Hadoop完全分布式集群搭建

hadoop

• 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
VMware搭建centOS7环境

项⽬阶段：统⼀使⽤云服务器，5台云服务器节点

• 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）

第 1 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，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/bigdata/software
# 软件安装⽬录
mkdir -p /opt/bigdata/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/bigdata/software

第 2 节 集群规划

框架	linux121	linux122	linux123
HDFS	NameNode、DataNode	DataNode	SecondaryNameNode、DataNode
YARN	NodeManager	NodeManager	NodeManager、ResourceManager

第 3 节 安装Hadoop

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

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

• 查看是否解压成功

/opt/bigdata/servers/hadoop-2.9.2 

• 添加Hadoop到环境变量 vim /etc/profile

## HADOOP_HOME
export HADOOP_HOME=/opt/bigdata/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：

[root@jarvis01 servers]# hadoop version
Hadoop 2.9.2
Subversion https://git-wip-us.apache.org/repos/asf/hadoop.git -r 826afbeae31ca687bc2f8471dc841b66ed2c6704
Compiled by ajisaka on 2018-11-13T12:42Z
Compiled with protoc 2.5.0
From source with checksum 3a9939967262218aa556c684d107985
This command was run using /opt/bigdata/servers/hadoop-2.9.2/share/hadoop/common/hadoop-common-2.9.2.jar

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
## 介绍
# 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

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：

HDFS集群配置

cd /opt/bigdata/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/bigdata/servers/jdk1.8

• 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://linux01:9000</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/bigdata/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/coredefault.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/hadoophdfs/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
# 将 localhost 替换
linux01
linux02
linux03

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。

MapReduce集群配置

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

vim mapred-env.sh 
# 添加
export JAVA_HOME=/opt/bigdata/servers/jdk1.8

• 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/hadoopmapreduce-client-core/mapred-default.xml

Yarn集群配置

• 指定JDK路径

vim yarn-env.sh 

export JAVA_HOME=/opt/bigdata/servers/jdk1.8

• 指定ResourceMnager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>linux03</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

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

选项	功能
-r	递归
-v	显示复制过程
-l	拷贝符号连接

• rsync案例

1. 三台虚拟机安装rsync (执⾏安装需要保证机器联网)

yum install -y rsync

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

 rsync -rvl /opt/bigdata/software/ root@linux02:/opt/bigdata/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@linux03:/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：

touch rsync-script
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=1; host<4; host++)); do
echo ------------------- linux0$host --------------
 rsync -rvl $pdir/$file_name $user@linux0$host:$pdir
done

（2）修改脚本 rsync-script 具有执⾏权限

chmod 777 rsync-script

（3）调⽤脚本形式：rsync-script ⽂件名称

rsync-script /home/root/bin

（4）调⽤脚本分发Hadoop安装目录到其它节点

rsync-script /opt/bigdata/servers/hadoop-2.9.2

修改文件

hadoop-2.9.2/etc/hadoop/core-site.xml
hadoop-2.9.2/etc/hadoop/hadoop-env.sh
hadoop-2.9.2/etc/hadoop/hdfs-site.xml
hadoop-2.9.2/etc/hadoop/mapred-env.sh
hadoop-2.9.2/etc/hadoop/mapred-site.xml
hadoop-2.9.2/etc/hadoop/slaves
hadoop-2.9.2/etc/hadoop/yarn-env.sh
hadoop-2.9.2/etc/hadoop/yarn-site.xml

第 4 节 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！！

4.1 单节点启动

# 只在namenode 节点执行
hadoop namenode -format

格式化命令执⾏效果：

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

1. 在linux01上启动NameNode

hadoop-daemon.sh start namenode
# 查看进程
jps

2. 在linux01、linux02以及linux03上分别启动DataNode

# linux01
hadoop-daemon.sh start datanode
jps

3461 NameNode
3608 Jps
3561 DataNode
# linux02
hadoop-daemon.sh start datanode
jps
3190 DataNode
3279 Jps
# linux03
hadoop-daemon.sh start datanode
jps
3237 Jps
3163 DataNode

3. web端查看Hdfs界⾯

http://linux01:50070/dfshealth.html#tab-overview

查看HDFS集群正常节点：

1. Yarn集群单节点启动

# linux03
yarn-daemon.sh start resourcemanager
jps
7881 ResourceManager
8094 Jps
# linux02
yarn-daemon.sh start nodemanager
jps
8166 NodeManager
8223 Jps
# linux01
yarn-daemon.sh start nodemanager
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？

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

# linux01
sbin/start-dfs.sh
jps
4166 NameNode
4482 Jps
4263 DataNode
# linux02
jps
3218 DataNode
3288 Jps
# linux03
jps
3221 DataNode
3283 SecondaryNameNode
3364 Jps

3. 启动YARN

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。

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

第 5 节 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

hdfs dfs -mkdir /wcinput

• 在/root/目录下创建⼀个wc.txt⽂件(本地⽂件系统)

cd /root/
touch wc.txt

• 编辑wc.txt⽂件

vi wc.txt

• 在⽂件中输入如下内容

hadoop mapreduce yarn
hdfs hadoop mapreduce
mapreduce yarn lagou
lagou
lagou
# 保存并退出
:wq!

• 回到Hadoop⽬录/opt/bigdata/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
# 结果
hadoop 2
hdfs 1
lagou 3
mapreduce 3
yarn 2

第 6 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，需要配置⼀下历史日志服务器。具体配置步骤如下：

1. 配置mapred-site.xml

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>linux01:10020</value>
</property>
<!-- 历史服务器web端地址 -->
<property>
 <name>mapreduce.jobhistory.webapp.address</name>
 <value>linux01:19888</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

sbin/mr-jobhistory-daemon.sh start historyserver

4. 查看历史服务器是否启动

jps

5. 查看JobHistory

http://linux121:19888/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

vi yarn-site.xml

​ 在该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yarn-site.xml到集群其它节点

rsync-script yarn-site.xml 

3. 关闭NodeManager 、ResourceManager和HistoryManager

sbin/yarn-daemon.sh stop resourcemanager
sbin/yarn-daemon.sh stop nodemanager
sbin/mr-jobhistory-daemon.sh stop historyserver

4. 启动NodeManager 、ResourceManager和HistoryManager

sbin/yarn-daemon.sh start resourcemanager
sbin/yarn-daemon.sh start nodemanager
sbin/mr-jobhistory-daemon.sh start historyserver

5. 删除HDFS上已经存在的输出⽂件

bin/hdfs dfs -rm -R /wcoutput

6. 执行WordCount程序

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

7. 查看日志，如图所示

http://linux121:19888/jobhistory