Hadoop组件学习(一) —— 单点与集群的配置

一、Hadoop核心组件

    1.分布式文件存储系统HDFS(Hadoop Distributed File System)

    2.资源管理系统YARN(Yet Another Resource Negotiator)

    3.分布式计算框架MapReduce

二、Hadoop安装

    支持平台 ： Windows也是受支持的平台，但以下步骤仅适用于Linux

    Linux所需要的软件包括

        1. 必须安装java，Hadoop的2.7版(含2.7)和更高版本需要Java7，早期版本(2.6和更早版本)支持Java6

        2. 如果要使用可选的启动和停止脚本，则必须安装ssh且sshd必须运行才能使用Hadoop脚本远程管理Hadoop守护进程。另外，建议也安装pdsh以便更好地进行ssh资源管理

    下载地址 ： 要获得Hadoop发行版，请从Apache下载镜像，下载最新的稳定版本。

    单节点安装

    1. 解压缩下载的hadoop发行版，在发行版中，编辑文件etc/hadoop/hadoop-env.sh,如下

#设置java安装的根目录

export JAVA_HOME=/usr/local/jdk1.8.0_181

    2.编辑文件 etc/hadoop/core-site.xml

configuration>
    
        fs.defaultFS
        hdfs://localhost:9000
    

    3.编辑文件 etc/hadoop/hdfs-site.xml

    
        dfs.replication
        1
    

    4.设置ssh免密码登录

       首先检查是否可以在没有密码的情况下SSH到本地主机

$ ssh localhost

        成功则显示

       若不可以ssh到本地主机，会提示输入密码，则执行以下命令

  $ ssh-keygen -t rsa -P''-f〜/ .ssh / id_rsa 
  $ cat〜/ .ssh / id_rsa.pub >>〜/ .ssh / authorized_keys 
  $ chmod 0600〜/ .ssh / authorized_keys

    5.运行服务

        首先，格式化文件系统：

 $ bin/hdfs namenode -format

       启动NameNode守护程序、DataNode守护程序、ResourceManager守护程序；

  $ sbin/start-dfs.sh
  $ sbim/start-yarn.sh

        浏览Web界面以查看NameNode 和 ResourceManager

        停止守护程序命令

  $ sbin/stop-dfs.sh
  $ sbin/stop-yarn.sh

    启动遇到的问题

    1.未配置core-site.xml文件

    2.未设置ssh时

     集群安装

      安装Hadoop集群通常涉及在集群中的所有计算机上解压缩软件，或通过适用与你的操作系统的打包组件进行安装。通常，将集群中的一台机器专门指定为NameNode，将另一台机器指定为ResourceManager。其他服务(例如Web App代理服务器和MapReduce作业历史服务器)通常根据负载在专门硬件或共享基础结构上运行，集群中的其余计算机同时充当DataNode和NodeManager。

     Hadoop的Java配置由两种重要的配置文件驱动

• 只读默认配置： core-default.xml, hdfs-default.xml, yarn-default.xml, mapred-default.xml.
• 特定于站点的配置：etc/hadoop/core-site.xml, etc/hadoop/hdfs-site.xml, etc/hadoop/yarn-site.xml, etc/hadoop/mapred-site.xml.

     要配置Hadoop集群，你将需要配置Hadoop守护程序执行的环境以及Hadoop守护程序的配置参数，HDFS守护程序是NameNode，SecondaryNameNode和DataNode；YARN守护程序是ResourceManager,NodeManager和WebAppProxy；如果要使用MapReduce，则MapReduce作业历史服务器也将运行。对于大型安装，它们通常在单独的主机上运行。

     Hadoop守护程序的配置环境

     在etc/hadoop/hadoop-env.sh以及可选的etc/hadoop/mapred-env.sh和etc/hadoop/yarn-env.sh文件中对环境进行自定义的配置，可自定义配置的有用参数如下：

        JAVA_HOME ：系统中jdk的根目录，必须指定

        HADOOP_PID_DIR ：守护程序的进程ID文件的存储目录

        HADOOP_LOG_DIR ：守护程序的日志文件存储目录，如果日志文件不存在，则会自动创建

        HADOOP_HEAPSIZE_MAX ：用于Java堆大小的最大内存量。如果不存在任何单位，则默认该数字以兆字节单位。可以使用下面列出的配置选项中的变量来覆盖此值，例如，设置HADOOP_HEAPSIZE_MAX = 1G 和 HADOOP_NAMENODE_OPTS="-Xmx5g" 将为NameNode配置5G的堆大小。

    在大多数情况下，应该配置HADOOP_PID_DIR和HADOOP_LOG_DIR参数，指定两者的目录。           

    也可以使用下表中显示的配置选项来配置各个守护程序

守护进程	环境变量
NameNode	HDFS_NAMENODE_OPTS
DataNode	HDFS_DATANODE_OPTS
Secondary NameNode	HDFS_SECONDARYNAMENODE_OPTS
ResourceManager	YARN_RESOURCEMANAGER_OPTS
NodeManager	YARN_NODEMANAGER_OPTS
WebAppProxy	YARN_PROXYSERVER_OPTS
Map Reduce Job History Server	MAPRED_HISTORYSERVER_OPTS

     例如，要将NameNode配置为使用parallelGC和4GB Java heap，则可以在hadoop-env.sh中添加以下语句

  export HDFS_NAMENODE_OPTS="-XX:+UseParallelGC -Xmx4g"

     在系统环境配置中配置HADOOP_HOME也是传统的做法，例如，在/etc/profile.d中做如下配置

  HADOOP_HOME=/path/to/hadoop
  export HADOOP_HOME

    配置Hadoop守护程序

    etc/hadoop/core-site.xml文件的配置

参数	说明/默认值	备注
fs.defaultFS	NameNode URI	hdfs://主机：端口
io.file.buffer.size	131072	SequenceFiles中使用的读/写缓冲区的大小。

    etc/hadoop/hdfs-site.xml文件的配置

• NameNode的配置

参数	说明/默认值	备注
dfs.namenode.name.dir	NameNode永久存储名称空间和事务日志的本地文件系统上的路径。	如果这是用逗号分隔的目录列表，则将名称表复制到所有目录中，以实现冗余。
dfs.hosts / dfs.hosts.exclude	允许/排除的数据节点列表。	如有必要，请使用这些文件来控制允许的数据节点列表。
dfs.blocksize	268435456	大型文件系统的HDFS块大小为256MB。
dfs.namenode.handler.count	100	更多的NameNode服务器线程可处理来自大量DataNode的RPC。

•  DataNode的配置

参数	说明/默认值	备注
dfs.datanode.data.dir	逗号分隔的DataNode本地文件系统上应存储其块的路径列表。	如果这是逗号分隔的目录列表，则数据将存储在所有命名的目录中，通常在不同的设备上。

    etc/hadoop/yarn-site.xml文件的配置

• ResourceManager和NodeManager的共有配置

参数	说明/默认值	备注
yarn.acl.enable	true / false	是否启用ACL，默认为false。
yarn.admin.acl	管理员ACL	用于在群集上设置管理员的ACL。ACL适用于逗号分隔的用户空间逗号分隔的组。默认为特殊值*，表示任何人。仅有空间的特殊价值意味着没有人可以使用。
yarn.log-aggregation-enable	false	启用或禁用日志聚合的配置

•  ResourceManager的配置

参数	说明/默认值	备注
yarn.resourcemanager.address	供客户端提交作业。	主机：端口。如果已设置，则将覆盖yarn.resourcemanager.hostname中设置的主机名。
yarn.resourcemanager.scheduler.address	主程序的端口，可与Scheduler进行对话以获取资源。	主机：端口。如果已设置，则将覆盖yarn.resourcemanager.hostname中设置的主机名。
yarn.resourcemanager.resource-tracker.address	NodeManager的资源管理器 主机：端口。	主机：端口。如果已设置，则将覆盖yarn.resourcemanager.hostname中设置的主机名。
yarn.resourcemanager.admin.address	资源管理器 主机：端口，用于管理命令。	主机：端口。如果已设置，则将覆盖yarn.resourcemanager.hostname中设置的主机名。
yarn.resourcemanager.webapp.address	资源管理器 网页用户界面主机：端口。	主机：端口。如果已设置，则将覆盖yarn.resourcemanager.hostname中设置的主机名。
yarn.resourcemanager.hostname	资源管理器主机名。	主机  可以设置单个主机名，以代替设置所有yarn.resourcemanager * address资源。生成ResourceManager组件的默认端口。
yarn.resourcemanager.scheduler.class	ResourceManager Scheduler类。	CapacityScheduler（推荐），FairScheduler（也推荐）或FifoScheduler。使用完全限定的类名称，例如org.apache.hadoop.yarn.server.res ourcemanager.scheduler.fair.FairScheduler。
yarn.scheduler.minimum-allocation-mb	在资源管理器中分配给每个容器请求的最小内存限制。	以MB为单位
yarn.scheduler.maximum-allocation-mb	资源管理器中分配给每个容器请求的最大内存限制。	以MB为单位
yarn.resourcemanager.nodes.include-path /yarn.resourcemanager.nodes.exclude-path	允许/排除的NodeManager列表。	如有必要，请使用这些文件来控制允许的NodeManager列表。

•  NodeManager的配置

参数	说明/默认值	备注
yarn.nodemanager.resource.memory-mb	资源，即给定NodeManager的可用物理内存（以MB为单位）	定义NodeManager上的总可用资源以供运行中的容器使用
yarn.nodemanager.vmem-pmem-ratio	任务的虚拟内存使用率可能超过物理内存的最大比率	每个任务的虚拟内存使用量可能超过此物理内存限制的比率。NodeManager上的任务使用的虚拟内存总量可能超过其物理内存使用量达此比率。
yarn.nodemanager.local-dirs	逗号分隔的本地文件系统上写入中间数据的路径列表。	多个路径有助于传播磁盘I / O。
yarn.nodemanager.log-dirs	逗号分隔的本地文件系统上写入日志的路径列表。	多个路径有助于传播磁盘I / O。
yarn.nodemanager.log.retain-seconds	10800	在NodeManager上保留日志文件的默认时间（以秒为单位）仅在禁用日志聚合时适用。
yarn.nodemanager.remote-app-log-dir	/logs	应用程序完成时将应用程序日志移动到的HDFS目录。需要设置适当的权限。仅在启用日志聚合的情况下适用。
yarn.nodemanager.remote-app-log-dir-suffix	日志	后缀附加到远程日志目录。日志将汇总到$ {yarn.nodemanager.remote-app-log-dir} / $ {user} / $ {thisParam}，仅在启用日志汇总的情况下适用。
yarn.nodemanager.aux-services	mapreduce_shuffle	需要为Map Reduce应用程序设置洗牌服务。
yarn.nodemanager.env-whitelist	容器从NodeManagers继承的环境属性	对于mapreduce应用程序，除了默认值之外，还应添加HADOOP_MAPRED_HOME。属性值应为JAVA_HOME，HADOOP_COMMON_HOME，HADOOP_HDFS_HOME，HADOOP_CONF_DIR，CLASSPATH_PREPEND_DISTCACHE，HADOOP_YARN_HOME，HADOOP_MAPRED_HOME

• History Server的配置(需要移植其他位置)

参数	说明/默认值	备注
yarn.log-aggregation.retain-seconds	-1	删除聚合日志前要保留多长时间。-1禁用。请注意，将此值设置得太小，您将向名称节点发送垃圾邮件。
yarn.log-aggregation.retain-check-interval-seconds	-1	检查聚合日志保留之间的时间。如果设置为0或负值，则该值将被计算为聚合日志保留时间的十分之一。请注意，将此值设置得太小，您将向名称节点发送垃圾邮件。

    etc/hadoop/mapre-site.xml文件的配置

• MapReduce应用程序的配置

参数	说明/默认值	备注
mapreduce.framework.name	yarn	执行框架设置为Hadoop YARN。
mapreduce.map.memory.mb	1536	较大的地图资源限制。
mapreduce.map.java.opts	-Xmx1024M	地图的子jvm的较大堆大小。
mapreduce.reduce.memory.mb	3072	较大的资源限制用于减少。
mapreduce.reduce.java.opts	-Xmx2560M	减少子jvm的堆大小。
mapreduce.task.io.sort.mb	512	更高的内存限制，同时对数据进行排序以提高效率。
mapreduce.task.io.sort.factor	100	排序文件时，更多的流一次合并。
mapreduce.reduce.shuffle.parallelcopies	50	减少运行的并行副本数量，可以从大量映射中获取输出。

• MapReduce JobHistory服务器的配置

参数	说明/默认值	笔记
mapreduce.jobhistory.address	MapReduce JobHistory Server host：post	默认端口为10020。
mapreduce.jobhistory.webapp.address	MapReduce JobHistory Server Web UI host：port	默认端口是19888。
mapreduce.jobhistory.intermediate-done-dir	/mr-history/tmp	MapReduce作业在其中写入历史文件的目录。
mapreduce.jobhistory.done-dir	/mr-history/done	历史记录文件由MR JobHistory服务器管理的目录。

     监视NodeManager的运行状况

     Hadoop提供了一种机制，管理员可以通过该机制将NodeManager配置为定期运行管理员提供的脚本，以确定节点是否正常。以下参数可用于控制etc/hadoop/yarn-site.xml中的节点运行状况监视脚本

参数	说明/默认值	备注
yarn.nodemanager.health-checker.script.path	节点运行状况脚本	用于检查节点的健康状态的脚本。
yarn.nodemanager.health-checker.script.opts	节点运行状况脚本选项	用于检查节点运行状况的脚本选项。
yarn.nodemanager.health-checker.interval-ms	节点运行状况脚本间隔	运行状况脚本的时间间隔。
yarn.nodemanager.health-checker.script.timeout-ms	节点运行状况脚本超时间隔	运行状况脚本执行超时。

    如果仅某些本地磁盘变坏，则运行状况检查器脚本不应给出错误。NodeManager能够定期检查本地磁盘的运行状况（特别是检查nodemanager-local-dirs和nodemanager-log-dirs），并且在达到config目录属性yarn.nodemanager设置的值的坏目录数量阈值之后.disk-health-checker.min-healthy-disks，整个节点被标记为不正常，并且此信息也发送到资源管理器。启动磁盘被搜查，或者运行状况检查程序脚本标识了启动磁盘中的故障。

    Slaves File

    在你的etc / hadoop / workers文件中列出所有工作者主机名或IP地址，每行列出一个。帮助程序脚本将使用etc / hadoop / workers文件在多个主机上一次运行命令。它不用于任何基于Java的Hadoop配置。为了使用此功能，必须为用于运行Hadoop的帐户建立ssh信任（通过无密码ssh或其他某种方式，例如Kerberos）

    完成所有必要的配置后，将文件分发到所有计算机上的HADOOP_CONF_DIR目录，在所有计算机中，该目录应该是相同的目录。建议HDFS和YARN以单独的用户身份运行。在大多数安装中，HDFS进程以“hdfs”执行，YARN通常使用“yarn”账号

    Hadoop集群启动

    要启动Hadoop集群，您将需要同时启动HDFS和YARN集群。

    首次启动HDFS时，必须对其进行格式化。将新的分布式文件系统格式化为hdfs：

  [hdfs]$ $HADOOP_HOME/bin/hdfs namenode -format 

    如果配置了etc / hadoop / workers和ssh可信访问权限（请参阅单节点安装），则可以使用实用程序脚本启动所有HDFS进程。作为hdfs：

  [hdfs]$ $HADOOP_HOME/sbin/start-dfs.sh

    如果配置了etc / hadoop / workers和ssh信任访问权限（请参阅单节点安装），则可以使用实用程序脚本启动所有YARN进程。作为yarn：

  [yarn]$ $HADOOP_HOME/sbin/start-yarn.sh

使用以下命令启动MapReduce JobHistory服务器，以mapred在指定的服务器上运行：

  [mapred]$ $HADOOP_HOME/bin/mapred --daemon start historyserver

    Hadoop关闭

    如果配置了etc / hadoop / workers和ssh信任访问权限（请参阅单节点安装），则可以使用实用程序脚本停止所有HDFS进程。作为hdfs:

  [hdfs]$ $HADOOP_HOME/sbin/stop-dfs.sh

    如果配置了etc / hadoop / workers和ssh信任访问权限（请参阅单节点安装），则可以使用实用程序脚本停止所有YARN进程。作为yarn:

  [yarn]$ $HADOOP_HOME/sbin/stop-yarn.sh

    使用以下命令停止MapReduce JobHistory服务器，以mapred在指定服务器上运行：

  [mapred]$ $HADOOP_HOME/bin/mapred --daemon stop historyserver

    Web界面

    Hadoop集群启动并运行后，如下所述检查组件的Web UI：

守护进程	网页界面	备注
NameNode	http://nn_host:port/	默认的HTTP端口是9870。
ResourceManager	http://rm_host:port/	默认的HTTP端口为8088。
MapReduce JobHistory Server	http://jhs_host:port/	默认的HTTP端口是19888。

                                                                          

                                                    分享大数据学习历程，坚持一周一篇原创，欢迎一起关注学习

                                                                           我现在坚持一定会有收获