hadoop生态圈（一）：hadoop集群的搭建

目录

1 hadoop概述

1.1 hadoop是什么

1.2 hadoop的组成

1.2.1 hdfs架构概述

1.2.2 YARN概述

1.2.3 MapReduce架构概述

1.3 大数据生态体系

1.4 推荐系统架构图

2  Hadoop集群搭建

2.1 虚拟机环境准备

2.2 安装jdk和hadoop

2.3 集群配置

3 集群启动

3.1 集群单点启动

3.2 SSH无密登陆设置

3.3 集群一键启动/停止方式

4  测试

          4.1启动集群

4.2 集群基本测试

4.3 集群时间同步

4.3.1 时间服务器配置（必须是root用户）

4.3.2 其他机器配置（root用户）

---

1 hadoop概述

1.1 hadoop是什么

1. Hadoop是一个由Apache基金会所开发的分布式系统基础架构
   1. 集群：多个机器共同完成一件事
   2. 分布式：多个机器共同完成一件事，然后不同机器作用不同，各司其职
   3. 集群不一定是分布式，分布式一定是集群
2. 主要解决，海量数据的存储和海量数据的分析计算问题。
3. 广义上来说，HADOOP通常是指一个更广泛的概念——HADOOP生态圈

1.2 hadoop的组成

1. Hadoop HDFS：（hadoop distribute file system ）一个高可靠、高吞吐量的分布式文件系统。
2. Hadoop MapReduce：一个分布式的离线并行计算框架。
3. Hadoop YARN：作业调度与集群资源管理的框架。
4. Hadoop Common：支持其他模块的工具模块（Configuration、RPC、序列化机制、日志操作）。

1.2.1 hdfs架构概述

 

1.2.2 YARN概述

1. ResourceManager(rm)：处理客户端请求、启动/监控ApplicationMaster、监控NodeManager、资源分配与调度；
2. NodeManager(nm)：单个节点上的资源管理、处理来自ResourceManager的命令、处理来自ApplicationMaster的命令；
3. ApplicationMaster：数据切分、为应用程序申请资源，并分配给内部任务、任务监控与容错。
4. Container：对任务运行环境的抽象，封装了CPU、内存等多维资源以及环境变量、启动命令等任务运行相关的信息。

1.2.3 MapReduce架构概述

MapReduce将计算过程分为两个阶段：Map（映射）和Reduce（归约）

1. Map阶段并行处理输入数据
2. Reduce阶段对Map结果进行汇总

 

1.3 大数据生态体系

图中涉及的技术名词解释如下：

1. 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。
2. Flume：Flume是Cloudera提供的一个高可用的，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；同时，Flume提供对数据进行简单处理，并写到各种数据接受方（可定制）的能力。
3. Kafka：Kafka是一种高吞吐量的分布式发布订阅消息系统，有如下特性：
   1. 通过O(1)的磁盘数据结构提供消息的持久化，这种结构对于即使数以TB的消息存储也能够保持长时间的稳定性能。
   2. 高吞吐量：即使是非常普通的硬件Kafka也可以支持每秒数百万的消息
   3. 支持通过Kafka服务器和消费机集群来分区消息。
   4. 支持Hadoop并行数据加载。
4. Storm：Storm为分布式实时计算提供了一组通用原语，可被用于“流处理”之中，实时处理消息并更新数据库。这是管理队列及工作者集群的另一种方式。 Storm也可被用于“连续计算”（continuous computation），对数据流做连续查询，在计算时就将结果以流的形式输出给用户。
5. 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。
6. Oozie：Oozie是一个管理Hdoop作业（job）的工作流程调度管理系统。Oozie协调作业就是通过时间（频率）和有效数据触发当前的Oozie工作流程。
7. 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。
8. 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。
9. R语言：R是用于统计分析、绘图的语言和操作环境。R是属于GNU系统的一个自由、免费、源代码开放的软件，它是一个用于统计计算和统计制图的优秀工具。
10. Mahout:
    1. Apache Mahout是个可扩展的机器学习和数据挖掘库，当前Mahout支持主要的4个用例：
    2. 推荐挖掘：搜集用户动作并以此给用户推荐可能喜欢的事物。
    3. 聚集：收集文件并进行相关文件分组。
    4. 分类：从现有的分类文档中学习，寻找文档中的相似特征，并为无标签的文档进行正确的归类。
    5. 频繁项集挖掘：将一组项分组，并识别哪些个别项会经常一起出现。
11. ZooKeeper：Zookeeper是Google的Chubby一个开源的实现。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。ZooKeeper的目标就是封装好复杂易出错的关键服务，将简单易用的接口和性能高效、功能稳定的系统提供给用户。

1.4 推荐系统架构图

 

2  Hadoop集群搭建

安装所需要的软件链接：请点这里；提取码：i431 

也可以去官网自行下载

2.1 虚拟机环境准备

• 三台虚拟机
• 修改主机名 /etc/sysconfig/network    sync然后重启

主机名分别为：hadoop101；hadoop102；hadoop103；

• 修改克隆虚拟机的静态ip,分别为：

IP分别为：192.168.1.101；192.168.1.102；192.168.1.103

• 配置主机名和IP的映射关系（便于使用主机名访问虚拟机）

[root@ hadoop101桌面]# vim /etc/hosts

添加如下内容

192.168.1.101 hadoop101

192.168.1.102 hadoop102

192.168.1.103 hadoop103

• 关闭防火墙 service iptables stop；chkconfig iptables off
• 在各个机器上使用root用户在/opt目录下创建module、software文件夹

2.2 安装jdk和hadoop

安装测略：现在一台节点上配置，然后通过命令发送到另外两台节点上

1. 卸载现有的jdk

查询是否安装jdk，如果版本低于1.7，卸载该jdk

[root@hadoop101 opt]$ rpm -qa | grep java

[root@hadoop101 opt]$  rpm -e 软件包

2. 将jdk和hadoop上传到/opt/software目录下

3.在Linux系统目录下查看是否上传成功

[root@hadoop101 opt]$ cd software/

[root@hadoop101 software]$ ls

hadoop-2.7.2.tar.gz  jdk-8u144-linux-x64.tar.gz

4. 解压jdk和hadoop到/opt/module目录

[root@hadoop101 software]$ tar -zxvf jdk-8u144-linux-x64.tar.gz -C /opt/module/

[root@hadoop101 software]# tar -zxvf hadoop-2.7.2.tar.gz -C /opt/module/

5.配置jdk和hadoop的环境变量

打开/etc/profile文件，在最后添加下列内容

[root@hadoop101 software]$  vi /etc/profile

#JAVA_HOME

export JAVA_HOME=/opt/module/jdk1.8.0_144

export PATH=$PATH:$JAVA_HOME/bin

#HADOOP_HOME

export HADOOP_HOME=/opt/module/hadoop-2.7.2

export PATH=$PATH:$HADOOP_HOME/bin

保存退出    :wq

让配置文件重新生效

[root@ hadoop101 software]$ source /etc/profile

6.测试是否安装成功

[root@hadoop101 ~]# java -version

java version "1.8.0_144"

[root @hadoop101 ~]$ hadoop version

Hadoop 2.7.2

7.重启（如果命令不成功再重启）

2.3 集群配置

1. 集群部署规划

	hadoop101	hadoop102	hadoop103
HDFS	NameNode DataNode	DataNode	SecondaryNameNode DataNode
YARN	NodeManager	ResourceManager NodeManager	NodeManager

2. 配置集群

1. 配置hadoop所使用的Java的环境变量：hadoop-env.sh

[root@hadoop101 hadoop]$ vim hadoop-env.sh

export JAVA_HOME=/opt/module/jdk1.8.0_144

 

2. 核心配置文件：core-site.xml（hdfs的核心配置文件）

[root@hadoop101 hadoop]$ vim core-site.xml

fs.defaultFS         hdfs://hadoop101:9000           hadoop.tmp.dir         /opt/module/hadoop-2.7.2/data/tmp

3. hdfs配置文件：hdfs-site.xml

[root@hadoop101 hadoop]$ vim hdfs-site.xml

dfs.replication         3   辅助namenode工作         dfs.namenode.secondary.http-address         hadoop103:50090

4. yarn配置文件

yarn-env.sh

[root@hadoop101 hadoop]$ vim yarn-env.sh

export JAVA_HOME=/opt/module/jdk1.8.0_144

 

yarn-site.xml

[root@hadoop101 hadoop]$ vim yarn-site.xml

yarn.nodemanager.aux-services          mapreduce_shuffle           yarn.resourcemanager.hostname         hadoop102

5. mapreduce配置文件

mapred-env.sh

[root@hadoop101 hadoop]$ vim mapred-env.sh

export JAVA_HOME=/opt/module/jdk1.8.0_144

 

mapred-site.xml

[root@hadoop101 hadoop]$ cp mapred-site.xml.template mapred-site.xml

[root@hadoop101 hadoop]$ vim mapred-site.xml

mapreduce.framework.name         yarn

3. 配置集群中从节点的信息

/opt/module/hadoop-2.7.2/etc/hadoop/slaves

[root@hadoop101 hadoop]$ vim slaves

hadoop101 hadoop102 hadoop103

4. 分发文件

scp：（secure copy）安全拷贝

①定义：scp可以实现服务器到服务器之间的数据拷贝。（from  server1  to  server2）

安装scp命令，这个需要每个节点都安装

yum  install -y openssh-server openssh-clients

②使用：将hadoop101中/opt/module/目录下的所有文件拷贝到hadoop102、hadoop103

[root@hadoop101 /]$ scp -r /opt/module/*  hadoop102:/opt/module

[root@hadoop101 /]$ scp -r /opt/module/*  hadoop103:/opt/module

5. 查看文件分发情况（验证一个即可）

[root@hadoop102 hadoop]$ cat /opt/module/hadoop-2.7.2/etc/hadoop/core-site.xml

3 集群启动

1. 单点启动（不建议使用该方式启动集群，假如某个节点挂掉了，可以使用这个单独启动）
2. 一键启动（建议使用，各个服务组件逐一启动，集群中某个进程挂掉使用这种方式重启）

3.1 集群单点启动

1. 如果集群是第一次启动，需要格式化NameNode（格式化只进行一次）

[root@hadoop101 hadoop-2.7.2]$ hadoop namenode -format

2. 在hadoop101上启动NameNode

[root@hadoop101 hadoop-2.7.2]$ sbin/hadoop-daemon.sh start namenode

[root@hadoop101 hadoop-2.7.2]$ jps

3461 NameNode

3. 在hadoop101、hadoop102、hadoop103上分别启动DataNode

[root@hadoop101 hadoop-2.7.2]$ sbin/hadoop-daemon.sh start datanode

[root@hadoop101 hadoop-2.7.2]$ jps

3461 NameNode

3608 Jps

3561 DataNode

[root@hadoop102 hadoop-2.7.2]$ sbin/hadoop-daemon.sh start datanode

[root@hadoop102 hadoop-2.7.2]$ jps

3190 DataNode

3279 Jps

[root@hadoop103 hadoop-2.7.2]$ sbin/hadoop-daemon.sh start datanode

[root@hadoop103 hadoop-2.7.2]$ jps

3237 Jps

3163 DataNode

3.2 SSH无密登陆设置

（一键启动的必备条件）

1. 配置ssh

        1. 基本语法： ssh  另一台主机的ip地址

如果提示command  not found，需要安装ssh服务

yum  install -y openssh-server openssh-clients

        2. ssh连接时出现Host key verification failed   直接输入yes即可

[root@hadoop101 opt] $ ssh hadoop102

The authenticity of host 'hadoop102(192.168.1.102)' can't be established.

RSA key fingerprint is cf:1e:de:d7:d0:4c:2d:98:60:b4:fd:ae:b1:2d:ad:06.

Are you sure you want to continue connecting (yes/no)?

Host key verification failed.

2. 无密钥配置

1. 免密登陆原理

 

1. A服务器通过ssh-key-gen生成密钥对
2. 将公钥(A)拷贝到其他的服务器上
3. 然后A服务器使用私钥(A)加密数据后发送到其他的服务器
4. 其他的服务器接受到数据后，在本机授权key中查找A的公钥，并解密数据
5. 数据处理完成后，使用公钥(A)将数据加密后返回给A服务器

2. 生成密钥对：

[root@hadoop101 .ssh]# pwd       //.ssh是一个隐藏的文件夹
/root/.ssh

[root@hadoop101 .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）

3. 将公钥拷贝到要免密登录的目标机器上

[root@hadoop101 .ssh]$ ssh-copy-id hadoop101

[root@hadoop101 .ssh]$ ssh-copy-id hadoop102

[root@hadoop101 .ssh]$ ssh-copy-id hadoop103

4.测试

[root@hadoop101 .ssh]# ssh hadoop102
Last login: Mon Apr  8 17:00:50 2019 from 192.168.1.1
[root@hadoop102 ~]# exit
logout
Connection to hadoop102 closed.

3. .ssh文件夹下（~/.ssh）的文件功能解释

1. known_hosts ：记录ssh访问过计算机的公钥(public key)
2. id_rsa ：生成的私钥
3. id_rsa.pub ：生成的公钥
4. authorized_keys ：存放授权过得无密登录服务器公钥

3.3 集群一键启动/停止方式

1. 各个服务组件逐一启动/停止

分别启动/停止hdfs组件

hadoop-daemon.sh  start|stop  namenode|datanode|secondarynamenode

启动/停止yarn

yarn-daemon.sh  start|stop  resourcemanager|nodemanager

2. 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（namenode节点启动，也就是hadoop101）

[root@hadoop101sbin]# ./start-dfs.sh 

[root@hadoop101 sbin]# ./start-dfs.sh 

整体启动/停止yarn（在resourceManager节点启动，也就是hadoop102）

[root@hadoop102 sbin]# ./start-yarn.sh 

[root@hadoop102 sbin]# ./stop-yarn.sh 

4  测试

4.1启动集群

1. 如果集群是第一次启动，需要格式化namenode，如果单点启动的时候已将格式化，就不需要格式化了！！

[root@hadoop101 hadoop-2.7.2]$ bin/hdfs namenode -format

2. 启动HDFS

[root@hadoop101 hadoop-2.7.2]$ sbin/start-dfs.sh

[root@hadoop101 hadoop-2.7.2]$ jps

4166 NameNode

4482 Jps

4263 DataNode

[root@hadoop101 hadoop-2.7.2]$ jps

3218 DataNode

3288 Jps

[root@hadoop101 hadoop-2.7.2]$ jps

3221 DataNode

3283 SecondaryNameNode

3364 Jps

启动之后查看hdfs的WEBUI界面：http://192.168.1.101:50070/

3. 启动yarn

[root@hadoop102 hadoop-2.7.2]$ sbin/start-yarn.sh

注意：NameNode和ResourceManger如果不是同一台机器，不能在NameNode上启动 yarn，应该在ResouceManager所在的机器上启动yarn。如果不在一台机器上,则ResourceManger所在机器也需要配置到其他机器的ssh免密登录

通过jps命令查看进程：

[root@hadoop101 .ssh]# jps
3584 NameNode
3718 DataNode
4872 NodeManager

[root@hadoop102 sbin]# jps
3441 DataNode
5162 NodeManager
5053 ResourceManager

[root@hadoop103 ~]# jps
3542 SecondaryNameNode
5095 NodeManager
3434 DataNode

Yarn的web页面查看地址：http://hadoop102:8088/

 

4. 查看SecondaryNameNode的WEBUI界面

 

4.2 集群基本测试

1. 上传文件到集群

上传小文件

[root@hadoop101 hadoop-2.7.2]# hadoop fs -mkdir  /upload                 //在hdfs上创建一个文件夹
[root@hadoop101 hadoop-2.7.2]# hadoop fs -put bigdata.txt /upload/

上传大文件

[root@hadoop101 software]# hadoop fs -put hadoop-2.7.2.tar.gz  /upload

2. 上传文件后查看文件存放的位置

查看HDFS文件存储位置

[root@hadoop101 subdir0]$ pwd

/opt/module/hadoop-2.7.2/data/tmp/dfs/data/current/BP-327200681-192.168.1.101-1551800072963/current/finalized/subdir0/subdir0

查看HDFS在磁盘存储的文件内容

[root@hadoop101 subdir0]$ cat blk_1073741825

hadoop yarn

hadoop mapreduce

拼接

-rw-rw-r--. 1 hadoop hadoop 134217728 4月 8  20:01 blk_1073741836

-rw-rw-r--. 1 hadoop hadoop 1048583 4月  8 20:01 blk_1073741836_1012.meta

-rw-rw-r--. 1 hadoop hadoop 63439959 4月  8 20:01 blk_1073741837

-rw-rw-r--. 1 hadoop hadoop 495635 4月  8 20:01 blk_1073741837_1013.meta

[root@hadoop101 subdir0]$ cat blk_1073741836>>tmp.file

[root@hadoop101 subdir0]$ cat blk_1073741837>>tmp.file

[root@hadoop101 subdir0]$ tar -zxvf tmp.file

下载

[root@hadoop101 hadoop-2.7.2]$ hadoop fs -get  /upload/hadoop-2.7.2.tar.gz  ./

4.3 集群时间同步

时间同步的方式：在集群中找一台机器，作为时间服务器，集群中其他机器与这台机器定时的同步时间，比如，每隔十分钟，同步一次时间。

4.3.1 时间服务器配置（必须是root用户）

1. 检查ntp是否安装，没有安装则使用  yum  install  ntp  -y   进行安装

[root@hadoop101 桌面]# rpm -qa|grep ntp

ntp-4.2.6p5-10.el6.centos.x86_64

fontpackages-filesystem-1.41-1.1.el6.noarch

ntpdate-4.2.6p5-10.el6.centos.x86_64

2. 修改net配置文件

[root@hadoop101 桌面]# vim /etc/ntp.conf

修改内容如下

a）修改1（授权192.168.1.0网段上的所有机器可以从这台机器上查询和同步时间）

#restrict 192.168.1.0 mask 255.255.255.0 nomodify notrap为

restrict 192.168.1.0 mask 255.255.255.0 nomodify notrap

b）修改2（集群在局域网中，不使用其他的网络时间）

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

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

server 127.127.1.0

fudge 127.127.1.0 stratum 10

3. 修改/etc/sysconfig/ntpd 文件

[root@hadoop101 桌面]# vim /etc/sysconfig/ntpd

增加内容如下（让硬件时间与系统时间一起同步）

SYNC_HWCLOCK=yes

4. 重新启动ntpd

[root@hadoop101 桌面]# service ntpd status

ntpd 已停

[root@hadoop101 桌面]# service ntpd start

正在启动 ntpd：                                            [确定]

5. 执行：

[root@hadoop101 桌面]# chkconfig ntpd on

4.3.2 其他机器配置（root用户）

1. 在其他机器配置10分钟与时间服务器同步一次

[root@hadoop102 hadoop-2.7.2]# crontab -e

编写脚本

*/10 * * * * /usr/sbin/ntpdate hadoop101

2. 修改任意机器时间

[root@hadoop102 root]# date -s "2017-9-11 11:11:11"

3. 十分钟后查看机器是否与时间服务器同步

[root@hadoop102 root]# date