共计 10515 个字符,预计需要花费 27 分钟才能阅读完成。
Hadoop 基本简介
-
是一个由 Apache 基金会所开发的分布式系统基础架构。
-
广义上来说,是一个 Hadoop 生态圈(由一堆框架、软件组成)
版本介绍
- 分为社区版和商业版
- 1.x,2.x,- 是并行发展的
- 1.x:
- 由一个分布式文件系统 HDFS
- 一个离线计算机框架 MapReduce
- 2.x:
- 支持 NameNode 的 HDFS
- 资源管理系统 YARN
- 运行在 YARN 上的 MapReduce
- 比 1 的功能更强大,有更好的扩展性、性能、并支持多种计算框架
- 3.x
- 比 2 有一系列功能加强,但还在测试
- 1.x:
集群介绍
- 包含两个集群,HDFS 集群和 YARN 集群:
- 都是分布式,可以布置在多台机器上。
- 两者逻辑上分离,但物理常在一起:但是即使装在一台机器上,逻辑上也是分离的,就是说两个的处理完全独立,1 个执行不了不影响另一个。
优势
- 扩容能力:分布式系统方便的扩充
- 成本低:可以使用多台普通廉价的机器
- 高效率:通过并发数据,结点直接动态并行移动数据,速度块。
- 可靠性:自动同步备份数据
HDFS 集群:
- 负责数据的存储。
- 集群中的角色:
- NameNode:命名结点
- DataNode:数据结点
- SecondaryNameNode:秘书结点
YARN 集群
- 负责数据运算的硬件资源调度,比如内存
- 集群中的角色
- Resource Manager
- Node Manager
MapReduce
- 其实是一个分布式运算编程框架(类似一个接口和一系列父类)
- 注意并不是一个集群
部署方式
- Standalone mode(独立模式):单机模式,在 1 个机器上运行一个 Java 进程,主要用于调试。
- Pseudo-Distributed mode(伪分布模式):1 个机器上运行 HDFS 和 YARN,但是分别开启 Java 进程
- Cluster mode(集群模式): 实际生产使用的模式,在 N 台主机组成一个 Hadoop 集群。
搭建 Hadoop
0. 部署计划
本文使用的版本是
- Red Hat 6.8 - 本来想用 CentOS7 搭建的,但是工作需要还是换成这个了,不用红帽子用 Centos 6 系列的应该也可以
- JDK 1.8
- Hadoop 2.7.7
- 计划部署 2 台虚拟机,分别命名为 node- 1 和 node-2,4G 内存和 40G 的硬盘
主机名字 | 内存 | 硬盘 | 启用结点 |
---|---|---|---|
node-1 | 4 | 40 | hdfs:NameNode, DataNode;yarn:NodeManager, ResoureceManager, |
node-2 | 4 | 40 | hdfs:SecondaryNameNode,DataNode; yarn: NodeManager |
1. 环境部署
node-1&2 环境
-
以下内容两台机器都要配置
-
部署虚拟机(使用 VMware 傻瓜式操作,不再赘述)
-
挂载本地 yum 源(或者使用网络都行)
-
同步机组时间
#yum 安装 ntpdate yum install ntpdate #网络同步时间 ntpdate cn.pool.ntp.org
-
配置主机名称
vim /etc/sysconfig/network #修改为:NETWORKING=yes HOSTNAME=node-1
-
配置 IP、主机名映射
vim /etc/hosts #直接添加 192.168.98.129 node-1 192.168.98.130 node-2
-
配置 ssh 免密登录
ssh-keygen -t rsa #再按四次回车 Generating public/private rsa key pair. Enter file in which to save the key (/root/.ssh/id_rsa): Enter passphrase (empty for no passphrase): Enter same passphrase again: Your identification has been saved in /root/.ssh/id_rsa. Your public key has been saved in /root/.ssh/id_rsa.pub. The key fingerprint is: 20:15:74:e0:d2:48:1d:0d:e4:42:2a:14:28:1e:b7:75 root@node-1 The key's randomart image is: +--[RSA 2048]----+ |.o. o+O*. | |+. = B.E. | |+ + B * | | o . + . | | S | | | | | | | | | +-----------------+ #使用 ssh-copy-id 命令将公钥考培到要免密登录的目标机器上
ssh-copy-id node-1
ssh-copy-id node-2 -
关闭防火墙
# 查看防火墙状态 service iptables status #关闭防火墙 service iptables stop #查看防火墙开机启动状态 chkconfig iptables --list #关闭防火墙开机启动 chkconfig iptables off
如下图状态则说明防火墙已经关闭、防火墙开机不会自动启动
-
安装 JDK
-
使用 rpm 格式文件安装
-
复制到 /usr/java 文件夹(没有则先创建文件夹)
-
# 授予权限 chmod 700 jdk-8u65-linux-x64.rpm #安装 rpm -ivh jdk-8u65-linux-x64.rpm
-
安装完成
-
9. 配置环境变量
# 打开全局环境变量设置
vim /etc/profile
#在文档最下方添加配置
JAVA_HOME=/usr/java/jdk1.8.0_65
CLASSPATH=.:$JAVA_HOME/lib/dt.jar:$JAVA_HOME/lib/tools.jar
PATH=$PATH:$JAVA_HOME/bin
export PATH JAVA_HOME CLASSPATH
#生效配置
source /etc/profile
#测试配置
java -version
配置成功:
node- 1 配置 Hadoop
-
以下操作只要在 node1 上操作
-
安装 Hadoop
-
使用 tar.gz 格式安装
-
复制到 /usr/hop,没路径自行创建
# 授予权限 chmod 700 hadoop-2.7.7.tar.gz #解压到当前路径 [root@node-1 hop]# tar zxvf hadoop-2.7.7.tar.gz
-
-
配置 Hadoop
-
配置目录:/usr/hop/hadoop-2.7.7/etc/hadoop
-
所有配置文件都在这里
-
我们一共需要配置:
-
hadoop-env.sh
-
core-site.xml
-
hdfs-site.xml
-
mapred-site.xml
-
yarn-site.xml
-
slaves
-
-
-
vim hadoop-env.sh
# 在文件中找到 JAVA_HOME,修改配置 export JAVA_HOME=/usr/java/jdk1.8.0_65
-
vim core-site.xml
-
hadoop.tmp.dir 是导出目录,注意要手动创建 /usr/hop/hadoop-2.7.7/data/
-
最好创建在 hadoop 的安装目录下
<configuration> <property> <name>fs.defaultFS</name> <value>hdfs://node-1:9000</value> </property> <property> <name>hadoop.tmp.dir</name> <value>/usr/hop/hadoop-2.7.7/data/hopdata</value> </property> </configuration>
-
注意不一样,别写错
-
-
-
vim hdfs-site.xml
-
dfs.replication 是指默认备份的数量
<configuration> <property> <name>dfs.namenode.secondary.http-address</name> <value>node-2:50090</value> </property> <property> <name>dfs.replication</name> <value>2</value> </property> </configuration>
-
-
-
默认只有 mapred-site.xml.template,因此要改成 mapred-site.xml
-
-
mv mapred-site.xml.template
vim mapred-site.xml
<!-- 指定 mapreduce 运行时框架,这里指定在 yarn 上,默认是 local-->
<configuration>
<property>
<name>mapreduce.framework.name</name>
<value>yarn</value>
</property>
</configuration>
6. vim yarn-site.xml
<configuration>
<!-- Site specific YARN configuration properties -->
<property>
<!-- 指定 YARN 的主机 (ResourceManager) 的地址 -->
<name>yarn.resourcemanager.hostname</name>
<value>node-1</value>
</property>
<property>
<!--nodeManager 上运行的附属服务,需要配置成 maperduce_shuffle,才可用 MapReduce 程序 -->
<name>yarn.nodemanager.aux-services</name>
<value>mapreduce_shuffle</value>
</property>
</configuration>
7. vim slaves
-
-
告诉 hadoop 有多少台机器
-
node-1
node-2
8. 配置 Hadoop 环境变量,和 java 的一样,配置以后整体如下
JAVA_HOME=/usr/java/jdk1.8.0_65
CLASSPATH=.:$JAVA_HOME/lib/dt.jar:$JAVA_HOME/lib/tools.jar
HADOOP_HOME=/usr/hop/hadoop-2.7.7
PATH=$PATH:$JAVA_HOME/bin:$HADOOP_HOME/bin:$HADOOP_HOME/sbin
export PATH JAVA_HOME CLASSPATH HADOOP_HOME
生效环境变量
source /etc/profile
测试环境变量配置是否成功
hadoop version
9. 把 Hadoop 发送到其他机器上
scp -r /usr/hop/hadoop-2.7.7/ root@node-2:/usr/hop
注意,如果导出目录没设置在 Hadoop 安装包里,其他机器上也要手动创建导出目录(最好把导出目录直接设置在 hadoop 文件夹里面。。)
10. 把环境变量发送到其他机器上
scp -r /etc/profile root@node-2:/etc/
生效其他机器的环境变量
source /etc/profile
Hadoop 集群启动
1.hdfs 格式化
-
只有首次启动需要
-
格式化本质是进行文件系统 初始化 操作,创建一些自己所需要的文件
-
格式化之后,集群启动成功,后续不要再格式化
-
格式化的操作在 hdfs 集群的主角色(namenode)上操作
# 以下两条命令都可以,只要执行 1 条!#在 node- 1 中执行
hdfs namenode –format
hadoop namenode –format
2. 启动 hdfs 集群
-
定位到
/usr/hop/hadoop-2.7.7/sbin
-
目录中有一堆执行文件,其中 start-dfs.sh 就是 hdfs 集群的启动文件
-
start-all.sh 和 stop-all.sh 是 Deprecated 的,不建议使用
-
执行
start-dfs.sh
-
发现报错(如果没报错就跳过)
一些解决方案
配置完 hadoop 启动的时候出现如下警告信息:
WARN util.NativeCodeLoader: Unable to load native-hadoop library for your platform… using builtin-java classes where applicable
-
如何验证 64bit 还是 32bit?
进入 hadoop 安装目录,用 ldd 命令查看依赖库
ldd libhadoop.so.1.0.0 会输出如下信息:
./libhadoop.so.1.0.0: /lib64/libc.so.6: version `GLIBC_2.14' not found (required by ./libhadoop.so.1.0.0)
linux-vdso.so.1 => (0x00007fff369ff000)
libdl.so.2 => /lib64/libdl.so.2 (0x00007f3caa7ea000)
libc.so.6 => /lib64/libc.so.6 (0x00007f3caa455000)
/lib64/ld-linux-x86-64.so.2 (0x00007f3caac1b000)
可以看到依赖的都是 /lib64/ 的动态库,所以不是 64 位 /32 位问题。但是看到报错,GLIBC_2.14 找不到,现在检查系统的 glibc 库, ldd –version 即可检查。 输入命令:
ldd --version
#会输出如下信息:ldd (GNU libc) 2.12
Copyright (C) 2010 Free Software Foundation, Inc.
This is free software; see the source for copying conditions. There is NO
warranty; not even for MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE.
Written by Roland McGrath and Ulrich Drepper.
原来系统预装的 glibc 库是 2.12 版本,而 hadoop 期望是 2.14 版本,所以打印警告信息。
先回到 Hadoop/sbin 目录关闭 hdfs
cd /usr/hop/hadoop-2.7.7/sbin/
stop-dfs.sh
到 http://ftp.gnu.org/gnu/glibc/ 下载 glibc-2.14.tar.xz
tar glibc-2.14.tar.gz
xz -d glibc-2.14.tar.xz
tar -xvf glibc-2.14.tar
cd glibc-2.14
mkdir build
cd build
../configure --prefix=/usr/local/glibc-2.14
make -j4
make install
看看现在 libc.so.6 在哪个位置,然后修改软链接
[root@binghe ~]# whereis libc.so.6
libc.so: /lib64/libc.so.6 /usr/lib64/libc.so
[root@binghe ~]# rm -rf /lib64/libc.so.6
### 注意:删除/lib64/libc.so.6 软链接之后,不要关闭当前会话,否则将登录不上系统,切记切记切记!### 直接执行以下代码
[root@binghe ~]# LD_PRELOAD=/usr/local/glibc-2.14/lib/libc-2.14.so ln -s /usr/local/glibc-2.14/lib/libc-2.14.so /lib64/libc.so.6
再启动:不再报错了!
3. 启动 yarn 集群
-
同理定位到安装目录的 sbin,启动 yarn,sh
cd /usr/hop/hadoop-2.7.7/sbin/
start-yarn.sh
4. 全局输入 jps 检查
- 正常是这样的
-
如果发现 node- 1 没有执行 namenode
# 在安装目录下找到 Logs 文件夹
cd /usr/hop/hadoop-2.7.7/logs/
#打开 hadoop-root-namenode-node-1.log 日志
vim hadoop-root-namenode-node-1.log
5. 如果想单节点启动,可以使用以下命令(一般不使用):
-
也要在 sbin 目录下执行
# 在主节点上使用以下命令启动 HDFS NameNode:hadoop-daemon.sh start namenode
#在每个从节点上使用以下命令启动 HDFS DataNode:hadoop-daemon.sh start datanode
#在主节点上使用以下命令启动 YARN ResourceManager:yarn-daemon.sh start resourcemanager
#在每个从节点上使用以下命令启动 YARN nodemanager:yarn-daemon.sh start nodemanager
#以上脚本位于 $HADOOP_PREFIX/sbin/ 目录下。如果想要停止某个节点上某个角色,只需要把命令中的 start 改为 stop 即可。
6. 登录 web.ui
1. 在浏览器输入 node-1:50070
-
该网址是 hdfs 集群的网络管理端口
-
如果这一步不行,检查 namenode 是否正确启动!
2. 在浏览器输入 node-1:8088
-
打开 yarn 集群的管理端口
3. 在浏览器输入 node-2:50090。
4. 如果 node-2:50090 登录不上
-
在 node- 2 查看 node 启动日志
#查看方式和上文 node- 1 的一样,只是��再 node- 2 机器上找,而且找的是 node- 2 中执行的是 SecondaryNameNode 日志
# 在安装目录下找到 Logs 文件夹
cd /usr/hop/hadoop-2.7.7/logs/
-
发现提示:
Call From node-2/192.168.98.130 to node-1:9000
failed on connection exception: java.net.ConnectException:
Connection refused; For more details see: http://wiki.apache.org/hadoop/ConnectionRefused
-
说明主机 9000 端口登录不进去
-
回到主机检查
-
# 查看端口 netstat -tlpn
-
发现 9000 端口是在 127.0.0.1 后面,说明此使其他机器访问不了,只能通过本机访问(如果是正确的,应该 192.168.X.X)
-
验证是否连不上
# 使用 telnet 命令验证
telnet node-1 9000
#发现确实连不上
Trying ::1...
telnet: connect to address ::1: Connection refused
Trying 127.0.0.1...
Connected to node-1.
#如果没有安装 telnet, 使用 yum 命令安装
yum install telnet-server
yum install telnet.*
-
修改 /etc/hosts 文件,发现原来是笔者修改别的错误时,错误的在前两行后面加上 node-1,只要去掉如图就可以了。
-
关闭 Hadoop 集群,重启机器,打开 Hadoop 集群,登录成功了
Hadoop 重要配置解析
基本信息
安装时,我们配置了
-
hadoop-env.sh
-
core-site.xml
-
hdfs-site.xml
-
mapred-site.xml
-
yarn-site.xml
-
slaves
-
其中 xxx-site.xml 文件,在官网目录最下方,可以找到响应的 xxx-default.xml 文件,如果用户没有更改,那么这里面的选项会生效
http://hadoop.apache.org/docs/r2.7.7/
-
site 中配置了,就会覆盖了默认的配置选项
-
Deprecated Properties 中写了过时的配置。
1.core-site.xml
-
集群全局参数,用于定义系统级别的参数,如 HDFS URL、Hadoop 的临时目录等
<configuration> <property> <name>fs.defaultFS</name> <value>hdfs://node-1:9000</value> </property> <property> <name>hadoop.tmp.dir</name> <value>/export/data/hopdata</value> </property> </configuration>
序号 | 参数名 | 默认值 | 参数解释 |
---|---|---|---|
1 | fs.defaultFS | file:/// | 文件系统主机和端口 |
2 | io.file.buffer.size | 4096 | 流文件的缓冲区大小 |
3 | hadoop.tmp.dir | /tmp/hadoop-${user.name} | 临时文件夹 |
2.hdfs-site.xml
-
HDFS 参数,如名称节点和数据节点的存放位置、文件副本的个数、文件读取权限等
<configuration> <property> <name>dfs.namenode.secondary.http-address</name> <value>node-2:50090</value> </property> <property> <name>dfs.replication</name> <value>2</value> </property> </configuration>
序号 | 参数名 | 默认值 | 参数解释 |
---|---|---|---|
1 | dfs.namenode.secondary.http-address | 0.0.0.0:50090 | secondary namenode 所在主机的 ip 和端口, 定义 HDFS 对应的 HTTP 服务器地址和端口 |
2 | dfs.namenode.name.dir | file://${hadoop.tmp.dir}/dfs/name | 定义 DFS 的名称节点在本地文件系统的位置 |
3 | dfs.datanode.data.dir | file://${hadoop.tmp.dir}/dfs/data | 定义 DFS 数据节点存储数据块时存储在本地文件系统的位置 |
4 | dfs.replication | 3 | 缺省的块复制数量 |
5 | dfs.webhdfs.enabled | true | 是否通过 http 协议读取 hdfs 文件,如果选是,则集群安全性较差 |
3.mapred-site.xml
-
-
Mapreduce 参数,包括 JobHistory Server 和应用程序参数两部分,如 reduce 任务的默认个数、任务所能够使用内存的默认上下限等
<configuration> <property> <name>mapreduce.framework.name</name> <value>yarn</value> </property> </configuration>
-
序号 | 参数名 | 默认值 | 参数解释 |
---|---|---|---|
1 | mapreduce.framework.name | local | 取值 local、classic 或 yarn 其中之一,如果不是 yarn,则不会使用 YARN 集群来实现资源的分配 |
2 | mapreduce.jobhistory.address | 0.0.0.0:10020 | 定义历史服务器的地址和端口,通过历史服务器查看已经运行完的 Mapreduce 作业记录 |
3 | mapreduce.jobhistory.webapp.address | 0.0.0.0:19888 | 定义历史服务器 web 应用访问的地址和端口 |
4.yarn-site.xml
-
-
集群资源管理系统参数,配置 ResourceManager,NodeManager 的通信端口,web 监控端口等
<configuration> <!-- Site specific YARN configuration properties --> <property> <!-- 指定 YARN 的主机 (ResourceManager) 的地址 --> <name>yarn.resourcemanager.hostname</name> <value>node-1</value> </property> <property> <!--nodeManager 上运行的附属服务,需要配置成 maperduce_shuffle,才可用 MapReduce 程序 --> <name>yarn.nodemanager.aux-services</name> <value>mapreduce_shuffle</value> </property> </configuration>
-
序号 | 参数名 | 默认值 | 参数解释 |
---|---|---|---|
1 | yarn.resourcemanager.address | 0.0.0.0:8032 | YARN 的主机 (ResourceManager) 的地址, ResourceManager 提供给客户端访问的地址。客户端通过该地址向 RM 提交应用程序,杀死应用程序等 |
2 | yarn.resourcemanager.scheduler.address | 0.0.0.0:8030 | ResourceManager 提供给 ApplicationMaster 的访问地址。ApplicationMaster 通过该地址向 RM 申请资源、释放资源等 |
3 | yarn.resourcemanager.resource-tracker.address | 0.0.0.0:8031 | ResourceManager 提供给 NodeManager 的地址。NodeManager 通过该地址向 RM 汇报心跳,领取任务等 |
4 | yarn.resourcemanager.admin.address | 0.0.0.0:8033 | ResourceManager 提供给管理员的访问地址。管理员通过该地址向 RM 发送管理命令等。 |
5 | yarn.resourcemanager.webapp.address | 0.0.0.0:8088 | ResourceManager 对 web 服务提供地址。用户可通过该地址在浏览器中查看集群各类信息 |
6 | yarn.nodemanager.aux-services | |
通过该配置项,用户可以自定义一些服务,例如 Map-Reduce 的 shuffle 功能就是采用这种方式实现的,这样就可以在 NodeManager 上扩展自己的服务。 |
更多 Hadoop 相关信息见Hadoop 专题页面 https://www.linuxidc.com/topicnews.aspx?tid=13
: