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
- 6.8 -本来想用7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> -
-
mapred-site.xml
-
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
- 可以查看namenode启动日志，根据日志记录再去看怎么解决
#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。 |