hadoop基础-1

视频资料和笔记资料来自尚硅谷：https://www.bilibili.com/video/BV1Qp4y1n7EN?p=1

资料：https://pan.baidu.com/s/1P5JAtWlGDKMAPWmHAAcbyA，提取码：5h60

概述

发展

是什么

Hadoop是一个由Apache基金会所开发的分布式系统基础架构
主要解决，海量数据的存储和海量数据的分析计算问题。
广义上来说，Hadoop通常是指一个更广泛的概念——Hadoop生态圈。

发展历史

Hadoop创始人DougCutting，为了实现与Google类似的全文搜索功能，他在Lucene框架基础上进行优

化升级，查询引擎和索引引擎。

2001年年底Lucene成为Apache基金会的一个子项目。
对于海量数据的场景，Lucene框架面对与Google同样的困难，存储海量数据困难，检索海量速度慢。
学习和模仿Google解决这些问题的办法：微型版Nutch。
可以说Google是Hadoop的思想之源（Google在大数据方面的三篇论文）
2003-2004年，Google公开了部分GFS和MapReduce思想的细节，以此为基础Doug Cutting等人用了2年业余时间实现了DFS和MapReduce机制，使Nutch性能飙升。
2005年Hadoop作为Lucene的子项目Nutch的一部分正式引入Apache基金会。
2006年3月份，Map-Reduce和NutchDistributedFileSystem（NDFS）分别被纳入到Hadoop项目中，Hadoop就此正式诞生，标志着大数据时代来临。
名字来源于DougCutting儿子的玩具大象

三大版本

Hadoop三大发行版本：Apache、Cloudera、Hortonworks。

Apache版本最原始（最基础）的版本，对于入门学习最好。2006

Cloudera内部集成了很多大数据框架，对应产品CDH。2008

Hortonworks文档较好，对应产品HDP。2011

Hortonworks现在已经被Cloudera公司收购，推出新的品牌CDP。

优势

高可靠性：Hadoop底层维护多个数据副本，所以即使Hadoop某个计算元素或存储出现故障，也不会导致数据的丢失。
高扩展性：在集群间分配任务数据，可方便的扩展数以千计的节点。
高效性：在MapReduce的思想下，Hadoop是并行工作的，以加快任务处理速度。
高容错性：能够自动将失败的任务重新分配。

hadoop组成

在Hadoop1.x时代，Hadoop中的MapReduce同时处理业务逻辑运算和资源的调度，耦合性较大。

在Hadoop2.x时代，增加了Yarn。Yarn只负责资源的调度MapReduce只负责运算。

Hadoop3.x在组成上没有变化。

HDFS架构概述

Hadoop Distributed File System，简称 HDFS，是一个分布式文件系统。

组成

NameNode（nn）：存储文件的元数据，如文件名，文件目录结构，文件属性（生成时间、副本数、文件权限），以及每个文件的块列表和块所在的DataNode等。
DataNode(dn)：在本地文件系统存储文件块数据，以及块数据的校验和。
Secondary NameNode(2nn)：每隔一段时间对NameNode元数据备份。

YARN概述

Yet Another Resource Negotiator 简称 YARN ，另一种资源协调者，是 Hadoop 的资源管理器。

ResourceManager（RM）：整个集群资源（内存、CPU等）的老大
NodeManager（NM）：单个节点服务器资源老大
ApplicationMaster（AM）：单个任务运行的老大
Container：容器，相当一台独立的服务器，里面封装了任务运行所需要的资源，如内存、CPU、磁盘、网络等。

说明1：客户端可以有多个

说明2：集群上可以运行多个ApplicationMaster

说明3：每个NodeManager上可以有多个Container

MapReduce 架构概述

MapReduce 将计算过程分为两个阶段：Map 和 Reduce

Map 阶段并行处理输入数据，Reduce 阶段对 Map 结果进行汇总

HDFS、YARN、MapReduce 三者关系

HDFS存储文件，然后MapReduce去统计计算文件，但是MapReduce不知道去哪一个节点上寻找文件，那么yarn就是这个资源管理者，去分发任务。

大数据技术生态体系

图中涉及的技术名词解释如下：

Sqoop：Sqoop 是一款开源的工具，主要用于在 Hadoop、Hive 与传统的数据库（MySQL）间进行数据的传递，可以将一个关系型数据库（例如：MySQL，Oracle 等）中的数据导进到 Hadoop 的 HDFS 中，也可以将 HDFS 的数据导进到关系型数据库中。
Flume：Flume 是一个高可用的，高可靠的，分布式的海量日志采集、聚合和传输的系统，Flume 支持在日志系统中定制各类数据发送方，用于收集数据；
Kafka：Kafka 是一种高吞吐量的分布式发布订阅消息系统；
Spark：Spark 是当前最流行的开源大数据内存计算框架。可以基于 Hadoop 上存储的大数据进行计算。
Flink：Flink 是当前最流行的开源大数据内存计算框架。用于实时计算的场景较多。
Oozie：Oozie 是一个管理 Hadoop 作业（job）的工作流程调度管理系统。
Hbase：HBase 是一个分布式的、面向列的开源数据库。HBase 不同于一般的关系数据库，它是一个适合于非结构化数据存储的数据库。
Hive：Hive 是基于 Hadoop 的一个数据仓库工具，可以将结构化的数据文件映射为一张数据库表，并提供简单的 SQL 查询功能，可以将 SQL 语句转换为 MapReduce 任务进行运行。其优点是学习成本低，可以通过类 SQL 语句快速实现简单的 MapReduce 统计，不必开发专门的 MapReduce 应用，十分适合数据仓库的统计分析。
ZooKeeper：它是一个针对大型分布式系统的可靠协调系统，提供的功能包括：配置维护、名字服务、分布式同步、组服务等

系统框架图

hadoop环境搭建

模板虚拟机环境准备

安装模板虚拟机

IP 地址 192.168.10.100、主机名称** hadoop100、内存 4G、硬盘 50G

hadoop100 虚拟机配置

hadoop100： 虚拟机配置要求如下（本文 Linux 系统全部以 CentOS-7.5-x86-1804 为例）

使用 yum 安装需要虚拟机可以正常上网，yum 安装前可以先测试下虚拟机联网情况

[root@hadoop100 ~]# ping www.baidu.com
PING www.baidu.com (14.215.177.39) 56(84) bytes of data.
64 bytes from 14.215.177.39 (14.215.177.39): icmp_seq=1 
ttl=128 time=8.60 ms
64 bytes from 14.215.177.39 (14.215.177.39): icmp_seq=2 
ttl=128 time=7.72 ms

安装 epel-release

注：Extra Packages for Enterprise Linux 是为“红帽系”的操作系统提供额外的软件包，适用于 RHEL、CentOS 和 Scientific Linux。相当于是一个软件仓库，大多数 rpm 包在官方repository 中是找不到的）

1	[root@hadoop100 ~]# yum install -y epel-release

注意：如果 Linux 安装的是最小系统版，还需要安装如下工具；如果安装的是 Linux桌面标准版，不需要执行如下操作

net-tool：工具包集合，包含 ifconfig 等命令

1	[root@hadoop100 ~]# yum install -y net-tools

vim：编辑器

1	[root@hadoop100 ~]# yum install -y vim

关闭防火墙

关闭防火墙，关闭防火墙开机自启

1
2
3

[root@hadoop100 ~]# systemctl stop firewalld

[root@hadoop100 ~]# systemctl disable firewalld.service

注意：在企业开发时，通常单个服务器的防火墙时关闭的。公司整体对外会设置非常安全的防火墙

创建 lvxiaoyi 用户

创建 lvxiaoyi用户，并修改 lvxiaoyi 用户的密码

1 2	[root@hadoop100 ~]# useradd lvxiaoyi [root@hadoop100 ~]# passwd lvxiaoyi

注意：这一步的密码需要较为复杂的密码，否则不能通过

设置权限

配置 lvxiaoyi 用户具有 root 权限，方便后期加 sudo 执行 root 权限的命令

1	[root@hadoop100 ~]# vim /etc/sudoers

修改/etc/sudoers 文件，在%wheel 这行下面添加一行，如下所示：

## Allow root to run any commands anywhere
root ALL=(ALL) ALL
## Allows people in group wheel to run all commands
%wheel ALL=(ALL) ALL
lvxiaoyi ALL=(ALL) NOPASSWD:ALL

注意：lvxiaoyi 这一行不要直接放到 root 行下面，因为所有用户都属于 wheel 组，你先配置了 lvxiaoyi 具有免密功能，但是程序执行到%wheel 行时，该功能又被覆盖回需要密码。所以 lvxiaoyi 要放到%wheel 这行下面。

创建软件存放位置

在/opt 目录下创建文件夹，并修改所属主和所属组

在/opt 目录下创建 module、software 文件夹

1 2	[root@hadoop100 ~]# mkdir /opt/module [root@hadoop100 ~]# mkdir /opt/software

修改 module、software 文件夹的所有者和所属组均为 lvxiaoyi 用户

1 2	[root@hadoop100 ~]# chown lvxiaoyi:lvxiaoyi /opt/module [root@hadoop100 ~]# chown lvxiaoyi:lvxiaoyi /opt/software

查看 module、software 文件夹的所有者和所属组

[lvxiaoyi@hadoop103 ~]$ cd /opt/
[lvxiaoyi@hadoop103 opt]$ ll
总用量 0
drwxr-xr-x. 4 lvxiaoyi lvxiaoyi 46 10月 28 16:40 module
drwxr-xr-x. 2 lvxiaoyi lvxiaoyi  6 10月 28 14:41 software

卸载自带jdk

注意：如果你的虚拟机是最小化安装不需要执行这一步。

1	[root@hadoop100 ~]# rpm -qa \| grep -i java \| xargs -n1 rpm -e --nodeps

rpm -qa：查询所安装的所有 rpm 软件包
grep -i：忽略大小写
xargs -n1：表示每次只传递一个参数
rpm -e –nodeps：强制卸载软件

重启

1	[root@hadoop100 ~]# reboot

克隆虚拟机

克隆

利用模板机 hadoop100，克隆三台虚拟机：hadoop102 hadoop103 hadoop104

注意：克隆时，要先关闭 hadoop100

修改ip

修改克隆机 IP，以下hadoop102 举例说明

修改克隆虚拟机的静态 IP

1	[root@hadoop100 ~]# vim /etc/sysconfig/network-scripts/ifcfg-ens33

改成：

DEVICE=ens33
TYPE=Ethernet
ONBOOT=yes
BOOTPROTO=static
NAME="ens33"
IPADDR=192.168.10.102
PREFIX=24
GATEWAY=192.168.10.2
DNS1=192.168.10.2

查看 Linux 虚拟机的虚拟网络编辑器，编辑->虚拟网络编辑器->VMnet8
查看 Windows 系统适配器 VMware Network Adapter VMnet8 的 IP 地址
保证 Linux 系统 ifcfg-ens33 文件中 IP 地址、虚拟网络编辑器地址和 Windows 系统 VM8 网络 IP 地址相同。

修改克隆主机名

修改克隆机主机名，以下以 hadoop102 举例说明

修改主机名称

1 2	[root@hadoop100 ~]# vim /etc/hostname hadoop102

配置 Linux 克隆机主机名称映射 hosts 文件，打开/etc/hosts

1	[root@hadoop100 ~]# vim /etc/hosts

添加如下内容：

192.168.10.100 hadoop100
192.168.10.101 hadoop101
192.168.10.102 hadoop102
192.168.10.103 hadoop103
192.168.10.104 hadoop104
192.168.10.105 hadoop105
192.168.10.106 hadoop106
192.168.10.107 hadoop107
192.168.10.108 hadoop108

重启克隆机 hadoop102
1
[root@hadoop100 ~]# reboot

修改 windows的主机映射文件（host文件）

如果操作系统是 window7，可以直接修改

进入 C:\Windows\System32\drivers\etc 路径
打开 hosts 文件并添加如下内容，然后保存

192.168.10.100 hadoop100
192.168.10.101 hadoop101
192.168.10.102 hadoop102
192.168.10.103 hadoop103
192.168.10.104 hadoop104
192.168.10.105 hadoop105
192.168.10.106 hadoop106
192.168.10.107 hadoop107
192.168.10.108 hadoop108

如果操作系统是 window10，先拷贝出来，修改保存以后，再覆盖即可（或者notepadd++直接可以操作）

进入 C:\Windows\System32\drivers\etc 路径
拷贝 hosts 文件到桌面

打开桌面 hosts 文件并添加如下内容

192.168.10.100 hadoop100
192.168.10.101 hadoop101
192.168.10.102 hadoop102
192.168.10.103 hadoop103
192.168.10.104 hadoop104
192.168.10.105 hadoop105
192.168.10.106 hadoop106
192.168.10.107 hadoop107
192.168.10.108 hadoop108

将桌面 hosts 文件覆盖 C:\Windows\System32\drivers\etc 路径 hosts 文件

安装 JDK

卸载现有 JDK

注意：安装 JDK 前，一定确保提前删除了虚拟机自带的 JDK。详细步骤见问文档 3.1 节中卸载 JDK 步骤。

传输jdk文件

用 XShell 传输工具将 JDK 导入到 opt 目录下面的 software 文件夹下面

解压

解压 JDK 到/opt/module 目录下

1	[lvxiaoyi@hadoop102 software]$ tar -zxvf jdk-8u212-linux-x64.tar.gz -C /opt/module/

配置 JDK 环境变量

新建/etc/profile.d/my_env.sh 文件

1	[lvxiaoyi@hadoop102 ~]$ sudo vim /etc/profile.d/my_env.sh

添加如下内容

1
2
3

#JAVA_HOME
export JAVA_HOME=/opt/module/jdk1.8.0_212
export PATH=$PATH:$JAVA_HOME/bin

source 一下/etc/profile 文件，让新的环境变量 PATH 生效
1
[lvxiaoyi@hadoop102 ~]$ source /etc/profile

测试jdk

[lvxiaoyi@hadoop103 opt]$ java -version
java version "1.8.0_212"
Java(TM) SE Runtime Environment (build 1.8.0_212-b10)
Java HotSpot(TM) 64-Bit Server VM (build 25.212-b10, mixed mode)

安装 Hadoop

在 hadoop102 安装 Hadoop

Hadoop 下载地址：https://archive.apache.org/dist/hadoop/common/hadoop-3.1.3/

传输hadoop

用 XShell 文件传输工具将 hadoop-3.1.3.tar.gz 导入到 opt目录下面的 software 文件夹下面

解压

1	[lvxiaoyi@hadoop102 software]$ tar -zxvf hadoop-3.1.3.tar.gz -C /opt/module/

添加环境变量

获取 Hadoop 安装路径

1 2	[lvxiaoyi@hadoop102 hadoop-3.1.3]$ pwd /opt/module/hadoop-3.1.3

打开/etc/profile.d/my_env.sh 文件

1	[lvxiaoyi@hadoop102 hadoop-3.1.3]$ sudo vim /etc/profile.d/my_env.sh

在 my_env.sh 文件末尾添加如下内容：（shift+g）

#HADOOP_HOME
export HADOOP_HOME=/opt/module/hadoop-3.1.3
export PATH=$PATH:$HADOOP_HOME/bin
export PATH=$PATH:$HADOOP_HOME/sbin

让修改后的文件生效

1	[lvxiaoyi@hadoop102 hadoop-3.1.3]$ source /etc/profile

测试是否安装成功

1 2	[lvxiaoyi@hadoop102 hadoop-3.1.3]$ hadoop version Hadoop 3.1.3

hadoop运行模式

Hadoop 运行模式包括：本地模式、伪分布式模式以及完全分布式模式。

本地模式：单机运行，只是用来演示一下官方案例。生产环境不用。

伪分布式模式：也是单机运行，但是具备 Hadoop 集群的所有功能，一台服务器模拟一个分布式的环境。个别缺钱的公司用来测试，生产环境不用。

完全分布式模式：多台服务器组成分布式环境。生产环境使用。

本地运行模式

创建在 hadoop-3.1.3 文件下面创建一个 wcinput 文件夹
1
[lvxiaoyi@hadoop102 hadoop-3.1.3]$ mkdir wcinput

在 wcinput 文件下创建一个 word.txt 文件

1	[lvxiaoyi@hadoop102 hadoop-3.1.3]$ cd wcinput

编辑 word.txt 文件

hadoop yarn
hadoop mapreduce
lvxiaoyi
lvxiaoyi

回到 Hadoop 目录/opt/module/hadoop-3.1.3

执行程序

1	[lvxiaoyi@hadoop102 hadoop-3.1.3]$ hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-3.1.3.jar wordcount wcinput wcoutput

查看结果

[lvxiaoyi@hadoop102 hadoop-3.1.3]$ cat wcoutput/part-r-00000
lvxiaoyi 2
hadoop 2
mapreduce 1
yarn 1

完全分布式运行模式

分析：

1）准备 3 台客户机（关闭防火墙、静态 IP、主机名称）

2）安装 JDK

3）配置环境变量

4）安装 Hadoop

5）配置环境变量

6）配置集群

7）单点启动

8）配置 ssh

9）群起并测试集群

编写脚本

编写集群分发脚本 xsync

scp（secure copy）安全拷贝

scp 定义

scp 可以实现服务器与服务器之间的数据拷贝。（from server1 to server2）

基本语法

1 2	scp -r $pdir/$fname $user@$host:$pdir/$fname 命令递归要拷贝的文件路径/名称目的地用户@主机:目的地路径/名称

案例实操

前提：在 hadoop102、hadoop103、hadoop104 都已经创建好的/opt/module、 /opt/software 两个目录，并且已经把这两个目录修改为 lvxiaoyi:lvxiaoyi
1
[lvxiaoyi@hadoop102 ~]$ sudo chown lvxiaoyi:lvxiaoyi -R /opt/module
1. 在 hadoop102 上，将 hadoop102 中/opt/module/jdk1.8.0_212 目录拷贝到hadoop103 上。
  1
  2
  3
  [lvxiaoyi@hadoop102 ~]$ scp -r /opt/module/jdk1.8.0_212
  
  lvxiaoyi@hadoop103:/opt/module
2. 在 hadoop103 上，将 hadoop102 中/opt/module/hadoop-3.1.3 目录拷贝到hadoop103 上。
  1
  [lvxiaoyi@hadoop103 ~]$ scp -r lvxiaoyi@hadoop102:/opt/module/hadoop-3.1.3 /opt/module/
3. 在 hadoop103 上操作，将 hadoop102 中/opt/module 目录下所有目录拷贝到hadoop104 上。
  1
  [lvxiaoyi@hadoop103 opt]$ scp -r lvxiaoyi@hadoop102:/opt/module/*lvxiaoyi@hadoop104:/opt/module

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。

基本语法

1 2	rsync -av $pdir/$fname $user@$host:$pdir/$fname 命令选项参数要拷贝的文件路径/名称目的地用户@主机:目的地路径/名称

选项参数说明

选项	功能
-a	归档拷贝
-v	显示复制过程

案例实操

删除 hadoop103 中/opt/module/hadoop-3.1.3/wcinput
1
[lvxiaoyi@hadoop103 hadoop-3.1.3]$ rm -rf wcinput/

）同步 hadoop102 中的/opt/module/hadoop-3.1.3 到 hadoop103

1	[lvxiaoyi@hadoop102 module]$ rsync -av hadoop-3.1.3/ lvxiaoyi@hadoop103:/opt/module/hadoop-3.1.3/

xsync 集群分发脚本

需求分析：

rsync 命令原始拷贝

1	rsync -av /opt/module lvxiaoyi@hadoop103:/opt/

期望脚本

xsync 要同步的文件名称

期望脚本在任何路径都能使用（脚本放在声明了全局环境变量的路径）

1 2	[lvxiaoyi@hadoop102 ~]$ echo $PATH /usr/local/bin:/usr/bin:/usr/local/sbin:/usr/sbin:/home/lvxiaoyi/.local/bin:/home/lvxiaoyi/bin:/opt/module/jdk1.8.0_212/bin

脚本实现

在/home/lvxiaoyi/bin 目录下创建 xsync 文件

[lvxiaoyi@hadoop102 opt]$ cd /home/lvxiaoyi
[lvxiaoyi@hadoop102 ~]$ mkdir bin
[lvxiaoyi@hadoop102 ~]$ cd bin
[lvxiaoyi@hadoop102 bin]$ vim xsync

在该文件中编写如下代码

#!/bin/bash

#1. 判断参数个数
if [ $# -lt 1 ]
then
    echo Not Enough Arguement!
    exit;
fi

#2. 遍历集群所有机器
for host in hadoop102 hadoop103 hadoop104
do
    echo ====================  $host  ====================
    #3. 遍历所有目录，挨个发送

    for file in $@
    do
        #4. 判断文件是否存在
        if [ -e $file ]
            then
                #5. 获取父目录
                pdir=$(cd -P $(dirname $file); pwd)

                #6. 获取当前文件的名称
                fname=$(basename $file)
                ssh $host "mkdir -p $pdir"
                rsync -av $pdir/$fname $host:$pdir
            else
                echo $file does not exists!
        fi
    done
done

修改脚本 xsync 具有执行权限

1	[lvxiaoyi@hadoop102 bin]$ chmod +x xsync

测试脚本

1	[lvxiaoyi@hadoop102 ~]$ xsync /home/lvxiaoyi/bin

将脚本复制到/bin中，以便全局调用

1	[lvxiaoyi@hadoop102 bin]$ sudo cp xsync /bin/

同步环境变量配置（root所有者）

1	[lvxiaoyi@hadoop102 ~]$ sudo ./bin/xsync /etc/profile.d/my_env.sh

让环境变量生效

1 2	[lvxiaoyi@hadoop103 bin]$ source /etc/profile [lvxiaoyi@hadoop104 opt]$ source /etc/profile

`SSH`无密登录配置

配置ssh

基本语法

ssh另一台电脑的IP地址
sh连接时出现Host key verification failed的解决方法
1
[lvxiaoyi@hadoop102 ~]$ ssh hadoop103
如果出现如下内容
1
Are you sure you want to continue connecting (yes/no)?
输入yes，并回车
退回到hadoop102
1
[lvxiaoyi@hadoop103 ~]$ exit

无密钥配置

免密登录原理

这个视频是讲解是错误的，正确的流程应该是下面的
1. 在A上生成公钥私钥。
2. 将公钥拷贝给server B，要重命名成authorized_keys(从英文名就知道含义了)
3. Server A向Server B发送一个连接请求。
4. Server B得到Server A的信息后，==在authorized_key中查找==，==如果有相应的用户名和IP，则随机生成一个字符串==，并用Server A的公钥加密，发送给Server A。
5. ==Server A得到Server B发来的消息后，使用私钥进行解密，然后将解密后的字符串发送给Server B==。Server B进行和生成的对比，如果一致，则允许免登录
总之：A要免密码登录到B，B首先要拥有A的公钥，然后B要做一次加密验证。对于非对称加密，公钥加密的密文不能公钥解开，只能私钥解开。
生成公钥和私钥
1
[lvxiaoyi@hadoop102 .ssh]$ ssh-keygen -t rsa
然后敲（三个回车），就会生成两个文件id_rsa（私钥）、id_rsa.pub（公钥）
将公钥拷贝到要免密登录的目标机器上
1
2
3
[lvxiaoyi@hadoop102 .ssh]$ ssh-copy-id hadoop102
[lvxiaoyi@hadoop102 .ssh]$ ssh-copy-id hadoop103
[lvxiaoyi@hadoop102 .ssh]$ ssh-copy-id hadoop104
注意：

还需要在hadoop103上采用lvxiaoyi账号配置一下无密登录到hadoop102、hadoop103、hadoop104服务器上。

还需要在hadoop104上采用lvxiaoyi账号配置一下无密登录到hadoop102、hadoop103、hadoop104服务器上。

还需要在hadoop102上采用root账号，配置一下无密登录到hadoop102、hadoop103、hadoop104；
（~/.ssh）的文件功能解释

known_hosts 记录ssh访问过计算机的公钥（public key）

id_rsa 生成的私钥

id_rsa.pub 生成的公钥

authorized_keys 存放授权过的无密登录服务器公钥

集群配置

集群部署规划

==注意：==

NameNode和SecondaryNameNode不要安装在同一台服务器
ResourceManager也很消耗内存，不要和NameNode、SecondaryNameNode配置在同一台机器上。

	hadoop102	hadoop103	hadoop104
HDFS	NameNodeDataNode	DataNode	SecondaryNameNodeDataNode
YARN	NodeManager	ResourceManagerNodeManager	NodeManager

配置文件说明

Hadoop配置文件分两类：默认配置文件和自定义配置文件，只有用户想修改某一默认配置值时，才需要修改自定义配置文件，更改相应属性值。

默认配置文件：

要获取的默认文件	文件存放在Hadoop的jar包中的位置
[core-default.xml]	hadoop-common-3.1.3.jar/core-default.xml
[hdfs-default.xml]	hadoop-hdfs-3.1.3.jar/hdfs-default.xml
[yarn-default.xml]	hadoop-yarn-common-3.1.3.jar/yarn-default.xml
[mapred-default.xml]	hadoop-mapreduce-client-core-3.1.3.jar/mapred-default.xml

自定义配置文件：

core-site.xml、hdfs-site.xml、yarn-site.xml、mapred-site.xml四个配置文件存放在$HADOOP_HOME/etc/hadoop这个路径上，用户可以根据项目需求重新进行修改配置。

配置集群

核心配置文件

配置core-site.xml

1 2	[lvxiaoyi@hadoop102 ~]$ cd $HADOOP_HOME/etc/hadoop [lvxiaoyi@hadoop102 hadoop]$ vim core-site.xml

文件内容如下：

<?xml version="1.0" encoding="UTF-8"?>
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>

<configuration>
    <!-- 指定NameNode的地址 -->
    <property>
        <name>fs.defaultFS</name>
        <value>hdfs://hadoop102:8020</value>
    </property>

    <!-- 指定hadoop数据的存储目录 -->
    <property>
        <name>hadoop.tmp.dir</name>
        <value>/opt/module/hadoop-3.1.3/data</value>
    </property>

    <!-- 配置HDFS网页登录使用的静态用户为lvxiaoyi -->
    <property>
        <name>hadoop.http.staticuser.user</name>
        <value>lvxiaoyi</value>
    </property>
</configuration>

HDFS配置文件

配置hdfs-site.xml

1	[lvxiaoyi@hadoop102 hadoop]$ vim hdfs-site.xml

文件内容如下：

<?xml version="1.0" encoding="UTF-8"?>
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>

<configuration>
	<!-- nn web端访问地址-->
	<property>
        <name>dfs.namenode.http-address</name>
        <value>hadoop102:9870</value>
    </property>
	<!-- 2nn web端访问地址-->
    <property>
        <name>dfs.namenode.secondary.http-address</name>
        <value>hadoop104:9868</value>
    </property>
</configuration>

YARN配置文件

配置yarn-site.xml

1	[lvxiaoyi@hadoop102 hadoop]$ vim yarn-site.xml

文件内容如下：

<?xml version="1.0" encoding="UTF-8"?>
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>

<configuration>
    <!-- 指定MR走shuffle -->
    <property>
        <name>yarn.nodemanager.aux-services</name>
        <value>mapreduce_shuffle</value>
    </property>

    <!-- 指定ResourceManager的地址-->
    <property>
        <name>yarn.resourcemanager.hostname</name>
        <value>hadoop103</value>
    </property>

    <!-- 环境变量的继承 -->
    <property>
        <name>yarn.nodemanager.env-whitelist</name>
        <value>JAVA_HOME,HADOOP_COMMON_HOME,HADOOP_HDFS_HOME,HADOOP_CONF_DIR,CLASSPATH_PREPEND_DISTCACHE,HADOOP_YARN_HOME,HADOOP_MAPRED_HOME</value>
    </property>
</configuration>

MapReduce配置文件

配置mapred-site.xml

1	[lvxiaoyi@hadoop102 hadoop]$ vim mapred-site.xml

文件内容如下：

<?xml version="1.0" encoding="UTF-8"?>
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>

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

分配配置

在集群上分发配置好的Hadoop配置文件

1	[lvxiaoyi@hadoop102 hadoop]$ xsync /opt/module/hadoop-3.1.3/etc/hadoop/

去103和104上查看文件分发情况

1 2	[lvxiaoyi@hadoop103 ~]$ cat /opt/module/hadoop-3.1.3/etc/hadoop/core-site.xml [lvxiaoyi@hadoop104 ~]$ cat /opt/module/hadoop-3.1.3/etc/hadoop/core-site.xml

群起集群

配置workers

1	[lvxiaoyi@hadoop102 hadoop]$ vim /opt/module/hadoop-3.1.3/etc/hadoop/workers

在该文件中增加如下内容：

1
2
3

hadoop102
hadoop103
hadoop104

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。

同步所有节点配置文件：

1	[lvxiaoyi@hadoop102 hadoop]$ xsync /opt/module/hadoop-3.1.3/etc

启动集群

如果集群是第一次启动，需要在hadoop102节点格式化NameNode（注意：格式化NameNode，会产生新的集群id，导致NameNode和DataNode的集群id不一致，集群找不到已往数据。如果集群在运行过程中报错，需要重新格式化NameNode的话，一定要先停止namenode和datanode进程，并且要删除所有机器的data和logs目录，然后再进行格式化。）
1
[lvxiaoyi@hadoop102 hadoop-3.1.3]$ hdfs namenode -format

启动HDFS

1	[lvxiaoyi@hadoop102 hadoop-3.1.3]$ sbin/start-dfs.sh

在配置了ResourceManager的节点（hadoop103）启动YARN
1
[lvxiaoyi@hadoop103 hadoop-3.1.3]$ sbin/start-yarn.sh
Web端查看HDFS的NameNode

浏览器中输入：http://hadoop102:9870

查看HDFS上存储的数据信息
Web端查看YARN的ResourceManager

浏览器中输入：http://hadoop103:8088

查看YARN上运行的Job信息

集群基本测试

上传文件到集群

上传小文件

1 2	[lvxiaoyi@hadoop102 ~]$ hadoop fs -mkdir /input [lvxiaoyi@hadoop102 ~]$ hadoop fs -put $HADOOP_HOME/wcinput/word.txt /input

上传大文件

1	[lvxiaoyi@hadoop102 ~]$ hadoop fs -put /opt/software/jdk-8u212-linux-x64.tar.gz /

上传文件后查看文件存放在什么位置

查看HDFS文件存储路径

1 2	[lvxiaoyi@hadoop102 subdir0]$ pwd /opt/module/hadoop-3.1.3/data/dfs/data/current/BP-1436128598-192.168.10.102-1610603650062/current/finalized/subdir0/subdir0

查看HDFS在磁盘存储文件内容

[lvxiaoyi@hadoop102 subdir0]$ cat blk_1073741825
hadoop yarn
hadoop mapreduce 
lvxiaoyi
lvxiaoyi

拼接

-rw-rw-r--. 1 lvxiaoyi lvxiaoyi 134217728 5月  23 16:01 blk_1073741836
-rw-rw-r--. 1 lvxiaoyi lvxiaoyi   1048583 5月  23 16:01 blk_1073741836_1012.meta
-rw-rw-r--. 1 lvxiaoyi lvxiaoyi  63439959 5月  23 16:01 blk_1073741837
-rw-rw-r--. 1 lvxiaoyi lvxiaoyi    495635 5月  23 16:01 blk_1073741837_1013.meta

[lvxiaoyi@hadoop102 subdir0]$ cat blk_1073741836>>tmp.tar.gz
[lvxiaoyi@hadoop102 subdir0]$ cat blk_1073741837>>tmp.tar.gz
[lvxiaoyi@hadoop102 subdir0]$ tar -zxvf tmp.tar.gz

下载

1	[lvxiaoyi@hadoop104 software]$ hadoop fs -get /jdk-8u212-linux-x64.tar.gz ./

执行wordcount程序

1	[lvxiaoyi@hadoop102 hadoop-3.1.3]$ hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-3.1.3.jar wordcount /input /output

配置历史服务器

为了查看程序的历史运行情况，需要配置一下历史服务器。具体配置步骤如下：

配置mapred-site.xml

1	[lvxiaoyi@hadoop102 hadoop]$ vim 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>hadoop102:10020</value>
</property>
   
<!-- 历史服务器web端地址 -->
<property>
    <name>mapreduce.jobhistory.webapp.address</name>
    <value>hadoop102:19888</value>
</property>

分发配置

1	[lvxiaoyi@hadoop102 hadoop]$ xsync $HADOOP_HOME/etc/hadoop/mapred-site.xml

在hadoop102启动历史服务器

1	[lvxiaoyi@hadoop102 hadoop]$ mapred --daemon start historyserver

查看历史服务器是否启动
1
[lvxiaoyi@hadoop102 hadoop]$ jps
查看JobHistory

http://hadoop102:19888/jobhistory

配置日志的聚集

日志聚集概念：应用运行完成以后，将程序运行日志信息上传到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HistoryServer。

开启日志聚集功能具体步骤如下：

配置yarn-site.xml

1	[lvxiaoyi@hadoop102 hadoop]$ vim yarn-site.xml

在该文件里面增加如下配置

<!-- 开启日志聚集功能 -->
<property>
    <name>yarn.log-aggregation-enable</name>
    <value>true</value>
</property>
<!-- 设置日志聚集服务器地址 -->
<property>  
    <name>yarn.log.server.url</name>  
    <value>http://hadoop102:19888/jobhistory/logs</value>
</property>
<!-- 设置日志保留时间为7天 -->
<property>
    <name>yarn.log-aggregation.retain-seconds</name>
    <value>604800</value>
</property>

分发配置

1	[lvxiaoyi@hadoop102 hadoop]$ xsync $HADOOP_HOME/etc/hadoop/yarn-site.xml

关闭NodeManager 、ResourceManager和HistoryServer

1 2	[lvxiaoyi@hadoop103 hadoop-3.1.3]$ sbin/stop-yarn.sh [lvxiaoyi@hadoop103 hadoop-3.1.3]$ mapred --daemon stop historyserver

启动NodeManager 、ResourceManage和HistoryServer

1	[lvxiaoyi@hadoop102 ~]$ mapred --daemon start historyserver

删除HDFS上已经存在的输出文件

1	[lvxiaoyi@hadoop102 ~]$ hadoop fs -rm -r /output

执行WordCount程序

1	[lvxiaoyi@hadoop102 hadoop-3.1.3]$ hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-3.1.3.jar wordcount /input /output

查看日志
1. 历史服务器地址
  
  http://hadoop102:19888/jobhistory
2. 历史任务列表
3. 查看任务运行日志
4. 运行日志详情

集群启动/停止方式总结

各个模块分开启动停止（配置ssh是前提）常用

整体启动/停止HDFS
1
start-dfs.sh/stop-dfs.sh
整体启动/停止YARN
1
start-yarn.sh/stop-yarn.sh

各个服务组件逐一启动停止

分别启动/停止HDFS组件

1	hdfs --daemon start/stop namenode/datanode/secondarynamenode

启动/停止YARN

1	yarn --daemon start/stop resourcemanager/nodemanager

编写Hadoop集群常用脚本

Hadoop集群启停脚本（包含HDFS，Yarn，Historyserver）：myhadoop.sh

1 2	[lvxiaoyi@hadoop102 ~]$ cd /home/lvxiaoyi/bin [lvxiaoyi@hadoop102 bin]$ vim myhadoop.sh

输入如下内容

#!/bin/bash

if [ $# -lt 1 ]
then
    echo "No Args Input..."
    exit ;
fi

case $1 in
"start")
        echo " =================== 启动 hadoop集群 ==================="

        echo " --------------- 启动 hdfs ---------------"
        ssh hadoop102 "/opt/module/hadoop-3.1.3/sbin/start-dfs.sh"
        echo " --------------- 启动 yarn ---------------"
        ssh hadoop103 "/opt/module/hadoop-3.1.3/sbin/start-yarn.sh"
        echo " --------------- 启动 historyserver ---------------"
        ssh hadoop102 "/opt/module/hadoop-3.1.3/bin/mapred --daemon start historyserver"
;;
"stop")
        echo " =================== 关闭 hadoop集群 ==================="

        echo " --------------- 关闭 historyserver ---------------"
        ssh hadoop102 "/opt/module/hadoop-3.1.3/bin/mapred --daemon stop historyserver"
        echo " --------------- 关闭 yarn ---------------"
        ssh hadoop103 "/opt/module/hadoop-3.1.3/sbin/stop-yarn.sh"
        echo " --------------- 关闭 hdfs ---------------"
        ssh hadoop102 "/opt/module/hadoop-3.1.3/sbin/stop-dfs.sh"
;;
*)
    echo "Input Args Error..."
;;
esac

保存后退出，然后赋予脚本执行权限

1	[lvxiaoyi@hadoop102 bin]$ chmod +x myhadoop.sh

查看三台服务器Java进程脚本：jpsall

1 2	[lvxiaoyi@hadoop102 ~]$ cd /home/lvxiaoyi/bin [lvxiaoyi@hadoop102 bin]$ vim jpsall

输入如下内容

#!/bin/bash

for host in hadoop102 hadoop103 hadoop104
do
        echo =============== $host ===============
        ssh $host jps 
done

保存后退出，然后赋予脚本执行权限

1	[lvxiaoyi@hadoop102 bin]$ chmod +x jpsall

分发/home/lvxiaoyi/bin目录，保证自定义脚本在三台机器上都可以使用
1
[lvxiaoyi@hadoop102 ~]$ xsync /home/lvxiaoyi/bin/

常用端口号说明

端口名称	Hadoop2.x	Hadoop3.x
NameNode内部通信端口	8020 / 9000	8020 / 9000/9820
NameNode HTTP UI	50070	9870
MapReduce查看执行任务端口	8088	8088
历史服务器通信端口	19888	19888

3.0中slaves替换为workers

集群时间同步

如果服务器在公网环境（能连接外网），可以不采用集群时间同步，因为服务器会定期和公网时间进行校准；

如果服务器在内网环境，必须要配置集群时间同步，否则时间久了，会产生时间偏差，导致集群执行任务时间不同步。

需求

找一个机器，作为时间服务器，所有的机器与这台集群时间进行定时的同步，生产环境根据任务对时间的准确程度要求周期同步。测试环境为了尽快看到效果，采用1分钟同步一次。

时间服务器配置（必须root用户）

查看所有节点ntpd服务状态和开机自启动状态

1
2
3

[lvxiaoyi@hadoop102 ~]$ sudo systemctl status ntpd
[lvxiaoyi@hadoop102 ~]$ sudo systemctl start ntpd
[lvxiaoyi@hadoop102 ~]$ sudo systemctl is-enabled ntpd

修改hadoop102的ntp.conf配置文件

1	[lvxiaoyi@hadoop102 ~]$ sudo vim /etc/ntp.conf

修改内容如下

修改1（授权192.168.10.0-192.168.10.255网段上的所有机器可以从这台机器上查询和同步时间）

1 2	#restrict 192.168.10.0 mask 255.255.255.0 nomodify notrap 为restrict 192.168.10.0 mask 255.255.255.0 nomodify notrap

修改2（集群在局域网中，不使用其他互联网上的时间）

server 0.centos.pool.ntp.org iburst
server 1.centos.pool.ntp.org iburst
server 2.centos.pool.ntp.org iburst
server 3.centos.pool.ntp.org iburst

为
#server 0.centos.pool.ntp.org iburst
#server 1.centos.pool.ntp.org iburst
#server 2.centos.pool.ntp.org iburst
#server 3.centos.pool.ntp.org iburst

添加3（当该节点丢失网络连接，依然可以采用本地时间作为时间服务器为集群中的其他节点提供时间同步）

1 2	server 127.127.1.0 fudge 127.127.1.0 stratum 10

修改hadoop102的/etc/sysconfig/ntpd 文件
1
[lvxiaoyi@hadoop102 ~]$ sudo vim /etc/sysconfig/ntpd
增加内容如下（让硬件时间与系统时间一起同步）
1
SYNC_HWCLOCK=yes

重新启动ntpd服务

1	[lvxiaoyi@hadoop102 ~]$ sudo systemctl start ntpd

设置ntpd服务开机启动

1	[lvxiaoyi@hadoop102 ~]$ sudo systemctl enable ntpd

其他机器配置（必须root用户）

关闭所有节点上ntp服务和自启动

[lvxiaoyi@hadoop103 ~]$ sudo systemctl stop ntpd
[lvxiaoyi@hadoop103 ~]$ sudo systemctl disable ntpd
[lvxiaoyi@hadoop104 ~]$ sudo systemctl stop ntpd
[lvxiaoyi@hadoop104 ~]$ sudo systemctl disable ntpd

在其他机器配置1分钟与时间服务器同步一次.
1
[lvxiaoyi@hadoop103 ~]$ sudo crontab -e
编写定时任务如下：
1
*/1 * * * * /usr/sbin/ntpdate hadoop102

修改任意机器时间

1	[lvxiaoyi@hadoop103 ~]$ sudo date -s "2021-9-11 11:11:11"

1分钟后查看机器是否与时间服务器同步
1
[lvxiaoyi@hadoop103 ~]$ sudo date

常见问题

防火墙没关闭、或者没有启动YARN

INFO client.RMProxy: Connecting to ResourceManager at hadoop108/192.168.10.108:8032*
主机名称配置错误
IP地址配置错误
ssh没有配置好
root用户和lvxiaoyi两个用户启动集群不统一
配置文件修改不细心

不识别主机名称

java.net.UnknownHostException: hadoop102: hadoop102
        at java.net.InetAddress.getLocalHost(InetAddress.java:1475)
        at org.apache.hadoop.mapreduce.JobSubmitter.submitJobInternal(JobSubmitter.java:146)
        at org.apache.hadoop.mapreduce.Job$10.run(Job.java:1290)
        at org.apache.hadoop.mapreduce.Job$10.run(Job.java:1287)
        at java.security.AccessController.doPrivileged(Native Method)
at javax.security.auth.Subject.doAs(Subject.java:415)

解决办法：

在/etc/hosts文件中添加192.168.10.102 hadoop102
主机名称不要起hadoop hadoop000等特殊名称
DataNode和NameNode进程同时只能工作一个。

执行命令不生效，粘贴Word中命令时，遇到-和长–没区分开。导致命令失效

解决办法：尽量不要粘贴Word中代码。
jps发现进程已经没有，但是重新启动集群，提示进程已经开启。

原因是在Linux的根目录下/tmp目录中存在启动的进程临时文件，将集群相关进程删除掉，再重新启动集群。
jps不生效

原因：全局变量hadoop java没有生效。解决办法：需要source /etc/profile文件。
8088端口连接不上

1	[lvxiaoyi@hadoop102 桌面]$ cat /etc/hosts

注释掉如下代码

1
2
3

#127.0.0.1  localhost localhost.localdomain localhost4 localhost4.localdomain4

#::1     hadoop102

known_hosts	记录ssh访问过计算机的公钥（public key）
id_rsa	生成的私钥
id_rsa.pub	生成的公钥
authorized_keys	存放授权过的无密登录服务器公钥

hadoop基础-1

概述

发展

是什么

发展历史

三大版本

优势

hadoop组成

HDFS架构概述

组成

YARN概述

MapReduce 架构概述

HDFS、YARN、MapReduce 三者关系

大数据技术生态体系

系统框架图

hadoop环境搭建

模板虚拟机环境准备

安装模板虚拟机

hadoop100 虚拟机配置

关闭防火墙

创建 lvxiaoyi 用户

设置权限

创建软件存放位置

卸载自带jdk

重启

克隆虚拟机

克隆

修改ip

修改克隆主机名

安装 JDK

卸载现有 JDK

传输jdk文件

解压

配置 JDK 环境变量

测试jdk

安装 Hadoop

传输hadoop

解压

添加环境变量

hadoop运行模式

本地运行模式

完全分布式运行模式

编写脚本

scp（secure copy）安全拷贝

rsync 远程同步工具

xsync 集群分发脚本

SSH无密登录配置

配置ssh

无密钥配置

集群配置

集群部署规划

配置文件说明

配置集群

分配配置

群起集群

配置workers

启动集群

集群基本测试

配置历史服务器

配置日志的聚集

集群启动/停止方式总结

编写Hadoop集群常用脚本

常用端口号说明

集群时间同步

常见问题

`SSH`无密登录配置