Apache Hadoop 完全分布式集群搭建

环境配置

Hadoop 框架是采用 Java 语言编写，需要 Java 环境(jvm)

1. JDK版本：JDK8 版本
2. 集群：使用 vmware 虚拟机虚拟三台 linux节点，linux操作系统: Centos7
3. 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

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

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

配置环境变量
vim /etc/profile

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

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

4. 关闭防火墙

   systemctl stop firewalld
   systemctl disable firewalld

Hadoop

下载 Hadoop

下载 Hadoop 到 /opt/software 中

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

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

配置环境变量

1. 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

2. 使环境变量生效

   source /etc/profile

3. 修改配置文件

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

   HDFS配置JDK环境

   vim hadoop-env.sh

   

4. 使用 hadoop version 检查配置是否正常

5. 

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

1. 修改本机静态 IP

2. 修改本机 Hostname 并配置 SSH 免密登录

   请查看：https://www.cnblogs.com/likfees/p/15381178.html

3. 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

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

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

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

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

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

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

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

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！！

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

yum -y install rsync
rsync --version

1. 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

   rsync -rvl $pdir/$fname $user@$host:$pdir/$fname

2. 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

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

1. 编写脚本

   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

2. 设置执行权限

   chmod 777 /usr/local/bin/rsync-script

3. 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

   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

# 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

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!!!

1. 启动 master 的 NameNode 和 DataName

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

   

2. 启动 slave1 和 slave2 的 DateName

   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

yarn-daemon.sh start resourcemanager

启动 NodeManager 从节点

master 、slave1、slave2 都启用从节点

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！！**

hadoop namenode -format

启动 HDFS 集群

master 节点上执行

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

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

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

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

1. 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>

2. 分发 mapred-site.xml 到其他节点

   rsync-script mapred-site.xml

3. master 启动历史服务器

    mr-jobhistory-daemon.sh start historyserver
   jps

4. 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

1. 配置 yarn-site.xml

   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>

2. 分发 yarn-site.xml 到其他节点

   rsync-script yarn-site.xml

3. 停止 yarn 集群

slave2 节点

stop-yarn.sh
jps

4. 重启 JobHistoryServer

master

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

5. 启动 yarn 集群

slave2 节点

执行官方测试案例

1. 删除之前执行生成的文件

   hadoop fs -rm -r /wcoutput

2. 执行

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

3. 查看日志