoop/slaves文件，每个节点配置信息占一行）
• MapReduce集群配置
  1. 将JDK路径明确配置给MapReduce（修改mapred-env.sh）
  2. 指定MapReduce计算框架运行Yarm资源调度框架（修改mapred-site.xml）
• Yarn集群配置
  1. 将JDK路径明确配置给Yarn（修改yarn-env.sh）
  2. 指定ResourceManager老大节点所在的计算机节点（修改yarn-site.xml）
  3. 制定NodeManager节点（会通过slaves文件内容确定）

集群配置具体步骤

HDFS 集群配置

cd /opt/servers/hadoop-2.9.2/ect/hadoop

• 配置JDK路径（Hadoop-env.sh）

  vim hadoop-env.sh
  export JAVA_HOME=/opt/servers/jdk1.8.0_231

• 指定NameNode节点以及数据存储目录（修改core-site.xml）

  vim core-site.xml 
  <!-- 指定HDFS中NameNode的地址 -->
  <property>
  	<name>fs.defaultFS</name> 
  	<value>hdfs://wanglj01:9000</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-2.9.2/data/tmp</value> 
  </property>

  core-site.xml的默认配置官方文档：

  https://hadoop.apache.org/docs/r2.9.2/hadoop-project-dist/hadoop-common/core- default.xml

  注意：如果希望在web页面可以操作hdfs文件系统，需要增加以下配置：

  <!-- 设置用户 -->
  <property>
    <name>hadoop.http.staticuser.user</name>
    <value>root</value>
  </property>
  <!-- 不开启权限检查 -->
  <property>
    <name>dfs.permissions.enabled</name>
    <value>false</value>
  </property>

• 指定SecondaryNameNode节点（修改hdfs-site.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>wanglj03:50090</value>
  </property> 
  <!--副本数量 -->
  <property>
  	<name>dfs.replication</name>
  	<value>3</value>
  </property>

  官方默认配置：

  https://hadoop.apache.org/docs/r2.9.2/hadoop-project-dist/hadoop-hdfs/hdfs- default.xml

• 指定dataNode从节点（修改slaves文件，每个节点配置信息占一行）

  vim slaves
  wanglj01
  wanglj02
  wnaglj03

  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。

• 指定MapReduce使用的JDK路径（修改mapred-env.sh）

  vim mapred-env.sh
  export JAVA_HOME=/opt/servers/jdk1.8.0_231

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

  mv mapred-site.xml.template mapred-site.xml
  vim mapred-site.xml
  <!-- 指定MR运行在Yarn上 -->
  <property>
  	<name>mapreduce.framework.name</name>
  	<value>yarn</value>
  </property>

  mapred-site.xml默认配置

  https://hadoop.apache.org/docs/r2.9.2/hadoop-mapreduce-client/hadoop-mapreduce-client-core/mapred-default.xml 

Yarn集群配置

• 指定JDK路径

  vim yarn-env.sh
  export JAVA_HOME=/opt/servers/jdk1.8.0_231

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

  vim yarn-site.xml 
  <!-- 指定YARN的ResourceManager的地址 --> 
  <property>
  	<name>yarn.resourcemanager.hostname</name>
  	<value>wanglj03</value> 
  </property>
  <!-- Reducer获取数据的方式 -->
  <property>
  	<name>yarn.nodemanager.aux-services</name>
  	<value>mapreduce_shuffle</value>
  </property>

  yarn-site.xml的默认配置

  https://hadoop.apache.org/docs/r2.9.2/hadoop-yarn/hadoop-yarn-common/yarn-default.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 /opt/servers/hadoop-2.9.2

3.2 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的区别：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。

  1. 基本语法

     rsync -rvl $pdir/$fname $user@$host:$pdir/$fname
     # rsync											命令
     # -rvl											选项参数
     # $pdir/$fname							要拷贝的文件路径/名称
     # $user@$host:$pdir/$fname	目的用户@主机:目的路径/名称

  2. 选项参数说明

     选项	功能
     -r	递归
     -v	显示复制过程
     -l	拷贝符号链接

• rsync 案例

  1. 三台虚拟机安装rsync

     yum install -y rsync

  2. 把wanglj01机器上的/opt/software目录同步到wanglj02服务器的root用户下的/opt/目录

     rsync -rvl /opt/software/ root@wanglj02:/opt/software

• 集群分发脚本编写

  1. 需求：循环复制文件到集群所有节点的相同目录下

     rsync命令原始拷贝：

     rsync -rvl /opt/module root@wanglj03:/opt/

  2. 期望脚本

     脚本+要同步的文件名称

  3. 说明

     在/user/local/bin这个目录下存放的脚本，root用户可以在系统任何地方直接执行。

  4. 脚本实现

     # 创建脚本
     cd /usr/local/bin
     touch rsync-script
     # 编辑脚本
     vim rsync-script
     # 以下是shell脚本内容：
     #!/bin/bash 
     #1 获取命令输入参数的个数，如果个数为0，直接退出命令 
     paramnum=$# 
     if((paramnum==0)); then
     echo no params; 
     exit; 
     fi
     #2 根据传入参数获取文件名称 
     p1=$1 
     file_name=`basename $p1` 
     echo fname=$file_name
     #3 获取输入参数的绝对路径 
     pdir=`cd -P $(dirname $p1); pwd` 
     echo pdir=$pdir
     #4 获取用户名称 
     user=`whoami` 
     #5 循环执行rsync 
     for((host=1; host<4; host++)); do 
     echo ------------------- wanglj0$host --------------
     rsync -rvl $pdir/$file_name $user@wanglj0$host:$pdir
     done

  5. 修改脚本权限

     chmod 777 rsync-script

  6. 测试脚本

     调用脚本形式：rsync-script 文件名称

     rsync-script /opt/servers/hadoop-2.9.2

第四节 启动集群

注意：如果集群是第一次启动，需要在NameNode所在的节点格式化NameNode，飞第一次不用执行格式化NameNode操作。

4.1 集群启动

1. 格式化：

hadoop namenode -format

格式化后创建的文件：/opt/servers/hadoop-2.9.2/data/tmp/dfs/name/current

2. 启动HDFS

   cd /opt/servers/hadoop-2.9.2/sbin/
   # 启动集群
   ./start-dfs.sh
   # 查看所有java进城
   jps

其它两台机器上执行jsp命令：

[root@wanglj02 ~]# jps
30758 DataNode
30847 Jps
[root@wanglj03 ~]# jps
19159 DataNode
19258 SecondaryNameNode
19307 Jps

3. 启动YARN（在wanglj03上）

   ./start-yarn.sh

   注意：NameNode和ResourceManager不是在同一台机器上，不能在NameNode上启动YARN，应该在ResourceManager所在的机器上启动YARN。

4. web端查看HDFS界面（这里直接用wanglj01是因为有提前配置hosts）

   http://wanglj01:50070/dfshealth.html#tab-overview

4.2 Hadoop集群启动停止命令汇总

1. 各个服务组件逐一启动/停止

   分别启动/停止HDFS组件

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

   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

第五节 集群测试

1. HDFS 分布式存储测试

   从linux本地文件系统上传下载文件验证HDFS集群工作正常

   hdfs dfs -mkdir -p /test/input 
   #本地hoome目录创建一个文件 
   cd /root 
   vim test.txt 
   hello hdfs 
   #上传linxu文件到Hdfs 
   hdfs dfs -put /root/test.txt /test/input 
   #从Hdfs下载文件到linux本地 
   hdfs dfs -get /test/input/test.txt

2. MapReduce 分布式计算测试

   • 在HDFS文件系统根目录下创建一个wcinput文件夹

     hdfs dfs -mkdir /wcinput

   • 在 /root/目录下创建一个wc.txt文件（本地系统文件）

     cd /root/
     # 创建文件
     touch wc.txt
     # 编辑文件
     vim wc.txt

   • 在文件中输入如下内容

     hadoop mapreduce yarn hdfs hadoop mapreduce mapreduce yarn spark flink zookeeper

   • 上传wc.txt到HDFS目录/wcinput下

     hdfs dfs -put wc.txt /wcinput

   • 回到Hadoop目录/opt/servers/hadoop-2.9.2执行程序

     hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.9.2.jar wordcount /wcinput /wcoutput

   • 查看结果

     hdfs dfs -cat /wcoutput/part-r-00000
     doop	1
     flink	1
     hadoop	1
     hdfs	1
     mapreduce	3
     spark	1
     yarn	2
     zookeeper	1

     也可以在web页面访问到该文件：

第六节 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，需要配置一下历史服务器日志。具体配置步骤如下：

1. 配置mapred-site.xml

   vim mapred-site.xml	
   # 增加如下配置
   <!-- 历史服务器端地址 -->
   <property>
   	<name>mapreduce.jobhistory.address</name> 
   	<value>wanglj01:10020</value>
   </property>
   <!-- 历史服务器web端地址 --> 
   <property> 
   	<name>mapreduce.jobhistory.webapp.address</name> 
   	<value>wanglj01:19888</value>
   </property>

2. 分发到其它节点

   rsync-script mapred-site.xml

3. 启动历史服务器

   ./mr-jobhistory-daemon.sh start historyserver

4. 查看jobHistory

   http://wanglj01:19888/jobhistory

6.1 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。

日志聚集的优势：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：

1. 配置yarn-site.xml

vim yarn-site.xml
# 在文件里面增加如下配置
<!-- 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>

2. 分发到其它节点

   rsync-script yarn-site.xml

3. 重启NodeManager、ResourceManager和HistoryManager

   cd /opt/servers/hadoop-2.9.2/
   # 全部关闭
   ./sbin/yarn-daemon.sh stop resourcemanager
   ./sbin/yarn-daemon.sh stop nodemanager
   ./sbin/mr-jobhistory-daemon.sh stop historyserver
   # 重新开启
   ./sbin/yarn-daemon.sh start resourcemanager
   ./sbin/yarn-daemon.sh start nodemanager
   ./sbin/mr-jobhistory-daemon.sh start historyserver

4. 删除HDFS上已经存在的输出文件

   hdfs dfs -rm -R /wcoutput

5. 执行WordCount程序

   hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.9.2.jar wordcount /wcinput /wcoutput

6. 查看日志

   http://wanglj01:19888/jobhistory