Apache Hadoop 完全分布式集群搭建

发表于 2021-10-10 更新于 2023-09-01 分类于 BigData 阅读次数：本文字数： 2.7k 阅读时长 ≈ 10 分钟

环境配置

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：使用 vmware 虚拟机虚拟三台 linux 节点，linux 操作系统: Centos7
虚拟机环境准备三台虛拟机 (静态 iP、关闭防火墙、修改主机名、配置兔密登录、集群时间同步)

首先创建一台虚拟机配置好 hadoop 环境变量后分别克隆出 slave1、slave2 节点

创建目录

1 2	mkdir /opt/software -- 软件安装包 mkdir /opt/servers -- 软件安装目录

集群规划

框架	master	slave1	slave2
HDFS	NameNode、DataNode	DataNode	SecondaryNameNode、DataNode
YARN	NodeManager	NodeManager	ResourceManager、NodeManager

安装 JKD8

下载 jdk-8u202-linux-x64.tar.gz 至 /usr/java 目录

1
2
3

# 解压
cd /usr/java
tar -zxvf jdk-8u202-linux-x64.tar.gz

配置环境变量
vim /etc/profile

1
2
3

# JAVA
JAVA_HOME=/usr/java/jdk1.8.0_202
export PATH=$PATH:$JAVA_HOME/bin

1
2
3

source /etc/profile
# 验证是否成功
java -version

关闭防火墙

1 2	systemctl stop firewalld systemctl disable firewalld

Hadoop

下载 Hadoop

下载 Hadoop 到 /opt/software 中

1	wget -P /opt/software http://mirrors.tuna.tsinghua.edu.cn/apache/hadoop/common/hadoop-2.10.1/hadoop-2.10.1.tar.gz

解压 Hadoop 到 /opt/servers 中

1	tar -zxvf /opt/software/hadoop-2.10.1.tar.gz -C /opt/servers

配置环境变量

添加环境变量到 vim /etc/profile

# HADOOP
export HADOOP_HOME=/opt/servers/hadoop-2.10.1
export PATH=$PATH:$HADOOP_HOME/bin
export PATH=$PATH:$HADOOP_HOME/sbin

使环境变量生效
1
source /etc/profile

修改配置文件

1	cd /opt/servers/hadoop-2.10.1/etc/hadoop

HDFS 配置 JDK 环境

1	vim hadoop-env.sh

使用 hadoop version 检查配置是否正常

目录结构

drwxr-xr-x bin -- 对 hadoop 操作相关命令(.cmd为windows用)
drwxr-xr-x etc -- 配置文件目录
drwxr-xr-x include -- jar包和lib一样 
drwxr-xr-x lib -- hadoop本地库，存放jar包
drwxr-xr-x libexec -- 本地系统依赖库 
-rw-r--r-- LICENSE.txt
-rw-r--r-- NOTICE.txt 
-rw-r--r-- README.txt -- 描述文件 
drwxr-xr-x sbin -- 命令(hadoop停止启动等)
drwxr-xr-x share -- 一些hadoop相关jar包及官方案例

克隆节点

配置好以上环境后克隆出两台节点 slave1、slave2 并分配静态 IP。修改主机名
PS：需要在关机状态下克隆

修改本机静态 IP
修改本机 Hostname 并配置 SSH 免密登录

请查看：https://www.cnblogs.com/likfees/p/15381178.html
多台设备时间同步

https://www.cnblogs.com/Likfees/p/15387613.html

集群规划实施

以下内容直到 集群分发配置 都是在 master 节点中配置

HDFS 集群配置

1	cd /opt/servers/hadoop-2.10.1/etc/hadoop

NameNode 节点及数据存储目录

master 节点
PS：配置信息一定要放在 configuration 标签中！

core-site.xml 默认配置在：
https://hadoop.apache.org/docs/r2.10.1/hadoop-project-dist/hadoop-common/core-default.xml

1	vim core-site.xml

<!-- 指定 HDFS 中的 NameNode 的地址 -->
<property>
        <name>fs.defaultFS</name>
        <value>hdfs://master: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-2.10.1/data/tmp</value>
</property>

SecondaryNameNode

hdfs-site.xml 默认配置
https://hadoop.apache.org/docs/r2.10.1/hadoop-project-dist/hadoop-hdfs/hdfs-default.xml

1	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>slave2:50090</value>
</property>

<!-- 指定副本数量 -->
<property>
        <name>dfs.replication</name>
        <value>3</value>
</property>

DataNode 从节点

1 2	cd /opt/servers/hadoop-2.10.1/etc/hadoop vim slaves

将原来内容删除然后将需要启动 DatanNode 的节点主机名写入

PS：不要加主机名后面加空格，也不要多起一行

MapReduce 集群配置

配置 MapReduce JDK 路径

1	vim mapred-env.sh

解开 JAVA_HOME 注释并配置正确的 JAVA_HOME 路径

指定 MapReduce 计算框架运行 YARN 资源调度框架

因为只有模版文件 mapred-site.xml.template 所以需要复制一份出来改名为 mapred-site.xml

1 2	cp mapred-site.xml.template mapred-site.xml vim mapred-site.xml

默认配置：https://hadoop.apache.org/docs/r2.10.1/hadoop-mapreduce-client/hadoop-mapreduce-client-core/mapred-default.xml

<!-- 指定 MapReduce 运行在 Yarn 上 -->
<property>
        <name>mapreduce.framework.name</name>
        <value>yarn</value>
</property>

Yarn 集群配置

配置 Yarn JDK 路径

1
2
3

vim yarn-env.sh 

export JAVA_HOME=/usr/java/jdk1.8.0_202

配置 ResourceManager

指定 ResourceManager 老大节点所在的计算机节点
slave2

1	vim yarn-site.xml

默认配置：https://hadoop.apache.org/docs/r2.10.1/hadoop-yarn/hadoop-yarn-common/yarn-default.xml

<!-- 指定 YARN 的 ResourceManager 的地址 -->
<property>
        <name>yarn.resourcemanager.hostname</name>
        <value>slave2</value>
</property>

<!-- reduce 获取数据的方式 -->
<property>
        <name>yarn.nodemanager.aux-services</name>
        <value>mapreduce_shuffle</value>
</property>

指定 NodeManager 从节点

如果已经配置 HDFS 的 DataNode 从节点 slave 配置文件则不需要在修改了
这两个信息是一样的，共用同一个文件

权限注意

Hadoop 安装目录所属用户和所属用户组信息，默认是 1000 1000，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！！

1 2	chown -R root:root /opt/servers/hadoop-2.10.1 ll /opt/servers/hadoop-2.10.1

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

如果系统没有这个命令

1 2	yum -y install rsync rsync --version

基本语法
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
1
rsync -rvl $pdir/$fname $user@$host:$pdir/$fname
选项参数说明
选项功能
-r 递归
-v 显示过程
-l 拷贝符号连接

选项	功能
-r	递归
-v	显示过程
-l	拷贝符号连接

集群分发脚本

期望：脚本 + 要同步的文件名称
说明：/usr/local/bin 中存在脚本，root 用户可以在任意地方执行

编写脚本

1	vim /usr/local/bin/rsync-script

#!/bin/bash
# 说明：循环复制文件到集群所有节点的相同目录下
# 1. 获取传入脚本的参数，参数个数
paramNum=$#
if ((paramNum == 0)); then
  echo No Parameters!
  exit
fi

# 2. 获取到文件名称
param1=$1 # 第一个参数

fileName=$(basename $param1) # 获取最后一个路径

# 3. 获取到文件的绝对路径
# 获取到上级目录，并以绝对路径方式进入，然后获取路径信息（解决传入相对路径问题）
$(cd -P $(dirname $param1))
dirName=$(pwd)

path=$dirName/$fileName # 文件路径

# 判断路径是否有效
if [ ! -f $fileName ] && [ ! -d $fileName ]; then
  echo "$path" failed: No such file or directory
  exit
fi

# 4. 获取到当前用户信息
username=$(whoami)

orginHost=slave # 主机名称前缀

# 由于主机名为master 所以需要在外面配置,如果你的linux主机名是有循序的，则不需要这一步
rsync -rvl $path ${username}@master:${dirName}

# 5. 执行 rsync 命令，循环执行同步到其他节点
for ((i = 1; i <= 2; i++)); do
  echo ---- target host ${orginHost}${i}
  echo ---- sync $path
  rsync -rvl $path ${username}@${orginHost}${i}:${dirName}
done

设置执行权限
1
chmod 777 /usr/local/bin/rsync-script
执行同步
PS：同步 hadoop 时如果 master 已经格式化 NameNode 请不要将 data 目录同步过去
1
2
cd /opt/servers
rsync-script hadoop-2.10.1

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！如果多次格式化会造成无法启动！

格式化 NameNode 不能执行多次格式化

1 2	# master节点执行命令 hadoop namenode -format

格式化成功后会在 /opt/servers/hadoop-2.10.1/data/tmp 目录创建文件

配置 Window 主机 Host

在我的 window 中打开 C:\Windows\System32\drivers\etc
将对应 ip 和主机名添加进去

1
2
3

192.168.139.121 master
192.168.139.122 slave1
192.168.139.123 slave2

单节点启动

建议使用集群群起！！！

启动 master 的 NameNode 和 DataName

hadoop-daemon.sh start namenode
jps
hadoop-daemon.sh start datanode
jps

启动 slave1 和 slave2 的 DateName
1
2
hadoop-daemon.sh start datanode
jps

PS：启动 NameNode 后可以在浏览器打开控制台 http://master:50070/ 主节点：50070

Yarn 集群单节点启动

建议使用集群群起

启动 Yarn 主节点

Yarn 集群放在了 slave2 上。所以需要在 slave2 进行操作

1	yarn-daemon.sh start resourcemanager

启动 NodeManager 从节点

master 、slave1、slave2 都启用从节点

1	yarn-daemon.sh start nodemanager

集群群起

** 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，千万不要重复执行！！**

1	hadoop namenode -format

启动 HDFS 集群

master 节点上执行

1	start-dfs.sh

执行完毕后检查 master、slave1、slave2 的 NameNode、DataName、SecondaryNameNode 是否启动成功！

启动 Yarn 集群

ResourceManager 主节点在 slave2 节点，所以要上 slave2 节点执行

1	start-yarn.sh

执行完毕后检查 master、slave1、slave2 的 ResourceManager、NodeManager 是否启动成功！

集群测试

HDFS 分部式存储

从 Linux 本地文件系统上传下载文件验证 HDFS 集群工作正常

cd /root
date > test.txt
# 创建目录
hadoop fs -mkdir -p /test/input
# 上传文件
hadoop fs -put test.txt /test/input
# 下载文件
hadoop fs -get /test/input/test.txt t1.txt

MapReduce 分布式计算

vim /root/wc.txt 

hadoop mapreduce yarn
hdfs hadoop mapreduce
mapreduce yarn orginly
orginly
orginly
feng li feng li

1 2	hadoop fs -mkdir /mapReduce hadoop fs -put /root/wc.txt /mapReduce

回到 Hadoop 目录 /opt/servers/hadoop-2.10.1
执行官方示例程序 wordcount 单词统计

1	hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.10.1.jar wordcount /mapReduce /wcoutput

也可以登录 Yarn 集群控制面板查看
控制面板安装在 resourceManager 的节点 http://slave2:8088/cluster

历史日志服务器

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。

配置日志服务器

master 节点

配置 mapred-site.xml

<!-- 历史服务器地址 -->
<property>
	<name>mapreduce.jobhistory.address</name>
	<value>master:10020</value>
</property>

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

分发 mapred-site.xml 到其他节点
1
rsync-script mapred-site.xml

master 启动历史服务器

1 2	mr-jobhistory-daemon.sh start historyserver jps

访问历史服务器
http://master:19889

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

配置 yarn-site.xml

1	vim /opt/servers/hadoop-2.10.1/etc/hadoop/yarn-site.xml

<!-- 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>

分发 yarn-site.xml 到其他节点
1
rsync-script yarn-site.xml
停止 yarn 集群

slave2 节点

1 2	stop-yarn.sh jps

重启 JobHistoryServer

master

1
2
3

mr-jobhistory-daemon.sh stop historyserver
mr-jobhistory-daemon.sh start historyserver
jps

启动 yarn 集群

slave2 节点

执行官方测试案例

删除之前执行生成的文件
1
hadoop fs -rm -r /wcoutput

执行

1
2
3

/opt/servers/hadoop-2.10.1

hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.10.1.jar wordcount /mapReduce /wcoutput

查看日志