1.4 Apache Hadoop 完全分布式集群搭建

• 软件和操作系统版本
  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：
  知识点学习：统一使用vmware虚拟机虚拟三台linux节点，linux操作系统：Centos7
  生产阶段：建议最少5台服务器节点
• Hadoop搭建方式
  单机模式：单节点模式，非集群，生产不会使用这种方式
  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
  完全分布式模式：多台节点，真正的分布式Hadoop集群的搭建（生产环境建议使用这种方式）

1.4.1 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，集群时间同步）
2. 在/opt目录下创建文件夹

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

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/lagou/software

1.4.2 集群规划

1.4.3 安装Hadoop

• 登录linux121节点；进入/opt/lagou/software,解压安装文件到/opt/lagou/servers

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

• 查看是否解压成功

ll /opt/lagou/servers/hadoop-2.9.2

• 添加Hadoop到环境变量 vim /etc/profile

#HADOOP_HOME 
export HADOOP_HOME=/opt/lagou/servers/hadoop-2.9.2 export PATH=$PATH:$HADOOP_HOME/bin 
export PATH=$PATH:$HADOOP_HOME/sbin

• 使环境变量生效

source /etc/profile

• 验证hadoop

hadoop version

? 校验结果：

• hadoop目录
  

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，如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

1.4.3.1 集群配置

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. 指定SecondaryNameNode节点（修改hdfs-site.xml）
  4. 指定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Yarn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老大节点所在计算机节点（修改yarn-site.xml）
  3. 指定NodeManager节点（会通过slaves文件内容确定）

集群配置具体步骤：

1.4.3.1.1 HDFS集群配置

cd /opt/lagou/servers/hadoop-2.9.2/etc/hadoop

• 配置：hadoop-env.sh

  将JDK路径明确配置给HDFS

  vim hadoop-env.sh

export JAVA_HOME=/opt/lagou/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://linux121:9000</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/lagou/servers/hadoop-2.9.2/data/tmp</value>
</property>

core-site.xml的默认配置：

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

• 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>linux123:50090</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

linux121
linux122
linux123

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。

1.4.3.1.2 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=/opt/lagou/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

1.4.3.1.3 Yarn集群配置

• 指定JDK路径

? vim yarn-env.sh

export JAVA_HOME=/opt/lagou/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>linux123</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/lagou/servers/hadoop-2.9.2

1.4.3.2 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

? 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

2. 选项参数说明

表2-2

• rsync案例

  1. 三台虚拟机安装rsync (执行安装需要保证机器联网)

  [root@linux121 ~]# yum install -y rsync

  2. 把linux121机器上的/opt/lagou/software目录同步到linux122服务器的root用户下的/opt/目录

  [root@linux121 opt]$ rsync -rvl /opt/lagou/software/ root@linux122:/opt/lagou/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@linux123:/opt/

  2. 期望脚本
     脚本+要同步的文件名称

  3. 说明：在/usr/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
     （1）在/usr/local/bin目录下创建文件rsync-script，文件内容如下：

     [root@linux121 bin]$ touch rsync-script
     [root@linux121 bin]$ vim rsync-script

     在文件中编写shell代码

     #!/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=121; host<124; host++)); do 
     echo ------------------- linux$host -------------- 
     rsync -rvl $pdir/$file_name $user@linux$host:$pdir 
     done

     （2）修改脚本 rsync-script 具有执行权限

     [root@linux121 bin]$ chmod 777 rsync-script

     （3）调用脚本形式：rsync-script 文件名称

     [root@linux121 bin]$ rsync-script /home/root/bin

     （4）调用脚本分发Hadoop安装目录到其它节点

     [root@linux121 bin]$ rsync-script /opt/lagou/servers/hadoop-2.9.2

1.4.4 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！！!

1.4.4.1 单节点启动

[root@linux121 hadoop-2.9.2]$ hadoop namenode -format

格式化命令执行效果：

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

1. 在linux121上启动NameNode

   [root@linux121 hadoop-2.9.2]$ hadoop-daemon.sh start namenode
   [root@linux121 hadoop-2.9.2]$ jps

2. 在linux121、linux122以及linux123上分别启动DataNode

   [root@linux121 hadoop-2.9.2]$ hadoop-daemon.sh start datanode
   [root@linux121 hadoop-2.9.2]$ jps
   3461 NameNode
   3608 Jps
   3561 DataNode
   [root@linux122 hadoop-2.9.2]$ hadoop-daemon.sh start datanode
   [root@linux122 hadoop-2.9.2]$ jps
   3190 DataNode
   3279 Jps
   [root@linux123 hadoop-2.9.2]$ hadoop-daemon.sh start datanode
   [root@linux123 hadoop-2.9.2]$ jps
   3237 Jps
   3163 DataNode

3. web端查看hdfs界面

   http://linux121:50070/dfshealth.html#tab-overview

查看HDFS集群正常节点：

1. Yarn集群单节点启动

   [root@linux123 servers]# yarn-daemon.sh start resourcemanager
   [root@linux123 servers]# jps
   7881 ResourceManager 
   8094 Jps
   [root@linux122 servers]# yarn-daemon.sh start nodemanager
   [root@linux122 servers]# jps
   8166 NodeManager
   8223 Jps
   [root@linux121 servers]# yarn-daemon.sh start nodemanager
   [root@linux121 servers]# jps
   8166 NodeManager
   8223 Jps

2. 思考：Hadoop集群每次需要一个一个节点的启动，如果节点数增加到成千上万个怎么办？

1.4.4.2 集群群起

1. 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!!!!

   hadoop namenode -format

2. 启动HDFS

   [root@linux121 hadoop-2.9.2]$ sbin/start-dfs.sh
   [root@linux121 hadoop-2.9.2]$ jps
   4166 NameNode
   4482 Jps
   4263 DataNode
   [root@linux122 hadoop-2.9.2]$ jps
   3218 DataNode
   3288 Jps
   [root@linux123 hadoop-2.9.2]$ jps
   3221 DataNode
   3283 SecondaryNameNode
   3364 Jps

3. 启动YARN

   [root@linux123 hadoop-2.9.2]$ sbin/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。

1.4.4.3 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

1.4.5 集群测试

1. HDFS 分布式存储初体验

   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 分布式计算初体验

   • 在HDFS文件系统根目录下面创建一个wcinput文件夹

     [root@linux121 hadoop-2.9.2]$ hdfs dfs -mkdir /wcinput

   • 在/root/目录下创建一个wc.txt文件(本地文件系统)

     [root@linux121 hadoop-2.9.2]$ cd /root/
     [root@linux121 wcinput]$ touch wc.txt

   • 编辑wc.txt文件

     [root@linux121 wcinput]$ vi wc.txt

   • 在文件中输入如下内容

     hadoop mapreduce yarn
     hdfs hadoop mapreduce
     mapreduce yarn lagou
     lagou
     lagou

   • 保存退出

     : wq! 

   • 上传wc.txt到Hdfs目录/wcinput下

     hdfs dfs -put wc.txt /wcinput

   • 回到Hadoop目录/opt/lagou/servers/hadoop-2.9.2

   • 执行程序

     [root@linux121 hadoop-2.9.2]$ hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.9.2.jar wordcount /wcinput /wcoutput

   • 查看结果

     [root@linux121 hadoop-2.9.2]$ hdfs dfs -cat /wcoutput/part-r-00000
     hadoop 	 	2
     hdfs		1
     lagou 		3
     mapreduce	3
     yarn		2

1.4.6 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：

1. 配置mapred-site.xml

   [root@linux121 hadoop]$ vi mapred-site.xml

   在该文件里面增加如下配置。

   <!-- 历史服务器端地址 -->
   <property>
   	<name>mapreduce.jobhistory.address</name>
   	<value>linux121:10020</value>
   </property>
   <!-- 历史服务器web端地址 -->
   <property>
   	<name>mapreduce.jobhistory.webapp.address</name>
       <value>linux121:19888</value>
   </property>

2. 分发mapred-site.xml到其它节点

   rsync-script mapred-site.xml

3. 启动历史服务器

   [root@linux121 hadoop-2.9.2]$ sbin/mr-jobhistory-daemon.sh start historyserver

4. 查看历史服务器是否启动

   [root@linux121 hadoop-2.9.2]$ jps

5. 查看JobHistory
   http://linux121:19888/jobhistory

1.4.6.1 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：

1. 配置yarn-site.xml

   [root@linux121 hadoop]$ vi yarn-site.xml

   在该文件里面增加如下配置。

   <!-- 日志聚集功能开启 -->
   <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://linux121:19888/jobhistory/logs</value>
   </property>

2. 分发yarn-site.xml到集群其它节点

   rsync-script yarn-site.xml

3. 关闭NodeManager 、ResourceManager和HistoryManager

   [root@linux121 hadoop-2.9.2]$ sbin/yarn-daemon.sh stop resourcemanager
   [root@linux121 hadoop-2.9.2]$ sbin/yarn-daemon.sh stop nodemanager
   [root@linux121 hadoop-2.9.2]$ sbin/mr-jobhistory-daemon.sh stop historyserver

4. 启动NodeManager 、ResourceManager和HistoryManager

   [root@linux121 hadoop-2.9.2]$ sbin/yarn-daemon.sh start resourcemanager
   [root@linux121 hadoop-2.9.2]$ sbin/yarn-daemon.sh start nodemanager
   [root@linux121 hadoop-2.9.2]$ sbin/mr-jobhistory-daemon.sh start historyserver

5. 删除HDFS上已经存在的输出文件

   [root@linux121 hadoop-2.9.2]$ bin/hdfs dfs -rm -R /wcoutput

6. 执行WordCount程序

   [root@linux121 hadoop-2.9.2]$ hadoop jar share/hadoop/mapreduce/hadoop- mapreduce-examples-2.9.2.jar wordcount /wcinput /wcoutput

7. 查看日志，如图所示

   http://linux121:19888/jobhistory