史上最详细的Hadoop环境搭建,从0开始,图解全部过程

Hadoop在大数据技术体系中的地位至关重要,Hadoop是大数据技术的基础,对Hadoop基础知识的掌握的扎实程度,决定在大数据技术道路上走多远。

这是一篇入门文章,Hadoop的学习方法很多,网上也有很多学习路线图。本文的思路是:以安装部署Apache Hadoop2.x版本为主线,来介绍Hadoop2.x的架构组成、各模块协同工作原理、技术细节。安装不是目的,通过安装认识Hadoop才是目的。

第一部分:Linux环境安装

Hadoop是运行在Linux,虽然借助工具也可以运行在Windows上,但是建议还是运行在Linux系统上,第一部分介绍Linux环境的安装、配置、Java JDK安装等。

第二部分:Hadoop本地模式安装

Hadoop本地模式只是用于本地开发调试,或者快速安装体验Hadoop,这部分做简单的介绍。

第三部分:Hadoop伪分布式模式安装

学习Hadoop一般是在伪分布式模式下进行。这种模式是在一台机器上各个进程上运行Hadoop的各个模块,伪分布式的意思是虽然各个模块是在各个进程上分开运行的,但是只是运行在一个操作系统上的,并不是真正的分布式。

第四部分:完全分布式安装

完全分布式模式才是生产环境采用的模式,Hadoop运行在服务器集群上,生产环境一般都会做HA,以实现高可用。

第五部分:Hadoop HA安装

HA是指高可用,为了解决Hadoop单点故障问题,生产环境一般都做HA部署。这部分介绍了如何配置Hadoop2.x的高可用,并简单介绍了HA的工作原理。 
安装过程中,会穿插简单介绍涉及到的知识。希望能对大家有所帮助。 

 

第一部分:Linux环境安装

 

第一步、配置Vmware NAT网络

 

一、Vmware网络模式配置

 

二、NAT模式配置

 

NAT是网络地址转换,是在宿主机和虚拟机之间增加一个地址转换服务,负责外部和虚拟机之间的通讯转接和IP转换。

 

我们部署Hadoop集群,这里选择NAT模式,各个虚拟机通过NAT使用宿主机的IP来访问外网。

 

我们的要求是集群中的各个虚拟机有固定的IP、可以访问外网,所以进行如下设置:

 

1、 Vmware安装后,默认的NAT设置如下:

史上最详细的Hadoop环境搭建,从0开始,图解全部过程_第1张图片

2、 默认的设置是启动DHCP服务的,NAT会自动给虚拟机分配IP,但是我们需要将各个机器的IP固定下来,所以要取消这个默认设置。

3、 为机器设置一个子网网段,默认是192.168.136网段,我们这里设置为100网段,将来各个虚拟机Ip就为 192.168.100.*。

4、 点击NAT设置按钮,打开对话框,可以修改网关地址和DNS地址。这里我们为NAT指定DNS地址。

史上最详细的Hadoop环境搭建,从0开始,图解全部过程_第2张图片

5、 网关地址为当前网段里的.2地址,好像是固定的,我们不做修改,先记住网关地址就好了,后面会用到。

第二步、安装Linux操作系统

三、Vmware上安装Linux系统

1、 文件菜单选择新建虚拟机

2、 选择经典类型安装,下一步。

3、 选择稍后安装操作系统,下一步。

4、 选择Linux系统,版本选择CentOS 64位。

史上最详细的Hadoop环境搭建,从0开始,图解全部过程_第3张图片

5、 命名虚拟机,给虚拟机起个名字,将来显示在Vmware左侧。并选择Linux系统保存在宿主机的哪个目录下,应该一个虚拟机保存在一个目录下,不能多个虚拟机使用一个目录。

史上最详细的Hadoop环境搭建,从0开始,图解全部过程_第4张图片

6、 指定磁盘容量,是指定分给Linux虚拟机多大的硬盘,默认20G就可以,下一步。

7、 点击自定义硬件,可以查看、修改虚拟机的硬件配置,这里我们不做修改。

8、 点击完成后,就创建了一个虚拟机,但是此时的虚拟机还是一个空壳,没有操作系统,接下来安装操作系统。

9、 点击编辑虚拟机设置,找到DVD,指定操作系统ISO文件所在位置。

史上最详细的Hadoop环境搭建,从0开始,图解全部过程_第5张图片

10、 点击开启此虚拟机,选择第一个回车开始安装操作系统。

史上最详细的Hadoop环境搭建,从0开始,图解全部过程_第6张图片

11、 设置root密码。

史上最详细的Hadoop环境搭建,从0开始,图解全部过程_第7张图片

12、 选择Desktop,这样就会装一个Xwindow。

史上最详细的Hadoop环境搭建,从0开始,图解全部过程_第8张图片

13、 先不添加普通用户,其他用默认的,就把Linux安装完毕了。

四、设置网络

因为Vmware的NAT设置中关闭了DHCP自动分配IP功能,所以Linux还没有IP,需要我们设置网络各个参数。

1、 用root进入Xwindow,右击右上角的网络连接图标,选择修改连接。

史上最详细的Hadoop环境搭建,从0开始,图解全部过程_第9张图片

2、 网络连接里列出了当前Linux里所有的网卡,这里只有一个网卡System eth0,点击编辑。

史上最详细的Hadoop环境搭建,从0开始,图解全部过程_第10张图片

3、 配置IP、子网掩码、网关(和NAT设置的一样)、DNS等参数,因为NAT里设置网段为100.*,所以这台机器可以设置为192.168.100.10网关和NAT一致,为192.168.100.2

史上最详细的Hadoop环境搭建,从0开始,图解全部过程_第11张图片

4、 用ping来检查是否可以连接外网,如下图,已经连接成功。

史上最详细的Hadoop环境搭建,从0开始,图解全部过程_第12张图片

五、修改Hostname

1、 临时修改hostname

[root@localhost Desktop]# hostname bigdata-senior01.chybinmy.com

 

这种修改方式,系统重启后就会失效。

2、 永久修改hostname

想永久修改,应该修改配置文件 /etc/sysconfig/network。

命令:[root@bigdata-senior01 ~] vim /etc/sysconfig/network
  •  

打开文件后,

  1. NETWORKING=yes  #使用网络

HOSTNAME=bigdata-senior01.chybinmy.com  #设置主机名

  •  

六、配置Host

  1. 命令:[root@bigdata-senior01 ~] vim /etc/hosts
  2. 添加hosts: 19168.100.10 bigdata-senior01.chybinmy.com
  •  

七、关闭防火墙

学习环境可以直接把防火墙关闭掉。

(1) 用root用户登录后,执行查看防火墙状态。

[root@bigdata-senior01 hadoop]# service iptables status
  •  

(2) 用[root@bigdata-senior01 hadoop]# service iptables stop关闭防火墙,这个是临时关闭防火墙。

  1. [root@bigdata-senior01 hadoop-2.5.0]# service iptables stop

iptables: Setting chains to policy ACCEPT: filter          [  OK  ]

  1. iptables: Flushing firewall rules:                         [  OK  ]

iptables: Unloading modules:                               [  OK  ]

  •  

(3) 如果要永久关闭防火墙用。

[root@bigdata-senior01 hadoop]# chkconfig iptables off
  •  

关闭,这种需要重启才能生效。

八、关闭selinux

selinux是Linux一个子安全机制,学习环境可以将它禁用。

[hadoop@bigdata-senior01 hadoop-2.5.0]$ vim /etc/sysconfig/selinux
  •  
  1. # This file controls the state of SELinux on the system.
  2. # SELINUX= can take one of these three values:
  3. #     enforcing - SELinux security policy is enforced.
  4. #     permissive - SELinux prints warnings instead of enforcing.
  5. #     disabled - No SELinux policy is loaded.
  6. SELINUX=disabled
  7. # SELINUXTYPE= can take one of these two values:
  8. #     targeted - Targeted processes are protected,
  9. #     mls - Multi Level Security protection.
  10. SELINUXTYPE=targeted

史上最详细的Hadoop环境搭建,从0开始,图解全部过程_第13张图片

第三步、安装JDK

九、安装Java JDK

1、 查看是否已经安装了java JDK。

[root@bigdata-senior01 Desktop]# java –version

  •  

注意:Hadoop机器上的JDK,最好是Oracle的Java JDK,不然会有一些问题,比如可能没有JPS命令。 
如果安装了其他版本的JDK,卸载掉。

2、 安装java JDK

(1) 去下载Oracle版本Java JDK:jdk-7u67-linux-x64.tar.gz

(2) 将jdk-7u67-linux-x64.tar.gz解压到/opt/modules目录下

[root@bigdata-senior01 /]# tar -zxvf jdk-7u67-linux-x64.tar.gz -C /opt/modules

  •  

(3) 添加环境变量

设置JDK的环境变量 JAVA_HOME。需要修改配置文件/etc/profile,追加

  1. export JAVA_HOME="/opt/modules/jdk1.7.0_67"
  2. export PATH=$JAVA_HOME/bin:$PATH
  •  

修改完毕后,执行 source /etc/profile

(4)安装后再次执行 java –version,可以看见已经安装完成。

  1. [root@bigdata-senior01 /]# java -version
  2. java version "1.7.0_67"
  3. Java(TM) SE Runtime Environment (build 1.7.0_67-b01)
  4. Java HotSpot(TM) 64-Bit Server VM (build 24.65-b04, mixed mode)
  •  

第二部分:Hadoop本地模式安装

第四步、Hadoop部署模式

Hadoop部署模式有:本地模式、伪分布模式、完全分布式模式、HA完全分布式模式。

区分的依据是NameNode、DataNode、ResourceManager、NodeManager等模块运行在几个JVM进程、几个机器。

模式名称

各个模块占用的JVM进程数

各个模块运行在几个机器数上

本地模式

1

1

伪分布式模式

N

1

完全分布式模式

N

N

HA完全分布式

N

N

第五步、本地模式部署

十、本地模式介绍

本地模式是最简单的模式,所有模块都运行与一个JVM进程中,使用的本地文件系统,而不是HDFS,本地模式主要是用于本地开发过程中的运行调试用。下载hadoop安装包后不用任何设置,默认的就是本地模式。

十一、解压hadoop后就是直接可以使用

1、 创建一个存放本地模式hadoop的目录

[hadoop@bigdata-senior01 modules]$ mkdir /opt/modules/hadoopstandalone
  •  

2、 解压hadoop文件

[hadoop@bigdata-senior01 modules]$ tar -zxf /opt/sofeware/hadoop-2.5.0.tar.gz  -C /opt/modules/hadoopstandalone/
  •  

3、 确保JAVA_HOME环境变量已经配置好

  1. [hadoop@bigdata-senior01 modules]$ echo ${JAVA_HOME}
  2. /opt/modules/jdk1.7.0_67
  •  

十二、运行MapReduce程序,验证

我们这里用hadoop自带的wordcount例子来在本地模式下测试跑mapreduce。

1、 准备mapreduce输入文件wc.input

  1. [hadoop@bigdata-senior01 modules]$ cat /opt/data/wc.input
  2. hadoop mapreduce hive
  3. hbase spark storm
  4. sqoop hadoop hive
  5. spark hadoop
  •  

2、 运行hadoop自带的mapreduce Demo

[hadoop@bigdata-senior01 hadoopstandalone]$ bin/hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.5.0.jar wordcount /opt/data/wc.input output2
 

史上最详细的Hadoop环境搭建,从0开始,图解全部过程_第14张图片

这里可以看到job ID中有local字样,说明是运行在本地模式下的。

3、 查看输出文件

本地模式下,mapreduce的输出是输出到本地。

  1. [hadoop@bigdata-senior01 hadoopstandalone]$ ll output2
  2. total 4
  3. -rw-r--r-- 1 hadoop hadoop 60 Jul  7 12:50 part-r-00000
  4. -rw-r--r-- 1 hadoop hadoop  0 Jul  7 12:50 _SUCCESS
  •  

输出目录中有_SUCCESS文件说明JOB运行成功,part-r-00000是输出结果文件。 

第三部分:Hadoop伪分布式模式安装

第六步、伪分布式Hadoop部署过程

十三、Hadoop所用的用户设置

1、 创建一个名字为hadoop的普通用户

  1. [root@bigdata-senior01 ~]# useradd hadoop
  2. [root@bigdata-senior01 ~]# passwd hadoop
  •  

2、 给hadoop用户sudo权限

[root@bigdata-senior01 ~]# vim /etc/sudoers
  •  

设置权限,学习环境可以将hadoop用户的权限设置的大一些,但是生产环境一定要注意普通用户的权限限制。

  1. root    ALL=(ALL)       ALL
  2. hadoop ALL=(root) NOPASSWD:ALL
  •  

注意:如果root用户无权修改sudoers文件,先手动为root用户添加写权限。

[root@bigdata-senior01 ~]# chmod u+w /etc/sudoers
  •  

3、 切换到hadoop用户

  1. [root@bigdata-senior01 ~]# su - hadoop
  2. [hadoop@bigdata-senior01 ~]$
  •  

4、 创建存放hadoop文件的目录

[hadoop@bigdata-senior01 ~]$ sudo mkdir /opt/modules
  •  

5、 将hadoop文件夹的所有者指定为hadoop用户

如果存放hadoop的目录的所有者不是hadoop,之后hadoop运行中可能会有权限问题,那么就讲所有者改为hadoop。

[hadoop@bigdata-senior01 ~]# sudo chown -R hadoop:hadoop /opt/modules
  •  

十四、解压Hadoop目录文件

1、 复制hadoop-2.5.0.tar.gz到/opt/modules目录下。

2、 解压hadoop-2.5.0.tar.gz

  1. [hadoop@bigdata-senior01 ~]# cd /opt/modules
  2. [hadoop@bigdata-senior01 hadoop]# tar -zxvf hadoop-2.5.0.tar.gz
  •  

十五、配置Hadoop

1、 配置Hadoop环境变量

[hadoop@bigdata-senior01 hadoop]# vim /etc/profile
  •  

追加配置:

  1. export HADOOP_HOME="/opt/modules/hadoop-2.5.0"
  2. export PATH=$HADOOP_HOME/bin:$HADOOP_HOME/sbin:$PATH
  •  

执行:source /etc/profile 使得配置生效

验证HADOOP_HOME参数:

  1. [hadoop@bigdata-senior01 /]$ echo $HADOOP_HOME
  2. /opt/modules/hadoop-2.5.0
  •  

2、 配置 hadoop-env.sh、mapred-env.sh、yarn-env.sh文件的JAVA_HOME参数

[hadoop@bigdata-senior01 ~]$ sudo vim  ${HADOOP_HOME}/etc/hadoop/hadoop-env.sh
  •  
  1. 修改JAVA_HOME参数为:
  2. export JAVA_HOME="/opt/modules/jdk1.7.0_67"
  •  

3、 配置core-site.xml

史上最详细的Hadoop环境搭建,从0开始,图解全部过程_第15张图片

[hadoop@bigdata-senior01 ~]{HADOOP_HOME}/etc/hadoop/core-site.xml

(1) fs.defaultFS参数配置的是HDFS的地址。

  1. <property>
  2. fs.defaultFS
  3. hdfs://bigdata-senior01.chybinmy.com:8020
  4. property>
  •  

(2) hadoop.tmp.dir配置的是Hadoop临时目录,比如HDFS的NameNode数据默认都存放这个目录下,查看*-default.xml等默认配置文件,就可以看到很多依赖${hadoop.tmp.dir}的配置。

默认的hadoop.tmp.dir/tmp/hadoop-${user.name},此时有个问题就是NameNode会将HDFS的元数据存储在这个/tmp目录下,如果操作系统重启了,系统会清空/tmp目录下的东西,导致NameNode元数据丢失,是个非常严重的问题,所有我们应该修改这个路径。

  • 创建临时目录:
    [hadoop@bigdata-senior01 hadoop-2.5.0]$ sudo mkdir -p /opt/data/tmp
  •  
  • 将临时目录的所有者修改为hadoop
[hadoop@bigdata-senior01 hadoop-2.5.0]$ sudo chown –R hadoop:hadoop /opt/data/tmp
  •  
  • 修改hadoop.tmp.dir
  1. <property>
  2. hadoop.tmp.dir
  3. /opt/data/tmp
  4. property>
  •  
  •  

十六、配置、格式化、启动HDFS

1、 配置hdfs-site.xml

史上最详细的Hadoop环境搭建,从0开始,图解全部过程_第16张图片

[hadoop@bigdata-senior01 hadoop-2.5.0]$ vim ${HADOOP_HOME}/etc/hadoop/hdfs-site.xml
  •  
  1. <property>
  2. dfs.replication
  3. 1
  4. property>
  •  

dfs.replication配置的是HDFS存储时的备份数量,因为这里是伪分布式环境只有一个节点,所以这里设置为1。

2、 格式化HDFS

史上最详细的Hadoop环境搭建,从0开始,图解全部过程_第17张图片

[hadoop@bigdata-senior01 ~]$ hdfs namenode –format
  •  

格式化是对HDFS这个分布式文件系统中的DataNode进行分块,统计所有分块后的初始元数据的存储在NameNode中。

格式化后,查看core-site.xml里hadoop.tmp.dir(本例是/opt/data目录)指定的目录下是否有了dfs目录,如果有,说明格式化成功。

注意:

  1. 格式化时,这里注意hadoop.tmp.dir目录的权限问题,应该hadoop普通用户有读写权限才行,可以将/opt/data的所有者改为hadoop。 
    [hadoop@bigdata-senior01 hadoop-2.5.0]$ sudo chown -R hadoop:hadoop /opt/data
  2. 查看NameNode格式化后的目录。
   [hadoop@bigdata-senior01 ~]$ ll /opt/data/tmp/dfs/name/current
  •  

史上最详细的Hadoop环境搭建,从0开始,图解全部过程_第18张图片

fsimage是NameNode元数据在内存满了后,持久化保存到的文件。

fsimage*.md5 是校验文件,用于校验fsimage的完整性。

seen_txid 是hadoop的版本

vession文件里保存:

  • namespaceID:NameNode的唯一ID。
  • clusterID:集群ID,NameNode和DataNode的集群ID应该一致,表明是一个集群。
  1. #Mon Jul 04 17:25:50 CST 2016
  2. namespaceID=2101579007
  3. clusterID=CID-205277e6-493b-4601-8e33-c09d1d23ece4
  4. cTime=0
  5. storageType=NAME_NODE
  6. blockpoolID=BP-1641019026-127.0.0.1-1467624350057
  7. layoutVersion=-57
  •  

3、 启动NameNode

  1. [hadoop@bigdata-senior01 hadoop-2.5.0]$ ${HADOOP_HOME}/sbin/hadoop-daemon.sh start namenode
  2. starting namenode, logging to /opt/modules/hadoop-2.5.0/logs/hadoop-hadoop-namenode-bigdata-senior01.chybinmy.com.out

4、 启动DataNode

  1. [hadoop@bigdata-senior01 hadoop-2.5.0]$ ${HADOOP_HOME}/sbin/hadoop-daemon.sh start datanode
  2. starting datanode, logging to /opt/modules/hadoop-2.5.0/logs/hadoop-hadoop-datanode-bigdata-senior01.chybinmy.com.out

5、 启动SecondaryNameNode

  1. [hadoop@bigdata-senior01 hadoop-2.5.0]$ ${HADOOP_HOME}/sbin/hadoop-daemon.sh start secondarynamenode
  2. starting secondarynamenode, logging to /opt/modules/hadoop-2.5.0/logs/hadoop-hadoop-secondarynamenode-bigdata-senior01.chybinmy.com.out

 

6、 JPS命令查看是否已经启动成功,有结果就是启动成功了。

  1. [hadoop@bigdata-senior01 hadoop-2.5.0]$ jps
  2. 3034 NameNode
  3. 3233 Jps
  4. 3193 SecondaryNameNode
  5. 3110 DataNode

史上最详细的Hadoop环境搭建,从0开始,图解全部过程_第19张图片

7、 HDFS上测试创建目录、上传、下载文件

HDFS上创建目录

[hadoop@bigdata-senior01 hadoop-2.5.0]$ ${HADOOP_HOME}/bin/hdfs dfs -mkdir /demo1
  •  

上传本地文件到HDFS上

  1. [hadoop@bigdata-senior01 hadoop-2.5.0]$ ${HADOOP_HOME}/bin/hdfs dfs -put
  2. ${HADOOP_HOME}/etc/hadoop/core-site.xml /demo1
  •  

读取HDFS上的文件内容

[hadoop@bigdata-senior01 hadoop-2.5.0]$ ${HADOOP_HOME}/bin/hdfs dfs -cat /demo1/core-site.xml

史上最详细的Hadoop环境搭建,从0开始,图解全部过程_第20张图片

从HDFS上下载文件到本地

[hadoop@bigdata-senior01 hadoop-2.5.0]$ bin/hdfs dfs -get /demo1/core-site.xml

史上最详细的Hadoop环境搭建,从0开始,图解全部过程_第21张图片

十七、配置、启动YARN

1、 配置mapred-site.xml

默认没有mapred-site.xml文件,但是有个mapred-site.xml.template配置模板文件。复制模板生成mapred-site.xml。

[hadoop@bigdata-senior01 hadoop-2.5.0]# cp etc/hadoop/mapred-site.xml.template etc/hadoop/mapred-site.xml
  •  

添加配置如下:

  1. <property>
  2. mapreduce.framework.name
  3. yarn
  4. property>
  •  

指定mapreduce运行在yarn框架上。

史上最详细的Hadoop环境搭建,从0开始,图解全部过程_第22张图片

2、 配置yarn-site.xml

添加配置如下:

  1. <property>
  2. yarn.nodemanager.aux-services
  3. mapreduce_shuffle
  4. property>
  5. <property>
  6. yarn.resourcemanager.hostname
  7. bigdata-senior01.chybinmy.com
  8. property>
  •  
  • yarn.nodemanager.aux-services配置了yarn的默认混洗方式,选择为mapreduce的默认混洗算法。
  • yarn.resourcemanager.hostname指定了Resourcemanager运行在哪个节点上。

史上最详细的Hadoop环境搭建,从0开始,图解全部过程_第23张图片

3、 启动Resourcemanager

[hadoop@bigdata-senior01 hadoop-2.5.0]$ ${HADOOP_HOME}/sbin/yarn-daemon.sh start resourcemanager

4、 启动nodemanager

[hadoop@bigdata-senior01 hadoop-2.5.0]$ ${HADOOP_HOME}/sbin/yarn-daemon.sh start nodemanager

5、 查看是否启动成功

  1. [hadoop@bigdata-senior01 hadoop-2.5.0]$ jps
  2. 3034 NameNode
  3. 4439 NodeManager
  4. 4197 ResourceManager
  5. 4543 Jps
  6. 3193 SecondaryNameNode
  7. 3110 DataNode
  •  

可以看到ResourceManager、NodeManager已经启动成功了。

史上最详细的Hadoop环境搭建,从0开始,图解全部过程_第24张图片

6、 YARN的Web页面

YARN的Web客户端端口号是8088,通过http://192.168.100.10:8088/可以查看。

史上最详细的Hadoop环境搭建,从0开始,图解全部过程_第25张图片

十八、运行MapReduce Job

在Hadoop的share目录里,自带了一些jar包,里面带有一些mapreduce实例小例子,位置在share/hadoop/mapreduce/hadoop-mapreduce-examples-2.5.0.jar,可以运行这些例子体验刚搭建好的Hadoop平台,我们这里来运行最经典的WordCount实例。

1、 创建测试用的Input文件

创建输入目录:

[hadoop@bigdata-senior01 hadoop-2.5.0]$ bin/hdfs dfs -mkdir -p /wordcountdemo/input

  •  

创建原始文件:

在本地/opt/data目录创建一个文件wc.input,内容如下。

史上最详细的Hadoop环境搭建,从0开始,图解全部过程_第26张图片

将wc.input文件上传到HDFS的/wordcountdemo/input目录中:

[hadoop@bigdata-senior01 hadoop-2.5.0]$ bin/hdfs dfs -put /opt/data/wc.input /wordcountdemo/input

2、 运行WordCount MapReduce Job

  1. [hadoop@bigdata-senior01 hadoop-2.5.0]$ bin/yarn jar share/hadoop/mapreduce/hadoop-mapreduce-examples-
  2. 2.5.0.jar wordcount /wordcountdemo/input /wordcountdemo/output

史上最详细的Hadoop环境搭建,从0开始,图解全部过程_第27张图片

3、 查看输出结果目录

  1. [hadoop@bigdata-senior01 hadoop-2.5.0]$ bin/hdfs dfs -ls /wordcountdemo/output
  2. -rw-r--r--   1 hadoop supergroup          0 2016-07-05 05:12 /wordcountdemo/output/_SUCCESS
  3. -rw-r--r--   1 hadoop supergroup         60 2016-07-05 05:12 /wordcountdemo/output/part-r-00000

  • output目录中有两个文件,_SUCCESS文件是空文件,有这个文件说明Job执行成功。
  • part-r-00000文件是结果文件,其中-r-说明这个文件是Reduce阶段产生的结果,mapreduce程序执行时,可以没有reduce阶段,但是肯定会有map阶段,如果没有reduce阶段这个地方有是-m-。
  • 一个reduce会产生一个part-r-开头的文件。
  • 查看输出文件内容。
  1. [hadoop@bigdata-senior01 hadoop-2.5.0]$ bin/hdfs dfs -cat /wordcountdemo/output/part-r-00000
  2. hadoop  3
  3. hbase   1
  4. hive    2
  5. mapreduce       1
  6. spark   2
  7. sqoop   1
  8. storm   1
  •  

结果是按照键值排好序的。

十九、停止Hadoop

  1. [hadoop@bigdata-senior01 hadoop-2.5.0]$ sbin/hadoop-daemon.sh stop namenode
  2. stopping namenode
  3. [hadoop@bigdata-senior01 hadoop-2.5.0]$ sbin/hadoop-daemon.sh stop datanode
  4. stopping datanode
  5. [hadoop@bigdata-senior01 hadoop-2.5.0]$ sbin/yarn-daemon.sh stop resourcemanager
  6. stopping resourcemanager
  7. [hadoop@bigdata-senior01 hadoop-2.5.0]$ sbin/yarn-daemon.sh stop nodemanager
  8. stopping nodemanager

史上最详细的Hadoop环境搭建,从0开始,图解全部过程_第28张图片

二十、 Hadoop各个功能模块的理解

1、 HDFS模块

HDFS负责大数据的存储,通过将大文件分块后进行分布式存储方式,突破了服务器硬盘大小的限制,解决了单台机器无法存储大文件的问题,HDFS是个相对独立的模块,可以为YARN提供服务,也可以为HBase等其他模块提供服务。

2、 YARN模块

YARN是一个通用的资源协同和任务调度框架,是为了解决Hadoop1.x中MapReduce里NameNode负载太大和其他问题而创建的一个框架。

YARN是个通用框架,不止可以运行MapReduce,还可以运行Spark、Storm等其他计算框架。

3、 MapReduce模块

MapReduce是一个计算框架,它给出了一种数据处理的方式,即通过Map阶段、Reduce阶段来分布式地流式处理数据。它只适用于大数据的离线处理,对实时性要求很高的应用不适用。

第七步、开启历史服务

二十一、历史服务介绍

Hadoop开启历史服务可以在web页面上查看Yarn上执行job情况的详细信息。可以通过历史服务器查看已经运行完的Mapreduce作业记录,比如用了多少个Map、用了多少个Reduce、作业提交时间、作业启动时间、作业完成时间等信息。

二十二、开启历史服务

[hadoop@bigdata-senior01 hadoop-2.5.0]$ sbin/mr-jobhistory-daemon.sh start historyserver
  •  

开启后,可以通过Web页面查看历史服务器:

http://bigdata-senior01.chybinmy.com:19888/

二十三、Web查看job执行历史

1、 运行一个mapreduce任务

  1. [hadoop@bigdata-senior01 hadoop-2.5.0]$ bin/yarn jar share/hadoop/mapreduce/hadoop-mapreduce-examples-
  2. 2.5.0.jar wordcount /wordcountdemo/input /wordcountdemo/output1
  •  

2、 job执行中

史上最详细的Hadoop环境搭建,从0开始,图解全部过程_第29张图片

3、 查看job历史

史上最详细的Hadoop环境搭建,从0开始,图解全部过程_第30张图片

史上最详细的Hadoop环境搭建,从0开始,图解全部过程_第31张图片

历史服务器的Web端口默认是19888,可以查看Web界面。

但是在上面所显示的某一个Job任务页面的最下面,Map和Reduce个数的链接上,点击进入Map的详细信息页面,再查看某一个Map或者Reduce的详细日志是看不到的,是因为没有开启日志聚集服务。

二十四、开启日志聚集

4、 日志聚集介绍

MapReduce是在各个机器上运行的,在运行过程中产生的日志存在于各个机器上,为了能够统一查看各个机器的运行日志,将日志集中存放在HDFS上,这个过程就是日志聚集。

5、 开启日志聚集

配置日志聚集功能:

Hadoop默认是不启用日志聚集的。在yarn-site.xml文件里配置启用日志聚集。

  1. <property>
  2. yarn.log-aggregation-enable
  3. true
  4. property>
  5. <property>
  6. yarn.log-aggregation.retain-seconds
  7. 106800
  8. property>
  •  

yarn.log-aggregation-enable:是否启用日志聚集功能。

yarn.log-aggregation.retain-seconds:设置日志保留时间,单位是秒。

将配置文件分发到其他节点:

  1. [hadoop@bigdata-senior01 hadoop]$ scp /opt/modules/hadoop-2.5.0/etc/hadoop/yarn-site.xml bigdata-senior02.chybinmy.com:/opt/modules/hadoop-2.5.0/etc/hadoop/
  2. [hadoop@bigdata-senior01 hadoop]$ scp /opt/modules/hadoop-5.0/etc/hadoop/yarn-site.xml bigdata-senior03.chybinmy.com:/opt/modules/hadoop-5.0/etc/hadoop/
  •  

重启Yarn进程:

  1. [hadoop@bigdata-senior01 hadoop-2.5.0]$ sbin/stop-yarn.sh
  2. [hadoop@bigdata-senior01 hadoop-5.0]$ sbin/start-yarn.sh
  •  

重启HistoryServer进程:

  1. [hadoop@bigdata-senior01 hadoop-2.5.0]$ sbin/mr-jobhistory-daemon.sh stop historyserver
  2. [hadoop@bigdata-senior01 hadoop-5.0]$ sbin/mr-jobhistory-daemon.sh start historyserver
  •  

6、 测试日志聚集

运行一个demo MapReduce,使之产生日志:

bin/yarn jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.5.0.jar wordcount /input /output1
  •  

查看日志:

运行Job后,就可以在历史服务器Web页面查看各个Map和Reduce的日志了。 

第四部分:完全分布式安装

第八步、完全布式环境部署Hadoop

完全分部式是真正利用多台Linux主机来进行部署Hadoop,对Linux机器集群进行规划,使得Hadoop各个模块分别部署在不同的多台机器上。

二十五、环境准备

1、 克隆虚拟机

  • Vmware左侧选中要克隆的机器,这里对原有的BigData01机器进行克隆,虚拟机菜单中,选中管理菜单下的克隆命令。
  • 选择“创建完整克隆”,虚拟机名称为BigData02,选择虚拟机文件保存路径,进行克隆。
  • 再次克隆一个名为BigData03的虚拟机。

2、 配置网络

修改网卡名称:

在BigData02和BigData03机器上编辑网卡信息。执行sudo vim /etc/udev/rules.d/70-persistent-net.rules命令。因为是从BigData01机器克隆来的,所以会保留BigData01的网卡eth0,并且再添加一个网卡eth1。并且eth0的Mac地址和BigData01的地址是一样的,Mac地址不允许相同,所以要删除eth0,只保留eth1网卡,并且要将eth1改名为eth0。将修改后的eth0的mac地址复制下来,修改network-scripts文件中的HWADDR属性。

sudo vim /etc/sysconfig/network-scripts/ifcfg-eth0

史上最详细的Hadoop环境搭建,从0开始,图解全部过程_第32张图片

修改网络参数:

BigData02机器IP改为192.168.100.12

BigData03机器IP改为192.168.100.13

3、 配置Hostname

BigData02配置hostname为 bigdata-senior02.chybinmy.com

BigData03配置hostname为 bigdata-senior03.chybinmy.com

4、 配置hosts

BigData01、BigData02、BigData03三台机器hosts都配置为:

  1. [hadoop@bigdata-senior01 hadoop-2.5.0]$ sudo vim /etc/hosts
  2. 192.168.100.10 bigdata-senior01.chybinmy.com
  3. 192.168.100.12 bigdata-senior02.chybinmy.com
  4. 192.168.100.13 bigdata-senior03.chybinmy.com
  •  

5、 配置Windows上的SSH客户端

在本地Windows中的SSH客户端上添加对BigData02、BigData03机器的SSH链接。

二十六、服务器功能规划

bigdata-senior01.chybinmy.com

bigdata-senior02.chybinmy.com

bigdata-senior03.chybinmy.com

NameNode

ResourceManage

 

DataNode

DataNode

DataNode

NodeManager

NodeManager

NodeManager

HistoryServer

 

SecondaryNameNode

二十七、在第一台机器上安装新的Hadoop

为了和之前BigData01机器上安装伪分布式Hadoop区分开来,我们将BigData01上的Hadoop服务都停止掉,然后在一个新的目录/opt/modules/app下安装另外一个Hadoop。 
我们采用先在第一台机器上解压、配置Hadoop,然后再分发到其他两台机器上的方式来安装集群。

6、 解压Hadoop目录:

[hadoop@bigdata-senior01 modules]$ tar -zxf /opt/sofeware/hadoop-2.5.0.tar.gz -C /opt/modules/app/

  •  

7、 配置Hadoop JDK路径修改hadoop-env.sh、mapred-env.sh、yarn-env.sh文件中的JDK路径:

export JAVA_HOME="/opt/modules/jdk1.7.0_67"

  •  

8、 配置core-site.xml

[hadoop@bigdata-senior01 hadoop-2.5.0]$ vim etc/hadoop/core-site.xml

  •  
  1. <configuration>
  2. <property>
  3. fs.defaultFS
  4. hdfs://bigdata-senior01.chybinmy.com:8020
  5. property>
  6. <property>
  7. hadoop.tmp.dir
  8. /opt/modules/app/hadoop-2.5.0/data/tmp
  9. property>
  10. configuration>
  •  

fs.defaultFS为NameNode的地址。

hadoop.tmp.dir为hadoop临时目录的地址,默认情况下,NameNode和DataNode的数据文件都会存在这个目录下的对应子目录下。应该保证此目录是存在的,如果不存在,先创建。

9、 配置hdfs-site.xml

[hadoop@bigdata-senior01 hadoop-2.5.0]$ vim etc/hadoop/hdfs-site.xml

  •  
  1. <configuration>
  2. <property>
  3. dfs.namenode.secondary.http-address
  4. bigdata-senior03.chybinmy.com:50090
  5. property>
  6. configuration>
  •  

dfs.namenode.secondary.http-address是指定secondaryNameNode的http访问地址和端口号,因为在规划中,我们将BigData03规划为SecondaryNameNode服务器。

所以这里设置为:bigdata-senior03.chybinmy.com:50090

10、 配置slaves

  1. [hadoop@bigdata-senior01 hadoop-2.5.0]$ vim etc/hadoop/slaves
  2. bigdata-senior01.chybinmy.com
  3. bigdata-senior02.chybinmy.com
  4. bigdata-senior03.chybinmy.com
  •  

slaves文件是指定HDFS上有哪些DataNode节点。

11、 配置yarn-site.xml

[hadoop@bigdata-senior01 hadoop-2.5.0]$ vim etc/hadoop/yarn-site.xml

  • <property>
  1. yarn.nodemanager.aux-services
  2. mapreduce_shuffle
  3. property>
  4. <property>
  5. yarn.resourcemanager.hostname
  6. bigdata-senior02.chybinmy.com
  7. property>
  8. <property>
  9. yarn.log-aggregation-enable
  10. true
  11. property>
  12. <property>
  13. yarn.log-aggregation.retain-seconds
  14. 106800
  15. property>
  •  
  •  

根据规划yarn.resourcemanager.hostname这个指定resourcemanager服务器指向bigdata-senior02.chybinmy.com。

yarn.log-aggregation-enable是配置是否启用日志聚集功能。

yarn.log-aggregation.retain-seconds是配置聚集的日志在HDFS上最多保存多长时间。

12、 配置mapred-site.xml

从mapred-site.xml.template复制一个mapred-site.xml文件。

[hadoop@bigdata-senior01 hadoop-2.5.0]$ cp etc/hadoop/mapred-site.xml.template etc/hadoop/mapred-site.xml

  •  
  1. <configuration>
  2. <property>
  3. mapreduce.framework.name
  4. yarn
  5. property>
  6. <property>
  7. mapreduce.jobhistory.address
  8. bigdata-senior01.chybinmy.com:10020
  9. property>
  10. <property>
  11. mapreduce.jobhistory.webapp.address
  12. bigdata-senior01.chybinmy.com:19888
  13. property>
  14. configuration>
  •  

mapreduce.framework.name设置mapreduce任务运行在yarn上。

mapreduce.jobhistory.address是设置mapreduce的历史服务器安装在BigData01机器上。

mapreduce.jobhistory.webapp.address是设置历史服务器的web页面地址和端口号。

二十八、设置SSH无密码登录

Hadoop集群中的各个机器间会相互地通过SSH访问,每次访问都输入密码是不现实的,所以要配置各个机器间的

SSH是无密码登录的。

1、 在BigData01上生成公钥

[hadoop@bigdata-senior01 hadoop-2.5.0]$ ssh-keygen -t rsa

  •  

一路回车,都设置为默认值,然后再当前用户的Home目录下的.ssh目录中会生成公钥文件(id_rsa.pub)和私钥文件(id_rsa)。

2、 分发公钥

  1. [hadoop@bigdata-senior01 hadoop-2.5.0]$ ssh-copy-id bigdata-senior01.chybinmy.com
  2. [hadoop@bigdata-senior01 hadoop-2.5.0]$ ssh-copy-id bigdata-senior02.chybinmy.com
  3. [hadoop@bigdata-senior01 hadoop-2.5.0]$ ssh-copy-id bigdata-senior03.chybinmy.com
  •  

3、 设置BigData02、BigData03到其他机器的无密钥登录

同样的在BigData02、BigData03上生成公钥和私钥后,将公钥分发到三台机器上。

二十九、分发Hadoop文件

1、 首先在其他两台机器上创建存放Hadoop的目录

  1. [hadoop@bigdata-senior02 ~]$ mkdir /opt/modules/app
  2. [hadoop@bigdata-senior03 ~]$ mkdir /opt/modules/app
  •  

2、 通过Scp分发

Hadoop根目录下的share/doc目录是存放的hadoop的文档,文件相当大,建议在分发之前将这个目录删除掉,可以节省硬盘空间并能提高分发的速度。

doc目录大小有1.6G。

  1. [hadoop@bigdata-senior01 hadoop-2.5.0]$ du -sh /opt/modules/app/hadoop-2.5.0/share/doc
  2. 1.6G    /opt/modules/app/hadoop-2.5.0/share/doc
  3. [hadoop@bigdata-senior01 hadoop-2.5.0]$ scp -r /opt/modules/app/hadoop-2.5.0/ bigdata-senior02.chybinmy.com:/opt/modules/app
  4. [hadoop@bigdata-senior01 hadoop-2.5.0]$ scp -r /opt/modules/app/hadoop-2.5.0/ bigdata-senior03.chybinmy.com:/opt/modules/app
  •  

三十、格式NameNode

在NameNode机器上执行格式化:

[hadoop@bigdata-senior01 hadoop-2.5.0]$ /opt/modules/app/hadoop-2.5.0/bin/hdfs namenode –format

  •  

注意:

如果需要重新格式化NameNode,需要先将原来NameNode和DataNode下的文件全部删除,不然会报错,NameNode和DataNode所在目录是在core-site.xml中hadoop.tmp.dir、dfs.namenode.name.dir、dfs.datanode.data.dir属性配置的。

  1. <property>
  2. hadoop.tmp.dir
  3. /opt/data/tmp
  4. property>
  5. <property>
  6. dfs.namenode.name.dir
  7. file://${hadoop.tmp.dir}/dfs/name
  8. property>
  9. <property>
  10. dfs.datanode.data.dir
  11. file://${hadoop.tmp.dir}/dfs/data
  12. property>
  •  

因为每次格式化,默认是创建一个集群ID,并写入NameNode和DataNode的VERSION文件中(VERSION文件所在目录为dfs/name/current 和 dfs/data/current),重新格式化时,默认会生成一个新的集群ID,如果不删除原来的目录,会导致namenode中的VERSION文件中是新的集群ID,而DataNode中是旧的集群ID,不一致时会报错。

另一种方法是格式化时指定集群ID参数,指定为旧的集群ID。

三十一、启动集群

1、 启动HDFS

[hadoop@bigdata-senior01 hadoop-2.5.0]$ /opt/modules/app/hadoop-2.5.0/sbin/start-dfs.sh

史上最详细的Hadoop环境搭建,从0开始,图解全部过程_第33张图片

2、 启动YARN

[hadoop@bigdata-senior01 hadoop-2.5.0]$ /opt/modules/app/hadoop-2.5.0/sbin/start-yarn.sh

  •  

在BigData02上启动ResourceManager:

[hadoop@bigdata-senior02 hadoop-2.5.0]$ sbin/yarn-daemon.sh start resourcemanager

史上最详细的Hadoop环境搭建,从0开始,图解全部过程_第34张图片

3、 启动日志服务器

因为我们规划的是在BigData03服务器上运行MapReduce日志服务,所以要在BigData03上启动。

  1. [hadoop@bigdata-senior03 ~]$ /opt/modules/app/hadoop-2.5.0/sbin/mr-jobhistory-daemon.sh start historyserver
  2. starting historyserver, logging to /opt/modules/app/hadoop-2.5.0/logs/mapred-hadoop-historyserver-bigda       ta-senior03.chybinmy.com.out
  •  
  1. [hadoop@bigdata-senior03 ~]$ jps
  2. 3570 Jps
  3. 3537 JobHistoryServer
  4. 3310 SecondaryNameNode
  5. 3213 DataNode
  6. 3392 NodeManage

 

4、 查看HDFS Web页面

http://bigdata-senior01.chybinmy.com:50070/

5、 查看YARN Web 页面

http://bigdata-senior02.chybinmy.com:8088/cluster

三十二、测试Job

我们这里用hadoop自带的wordcount例子来在本地模式下测试跑mapreduce。

1、 准备mapreduce输入文件wc.input

  1. [hadoop@bigdata-senior01 modules]$ cat /opt/data/wc.input
  2. hadoop mapreduce hive
  3. hbase spark storm
  4. sqoop hadoop hive
  5. spark hadoop
  •  

2、 在HDFS创建输入目录input

[hadoop@bigdata-senior01 hadoop-2.5.0]$ bin/hdfs dfs -mkdir /input

  •  

3、 将wc.input上传到HDFS

[hadoop@bigdata-senior01 hadoop-2.5.0]$ bin/hdfs dfs -put /opt/data/wc.input /input/wc.input

  •  

4、 运行hadoop自带的mapreduce Demo

[hadoop@bigdata-senior01 hadoop-2.5.0]$ bin/yarn jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.5.0.jar wordcount /input/wc.input /output

史上最详细的Hadoop环境搭建,从0开始,图解全部过程_第35张图片

5、 查看输出文件

  1. [hadoop@bigdata-senior01 hadoop-2.5.0]$ bin/hdfs dfs -ls /output
  2. Found 2 items
  3. -rw-r--r--   3 hadoop supergroup          0 2016-07-14 16:36 /output/_SUCCESS
  4. -rw-r--r--   3 hadoop supergroup         60 2016-07-14 16:36 /output/part-r-00000
  •  

第五部分:Hadoop HA安装

HA的意思是High Availability高可用,指当当前工作中的机器宕机后,会自动处理这个异常,并将工作无缝地转移到其他备用机器上去,以来保证服务的高可用。

HA方式安装部署才是最常见的生产环境上的安装部署方式。Hadoop HA是Hadoop 2.x中新添加的特性,包括NameNode HA 和 ResourceManager HA。因为DataNode和NodeManager本身就是被设计为高可用的,所以不用对他们进行特殊的高可用处理。

第九步、时间服务器搭建

Hadoop对集群中各个机器的时间同步要求比较高,要求各个机器的系统时间不能相差太多,不然会造成很多问题。可以配置集群中各个机器和互联网的时间服务器进行时间同步,但是在实际生产环境中,集群中大部分服务器是不能连接外网的,这时候可以在内网搭建一个自己的时间服务器(NTP服务器),集群的各个机器与这个时间服务器进行时间同步。

三十三、配置NTP服务器

我们选择第三台机器(bigdata-senior03.chybinmy.com)为NTF服务器,其他机器和这台机器进行同步。

1、 检查ntp服务是否已经安装

  1. [hadoop@bigdata-senior03 data]$ sudo rpm -qa | grep ntp
  2. ntpdate-4.2.6p5-1.el6.centos.x86_64
  3. ntp-4.2.6p5-1.el6.centos.x86_64
  •  

显示已经安装过了ntp程序,其中ntpdate-4.2.6p5-1.el6.centos.x86_64 是用来和某台服务器进行同步的,ntp-4.2.6p5-1.el6.centos.x86_64是用来提供时间同步服务的。

2、 修改配置文件ntp.conf

[hadoop@bigdata-senior03 data]$ vim /etc/ntp.conf
  •  

启用restrice,修改网段

restrict 192.168.100.0 mask 255.255.255.0 nomodify notrap 
将这行的注释去掉,并且将网段改为集群的网段,我们这里是100网段。

注释掉server域名配置

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

是时间服务器的域名,这里不需要连接互联网,所以将他们注释掉。

修改

server 127.127.1.0

fudge 127.127.1.0 stratum 10

3、 修改配置文件ntpd

[hadoop@bigdata-senior03 ~]$ sudo vim /etc/sysconfig/ntpd
  •  

添加一行配置:SYNC_CLOCK=yes

4、 启动ntp服务

[hadoop@bigdata-senior03 ~]$ sudo chkconfig ntpd on
  •  

这样每次机器启动时,ntp服务都会自动启动。

三十四、配置其他机器的同步

切换到root用户进行配置通过contab进行定时同步:

  1. [root@bigdata-senior02 hadoop]# crontab -e
  2. */10 * * * * /usr/sbin/ntpdate bigdata-senior03.chybinmy.com
  3. [root@bigdata-senior02 hadoop]# crontab -e
  4. */10 * * * * /usr/sbin/ntpdate bigdata-senior03.chybinmy.com
  •  

三十五、 测试同步是否有效

1、 查看目前三台机器的时间

  1. [hadoop@bigdata-senior03 ~]$ date "+%Y-%m-%d %H:%M:%S"
  2. 2016-09-23 16:43:56
  3. [hadoop@bigdata-senior02 ~]$ date "+%Y-%m-%d %H:%M:%S"
  4. 2016-09-23 16:44:08
  5. [hadoop@bigdata-senior01 data]$ date "+%Y-%m-%d %H:%M:%S"
  6. 2016-09-23 16:44:18
  •  

2、 修改bigdata-senior01上的时间

将时间改为一个以前的时间:

  1. [hadoop@bigdata-senior01 data]$ sudo date -s '2016-01-01 00:00:00'
  2. Fri Jan  1 00:00:00 CST 2016
  3. [hadoop@bigdata-senior01 data]$ date "+%Y-%m-%d %H:%M:%S"
  4. 2016-01-01 00:00:05
  •  

等10分钟,看是否可以实现自动同步,将bigdata-senior01上的时间修改为和bigdata-senior03上的一致。

3、 查看是否自动同步时间

  1. [hadoop@bigdata-senior01 data]$ date "+%Y-%m-%d %H:%M:%S"
  2. 2016-09-23 16:54:36
  •  

可以看到bigdata-senior01上的时间已经实现自动同步了。

第十步、Zookeeper分布式机器部署

三十六、zookeeper说明

Zookeeper在Hadoop集群中的作用。

Zookeeper是分布式管理协作框架,Zookeeper集群用来保证Hadoop集群的高可用,(高可用的含义是:集群中就算有一部分服务器宕机,也能保证正常地对外提供服务。)

Zookeeper保证高可用的原理。

Zookeeper集群能够保证NamaNode服务高可用的原理是:Hadoop集群中有两个NameNode服务,两个NaameNode都定时地给Zookeeper发送心跳,告诉Zookeeper我还活着,可以提供服务,单某一个时间只有一个是Action状态,另外一个是Standby状态,一旦Zookeeper检测不到Action NameNode发送来的心跳后,就切换到Standby状态的NameNode上,将它设置为Action状态,所以集群中总有一个可用的NameNode,达到了NameNode的高可用目的。

Zookeeper的选举机制。

Zookeeper集群也能保证自身的高可用,保证自身高可用的原理是,Zookeeper集群中的各个机器分为Leader和Follower两个角色,写入数据时,要先写入Leader,Leader同意写入后,再通知Follower写入。客户端读取数时,因为数据都是一样的,可以从任意一台机器上读取数据。

这里Leader角色就存在单点故障的隐患,高可用就是解决单点故障隐患的。Zookeeper从机制上解决了Leader的单点故障问题,Leader是哪一台机器是不固定的,Leader是选举出来的。选举流程是,集群中任何一台机器发现集群中没有Leader时,就推荐自己为Leader,其他机器来同意,当超过一半数的机器同意它为Leader时,选举结束,所以Zookeeper集群中的机器数据必须是奇数。这样就算当Leader机器宕机后,会很快选举出新的Leader,保证了Zookeeper集群本身的高可用。

写入高可用。

集群中的写入操作都是先通知Leader,Leader再通知Follower写入,实际上当超过一半的机器写入成功后,就认为写入成功了,所以就算有些机器宕机,写入也是成功的。

读取高可用。

zookeeperk客户端读取数据时,可以读取集群中的任何一个机器。所以部分机器的宕机并不影响读取。

zookeeper服务器必须是奇数台,因为zookeeper有选举制度,角色有:领导者、跟随者、观察者,选举的目的是保证集群中数据的一致性。

三十七、安装zookeeper

我们这里在BigData01、BigData02、BigData03三台机器上安装zookeeper集群。

1、 解压安装包

在BigData01上安装解压zookeeper安装包。

[hadoop@bigdata-senior01 hadoop-2.5.0]$ tar -zxf /opt/sofeware/zookeeper-3.4.8.tar.gz -C /opt/modules/
  •  

2、 修改配置

拷贝conf下的zoo_sample.cfg副本,改名为zoo.cfg。zoo.cfg是zookeeper的配置文件:

[hadoop@bigdata-senior01 zookeeper-3.4.8]$ cp conf/zoo_sample.cfg conf/zoo.cfg
  •  

dataDir属性设置zookeeper的数据文件存放的目录:

dataDir=/opt/modules/zookeeper-3.4.8/data/zData

指定zookeeper集群中各个机器的信息:

  1. server.1=bigdata-senior01.chybinmy.com:2888:3888
  2. server.2=bigdata-senior02.chybinmy.com:2888:3888
  3. server.3=bigdata-senior03.chybinmy.com:2888:3888
  •  

server后面的数字范围是1到255,所以一个zookeeper集群最多可以有255个机器。

史上最详细的Hadoop环境搭建,从0开始,图解全部过程_第36张图片

3、 创建myid文件

在dataDir所指定的目录下创一个名为myid的文件,文件内容为server点后面的数字。

4、 分发到其他机器

  1. [hadoop@bigdata-senior01 zookeeper-3.4.8]$ scp -r /opt/modules/zookeeper-3.4.8 bigdata-senior02.chybinmy.com:/opt/modules
  2. [hadoop@bigdata-senior01 zookeeper-3.4.8]$ scp -r /opt/modules/zookeeper-3.4.8 bigdata-senior03.chybinmy.com:/opt/modules
  •  

5、 修改其他机器上的myid文件

  1. [hadoop@bigdata-senior02 zookeeper-3.4.8]$ echo 2 > /opt/modules/zookeeper-3.4.8/data/zData/myid
  2. [hadoop@bigdata-senior02 zookeeper-3.4.8]$ cat /opt/modules/zookeeper-3.4.8/data/zData/myid
  3. 2
  •  
  1. [hadoop@bigdata-senior03 ~]$ echo 3 > /opt/modules/zookeeper-3.4.8/data/zData/myid
  2. [hadoop@bigdata-senior03 ~]$ cat /opt/modules/zookeeper-3.4.8/data/zData/myid
  3. 3
  •  

6、 启动zookeeper

需要在各个机器上分别启动zookeeper。

  1. [hadoop@bigdata-senior01 zookeeper-3.4.8]$ bin/zkServer.sh start
  2. [hadoop@bigdata-senior02 zookeeper-3.4.8]$ bin/zkServer.sh start
  3. [hadoop@bigdata-senior03 zookeeper-3.4.8]$ bin/zkServer.sh start

史上最详细的Hadoop环境搭建,从0开始,图解全部过程_第37张图片

三十八、zookeeper命令

进入zookeeper Shell

在zookeeper根目录下执行 bin/zkCli.sh进入zk shell模式。

zookeeper很像一个小型的文件系统,/是根目录,下面的所有节点都叫zNode。

进入zk shell 后输入任意字符,可以列出所有的zookeeper命令

史上最详细的Hadoop环境搭建,从0开始,图解全部过程_第38张图片

查询zNode上的数据:get /zookeeper

创建一个zNode : create /znode1 “demodata “

列出所有子zNode:ls /

删除znode : rmr /znode1

退出shell模式:quit

第十一步、Hadoop 2.x HDFS HA 部署

三十九、HDFS HA原理

单NameNode的缺陷存在单点故障的问题,如果NameNode不可用,则会导致整个HDFS文件系统不可用。所以需要设计高可用的HDFS(Hadoop HA)来解决NameNode单点故障的问题。解决的方法是在HDFS集群中设置多个NameNode节点。但是一旦引入多个NameNode,就有一些问题需要解决。

  • HDFS HA需要保证的四个问题:
    • 保证NameNode内存中元数据数据一致,并保证编辑日志文件的安全性。
    • 多个NameNode如何协作
    • 客户端如何能正确地访问到可用的那个NameNode。
    • 怎么保证任意时刻只能有一个NameNode处于对外服务状态。
  • 解决方法
    • 对于保证NameNode元数据的一致性和编辑日志的安全性,采用Zookeeper来存储编辑日志文件。
    • 两个NameNode一个是Active状态的,一个是Standby状态的,一个时间点只能有一个Active状态的 
      NameNode提供服务,两个NameNode上存储的元数据是实时同步的,当Active的NameNode出现问题时,通过Zookeeper实时切换到Standby的NameNode上,并将Standby改为Active状态。
    • 客户端通过连接一个Zookeeper的代理来确定当时哪个NameNode处于服务状态。

四十、HDFS HA架构图

史上最详细的Hadoop环境搭建,从0开始,图解全部过程_第39张图片

  • HDFS HA架构中有两台NameNode节点,一台是处于活动状态(Active)为客户端提供服务,另外一台处于热备份状态(Standby)。
  • 元数据文件有两个文件:fsimage和edits,备份元数据就是备份这两个文件。JournalNode用来实时从Active NameNode上拷贝edits文件,JournalNode有三台也是为了实现高可用。
  • Standby NameNode不对外提供元数据的访问,它从Active NameNode上拷贝fsimage文件,从JournalNode上拷贝edits文件,然后负责合并fsimage和edits文件,相当于SecondaryNameNode的作用。最终目的是保证Standby NameNode上的元数据信息和Active NameNode上的元数据信息一致,以实现热备份。
  • Zookeeper来保证在Active NameNode失效时及时将Standby NameNode修改为Active状态。
  • ZKFC(失效检测控制)是Hadoop里的一个Zookeeper客户端,在每一个NameNode节点上都启动一个ZKFC进程,来监控NameNode的状态,并把NameNode的状态信息汇报给Zookeeper集群,其实就是在Zookeeper上创建了一个Znode节点,节点里保存了NameNode状态信息。当NameNode失效后,ZKFC检测到报告给Zookeeper,Zookeeper把对应的Znode删除掉,Standby ZKFC发现没有Active状态的NameNode时,就会用shell命令将自己监控的NameNode改为Active状态,并修改Znode上的数据。 
    Znode是个临时的节点,临时节点特征是客户端的连接断了后就会把znode删除,所以当ZKFC失效时,也会导致切换NameNode。
  • DataNode会将心跳信息和Block汇报信息同时发给两台NameNode,DataNode只接受Active NameNode发来的文件读写操作指令。

四十一、搭建HDFS HA 环境

1、 服务器角色规划

bigdata-senior01.chybinmy.com

bigdata-senior01.chybinmy.com

bigdata-senior01.chybinmy.com

NameNode

NameNode

 

Zookeeper

Zookeeper

Zookeeper

DataNode

DataNode

DataNode

 

ResourceManage

ResourceManage

NodeManager

NodeManager

NodeManager

2、 创建HDFS HA 版本Hadoop程序目录

在bigdata01、bigdata02、bigdata03三台机器上分别创建目录/opt/modules/hadoopha/用来存放Hadoop HA环境。

[hadoop@bigdata-senior01 modules]$ mkdir /opt/modules/hadoopha

  •  

3、 新解压Hadoop 2.5.0

[hadoop@bigdata-senior01 ~]$ tar -zxf /opt/sofeware/hadoop-2.5.0.tar.gz -C /opt/modules/hadoopha/

  •  

4、 配置Hadoop JDK路径

  1. 修改hadoop-env.sh、mapred-env.sh、yarn-env.sh文件中的JDK路径
  2. export JAVA_HOME="/opt/modules/jdk1.7.0_67"
  •  

5、 配置hdfs-site.xml

  1. <configuration>
  2. <property>
  3. dfs.nameservices
  4. ns1
  5. property>
  6. <property>
  7. dfs.ha.namenodes.ns1
  8. nn1,nn2
  9. property>
  10. <property>
  11. dfs.namenode.rpc-address.ns1.nn1
  12. bigdata-senior01.chybinmy.com:8020
  13. property>
  14. <property>
  15. dfs.namenode.rpc-address.ns1.nn2
  16. bigdata-senior02.chybinmy.com:8020
  17. property>
  18. <property>
  19. dfs.namenode.http-address.ns1.nn1
  20. bigdata-senior01.chybinmy.com:50070
  21. property>
  22. <property>
  23. dfs.namenode.http-address.ns1.nn2
  24. bigdata-senior02.chybinmy.com:50070
  25. property>
  26. <property>
  27. dfs.namenode.shared.edits.dir
  28. qjournal://bigdata-senior01.chybinmy.com:8485;bigdata-senior02.chybinmy.com:8485;bigdata-senior03.chybinmy.com:8485/ns1
  29. property>
  30. <property>
  31. dfs.journalnode.edits.dir
  32. /opt/modules/hadoopha/hadoop-2.5.0/tmp/data/dfs/jn
  33. property>
  34. <property>
  35. dfs.client.failover.proxy.provider.ns1
  36. org.apache.hadoop.hdfs.server.namenode.ha.ConfiguredFailoverProxyProvider
  37. property>
  38. <property>
  39. dfs.ha.fencing.methods
  40. sshfence
  41. property>
  42. <property>
  43. dfs.ha.fencing.ssh.private-key-files
  44. /home/hadoop/.ssh/id_rsa
  45. property>
  46. configuration>
  •  

6、 配置core-site.xml

  1. <configuration>
  2. <property>
  3. fs.defaultFS
  4. hdfs://ns1
  5. property>
  6. <property>
  7. hadoop.tmp.dir
  8. /opt/modules/hadoopha/hadoop-2.5.0/data/tmp
  9. property>
  10. configuration>
  •  

hadoop.tmp.dir设置hadoop临时目录地址,默认时,NameNode和DataNode的数据存在这个路径下。

7、 配置slaves文件

  1. bigdata-senior01.chybinmy.com
  2. bigdata-senior02.chybinmy.com
  3. bigdata-senior03.chybinmy.com
  •  

8、 分发到其他节点

分发之前先将share/doc目录删除,这个目录中是帮助文件,并且很大,可以删除。

  1. [hadoop@bigdata-senior01 hadoop-2.5.0]$ scp -r /opt/modules/hadoopha bigdata-senior02.chybinmy.com:/opt/modules
  2. [hadoop@bigdata-senior01 hadoop-2.5.0]$ scp -r /opt/modules/hadoopha bigdata-senior03.chybinmy.com:/opt/modules
  •  

9、 启动HDFS HA集群

三台机器分别启动Journalnode。

  1. [hadoop@bigdata-senior01 hadoop-2.5.0]$ sbin/hadoop-daemon.sh start journalnode
  2. [hadoop@bigdata-senior02 hadoop-2.5.0]$ sbin/hadoop-daemon.sh start journalnode
  3. [hadoop@bigdata-senior03 hadoop-2.5.0]$ sbin/hadoop-daemon.sh start journalnode
  •  

jps命令查看是否启动。

10、 启动Zookeeper

在三台节点上启动Zookeeper:

  1. [hadoop@bigdata-senior01 zookeeper-3.4.8]$ bin/zkServer.sh start
  2. [hadoop@bigdata-senior02 zookeeper-3.4.8]$ bin/zkServer.sh start
  3. [hadoop@bigdata-senior03 zookeeper-3.4.8]$ bin/zkServer.sh start
  •  

11、 格式化NameNode

在第一台上进行NameNode格式化:

[hadoop@bigdata-senior01 hadoop-2.5.0]$ bin/hdfs namenode -format

  •  

在第二台NameNode上:

[hadoop@bigdata-senior02 hadoop-2.5.0]$ bin/hdfs namenode -bootstrapStandby

  •  

12、 启动NameNode

在第一台、第二台上启动NameNode:

  1. [hadoop@bigdata-senior01 hadoop-2.5.0]$ sbin/hadoop-daemon.sh start namenode
  2. [hadoop@bigdata-senior02 hadoop-2.5.0]$ sbin/hadoop-daemon.sh start namenode
  •  

查看HDFS Web页面,此时两个NameNode都是standby状态。

切换第一台为active状态:

[hadoop@bigdata-senior01 hadoop-2.5.0]$ bin/hdfs haadmin -transitionToActive nn1

  •  

可以添加上forcemanual参数,强制将一个NameNode转换为Active状态。

[hadoop@bigdata-senior01 hadoop-2.5.0]$ bin/hdfs haadmin –transitionToActive -forcemanual nn1

  •  

此时从web 页面就看到第一台已经是active状态了。

史上最详细的Hadoop环境搭建,从0开始,图解全部过程_第40张图片

13、 配置故障自动转移

利用zookeeper集群实现故障自动转移,在配置故障自动转移之前,要先关闭集群,不能在HDFS运行期间进行配置。

关闭NameNode、DataNode、JournalNode、zookeeper

  1. [hadoop@bigdata-senior01 hadoop-2.5.0]$ sbin/hadoop-daemon.sh stop namenode
  2. [hadoop@bigdata-senior01 hadoop-2.5.0]$ sbin/hadoop-daemon.sh stop datanode
  3. [hadoop@bigdata-senior01 hadoop-2.5.0]$ sbin/hadoop-daemon.sh stop journalnode
  4. [hadoop@bigdata-senior01 hadoop-2.5.0]$ cd ../../zookeeper-3.4.8/
  5. [hadoop@bigdata-senior01 zookeeper-3.4.8]$ bin/zkServer.sh stop
  6. [hadoop@bigdata-senior02 hadoop-2.5.0]$ sbin/hadoop-daemon.sh stop namenode
  7. [hadoop@bigdata-senior02 hadoop-2.5.0]$ sbin/hadoop-daemon.sh stop datanode
  8. [hadoop@bigdata- senior02 hadoop-2.5.0]$ sbin/hadoop-daemon.sh stop journalnode
  9. [hadoop@bigdata- senior02 hadoop-2.5.0]$ cd ../../zookeeper-3.4.8/
  10. [hadoop@bigdata- senior02 zookeeper-3.4.8]$ bin/zkServer.sh stop
  11. [hadoop@bigdata- senior03 hadoop-2.5.0]$ sbin/hadoop-daemon.sh stop datanode
  12. [hadoop@bigdata- senior03 hadoop-2.5.0]$ sbin/hadoop-daemon.sh stop journalnode
  13. [hadoop@bigdata- senior03 hadoop-2.5.0]$ cd ../../zookeeper-3.4.8/
  14. [hadoop@bigdata- senior03 zookeeper-3.4.8]$ bin/zkServer.sh stop
  •  

修改hdfs-site.xml

  1. <property>
  2. dfs.ha.automatic-failover.enabled
  3. true
  4. property>
  •  

修改core-site.xml

  1. <property>
  2. ha.zookeeper.quorum
  3. bigdata-senior01.chybinmy.com:2181,bigdata-senior02.chybinmy.com:2181,bigdata-senior03.chybinmy.com:2181
  4. property>
  •  

将hdfs-site.xml和core-site.xml分发到其他机器

  1. [hadoop@bigdata-senior01 hadoop-2.5.0]$ scp /opt/modules/hadoopha/hadoop-2.5.0/etc/hadoop/hdfs-site.xml bigdata-senior02.chybinmy.com:/opt/modules/hadoopha/hadoop-2.5.0/etc/hadoop/
  2. [hadoop@bigdata-senior01 hadoop-2.5.0]$ scp /opt/modules/hadoopha/hadoop-2.5.0/etc/hadoop/hdfs-site.xml bigdata-senior03.chybinmy.com:/opt/modules/hadoopha/hadoop-2.5.0/etc/hadoop/
  3. [hadoop@bigdata-senior01 hadoop-2.5.0]$ scp /opt/modules/hadoopha/hadoop-2.5.0/etc/hadoop/core-site.xml bigdata-senior02.chybinmy.com:/opt/modules/hadoopha/hadoop-2.5.0/etc/hadoop/
  4. [hadoop@bigdata-senior01 hadoop-2.5.0]$ scp /opt/modules/hadoopha/hadoop-2.5.0/etc/hadoop/core-site.xml bigdata-senior03.chybinmy.com:/opt/modules/hadoopha/hadoop-2.5.0/etc/hadoop/
  •  

启动zookeeper

三台机器启动zookeeper

[hadoop@bigdata-senior01 hadoop-2.5.0]$ /opt/modules/zookeeper-3.4.8/bin/zkServer.sh start

  •  

创建一个zNode

  1. [hadoop@bigdata-senior01 hadoop-2.5.0]$ cd /opt/modules/hadoopha/hadoop-2.5.0/
  2. [hadoop@bigdata-senior01 hadoop-2.5.0]$ bin/hdfs zkfc -formatZK

史上最详细的Hadoop环境搭建,从0开始,图解全部过程_第41张图片

在Zookeeper上创建一个存储namenode相关的节点。

14、 启动HDFS、JournalNode、zkfc

启动NameNode、DataNode、JournalNode、zkfc

[hadoop@bigdata-senior01 hadoop-2.5.0]$ sbin/start-dfs.sh

 

zkfc只针对NameNode监听。

四十二、测试HDFS HA

1、 测试故障自动转移和数据是否共享

在nn1上上传文件

目前bigdata-senior01节点上的NameNode是Active状态的。

史上最详细的Hadoop环境搭建,从0开始,图解全部过程_第42张图片

[hadoop@bigdata-senior01 hadoop-2.5.0]$ bin/hdfs dfs -put /opt/data/wc.input /

史上最详细的Hadoop环境搭建,从0开始,图解全部过程_第43张图片

将nn1上的NodeNode进程杀掉

[hadoop@bigdata-senior01 hadoop-2.5.0]$ kill -9 3364

  •  

nn1上的namenode已经无法访问了。

查看nn2是否是Active状态

史上最详细的Hadoop环境搭建,从0开始,图解全部过程_第44张图片

在nn2上查看是否看见文件

史上最详细的Hadoop环境搭建,从0开始,图解全部过程_第45张图片

经以上验证,已经实现了nn1和nn2之间的文件同步和故障自动转移。

第十二步、Hadoop 2.x YARN HA 部署

四十三、YARN HA原理

Hadoop2.4版本之前,ResourceManager也存在单点故障的问题,也需要实现HA来保证ResourceManger的高可也用性。

ResouceManager从记录着当前集群的资源分配情况和JOB的运行状态,YRAN HA 利用Zookeeper等共享存储介质来存储这些信息来达到高可用。另外利用Zookeeper来实现ResourceManager自动故障转移。

史上最详细的Hadoop环境搭建,从0开始,图解全部过程_第46张图片

  • MasterHADaemon:控制RM的 Master的启动和停止,和RM运行在一个进程中,可以接收外部RPC命令。
  • 共享存储:Active Master将信息写入共享存储,Standby Master读取共享存储信息以保持和Active Master同步。
  • ZKFailoverController:基于Zookeeper实现的切换控制器,由ActiveStandbyElector和HealthMonitor组成,ActiveStandbyElector负责与Zookeeper交互,判断所管理的Master是进入Active还是Standby;HealthMonitor负责监控Master的活动健康情况,是个监视器。
  • Zookeeper:核心功能是维护一把全局锁控制整个集群上只有一个Active的ResourceManager。

四十四、搭建YARN HA环境

1、 服务器角色规划

bigdata-senior01.chybinmy.com

bigdata-senior01.chybinmy.com

bigdata-senior01.chybinmy.com

NameNode

NameNode

 

Zookeeper

Zookeeper

Zookeeper

DataNode

DataNode

DataNode

 

ResourceManage

ResourceManage

NodeManager

NodeManager

NodeManager

2、 修改配置文件yarn-site.xml

  1. <configuration>
  2. <property>
  3. yarn.nodemanager.aux-services
  4. mapreduce_shuffle
  5. property>
  6. <property>
  7. yarn.log-aggregation-enable
  8. true
  9. property>
  10. <property>
  11. yarn.log-aggregation.retain-seconds
  12. 106800
  13. property>
  14. <property>
  15. yarn.resourcemanager.ha.enabled
  16. true
  17. property>
  18. <property>
  19. yarn.resourcemanager.cluster-id
  20. yarn-cluster
  21. property>
  22. <property>
  23. yarn.resourcemanager.ha.rm-ids
  24. rm12,rm13
  25. property>
  26. <property>
  27. yarn.resourcemanager.hostname.rm12
  28. bigdata-senior02.chybinmy.com
  29. property>
  30. <property>
  31. yarn.resourcemanager.hostname.rm13
  32. bigdata-senior03.chybinmy.com
  33. property>
  34. <property>
  35. yarn.resourcemanager.zk-address
  36. bigdata-senior01.chybinmy.com:2181,bigdata-senior02.chybinmy.com:2181,bigdata-senior03.chybinmy.com:2181
  37. property>
  38. <property>
  39. yarn.resourcemanager.recovery.enabled
  40. true
  41. property>
  42. <property>
  43. yarn.resourcemanager.store.class
  44. org.apache.hadoop.yarn.server.resourcemanager.recovery.ZKRMStateStore
  45. property>
  46. configuration>
  •  

3、 分发到其他机器

  1. [hadoop@bigdata-senior01 hadoop-2.5.0]$ scp /opt/modules/hadoopha/hadoop-2.5.0/etc/hadoop/yarn-site.xml bigdata-senior02.chybinmy.com:/opt/modules/hadoopha/hadoop-2.5.0/etc/hadoop/
  2. [hadoop@bigdata-senior01 hadoop-2.5.0]$ scp /opt/modules/hadoopha/hadoop-2.5.0/etc/hadoop/yarn-site.xml bigdata-senior03.chybinmy.com:/opt/modules/hadoopha/hadoop-2.5.0/etc/hadoop/\
  •  

4、 启动

在bigdata-senior01上启动yarn:

[hadoop@bigdata-senior01 hadoop-2.5.0]$ sbin/start-yarn.sh

  •  

在bigdata-senior02、bigdata-senior03上启动resourcemanager:

  1. [hadoop@bigdata-senior02 hadoop-2.5.0]$ sbin/yarn-daemon.sh start resourcemanager
  2. [hadoop@bigdata-senior03 hadoop-2.5.0]$ sbin/yarn-daemon.sh start resourcemanager
  •  

启动后各个节点的进程。

史上最详细的Hadoop环境搭建,从0开始,图解全部过程_第47张图片

史上最详细的Hadoop环境搭建,从0开始,图解全部过程_第48张图片

史上最详细的Hadoop环境搭建,从0开始,图解全部过程_第49张图片

Web客户端访问bigdata02机器上的resourcemanager正常,它是active状态的。

http://bigdata-senior02.chybinmy.com:8088/cluster

访问另外一个resourcemanager,因为他是standby,会自动跳转到active的resourcemanager。

http://bigdata-senior03.chybinmy.com:8088/cluster

四十五、测试YARN HA

5、 运行一个mapreduce job

[hadoop@bigdata-senior01 hadoop-2.5.0]$ bin/yarn jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.5.0.jar wordcount /wc.input /input
  •  

6、 在job运行过程中,将Active状态的resourcemanager进程杀掉。

[hadoop@bigdata-senior02 hadoop-2.5.0]$ kill -9 4475
  •  

7、 观察另外一个resourcemanager是否可以自动接替。

bigdata02的resourcemanage Web客户端已经不能访问,bigdata03的resourcemanage已经自动变为active状态。

8、 观察job是否可以顺利完成。

而mapreduce job 也能顺利完成,没有因为resourcemanager的意外故障而影响运行。

经过以上测试,已经验证YARN HA 已经搭建成功。

第十三步、HDFS Federation 架构部署

四十六、HDFS Federation 的使用原因

1、 单个NameNode节点的局限性

命名空间的限制。

NameNode上存储着整个HDFS上的文件的元数据,NameNode是部署在一台机器上的,因为单个机器硬件的限制,必然会限制NameNode所能管理的文件个数,制约了数据量的增长。

数据隔离问题。

整个HDFS上的文件都由一个NameNode管理,所以一个程序很有可能会影响到整个HDFS上的程序,并且权限控制比较复杂。

性能瓶颈。

单个NameNode时HDFS文件系统的吞吐量受限于单个NameNode的吞吐量。因为NameNode是个JVM进程,JVM进程所占用的内存很大时,性能会下降很多。

2、 HDFS Federation介绍

HDFS Federation是可以在Hadoop集群中设置多个NameNode,不同于HA中多个NameNode是完全一样的,是多个备份,Federation中的多个NameNode是不同的,可以理解为将一个NameNode切分为了多个NameNode,每一个NameNode只负责管理一部分数据。 
HDFS Federation中的多个NameNode共用DataNode。

四十七、HDFS Federation的架构图

史上最详细的Hadoop环境搭建,从0开始,图解全部过程_第50张图片

四十八、HDFS Federation搭建

1、 服务器角色规划

bigdata-senior01.chybinmy.com

bigdata-senior01.chybinmy.com

bigdata-senior01.chybinmy.com

NameNode1

NameNode2

NameNode3

 

ResourceManage

 

DataNode

DataNode

DataNode

NodeManager

NodeManager

NodeManager

2、 创建HDFS Federation 版本Hadoop程序目录

在bigdata01上创建目录/opt/modules/hadoopfederation /用来存放Hadoop Federation环境。

[hadoop@bigdata-senior01 modules]$ mkdir /opt/modules/hadoopfederation

  •  

3、 新解压Hadoop 2.5.0

[hadoop@bigdata-senior01 ~]$ tar -zxf /opt/sofeware/hadoop-2.5.0.tar.gz -C /opt/modules/hadoopfederation/

 

4、 配置Hadoop JDK路径

修改hadoop-env.sh、mapred-env.sh、yarn-env.sh文件中的JDK路径。

export JAVA_HOME=”/opt/modules/jdk1.7.0_67”

5、 配置hdfs-site.xml

  1. <configuration>
  2. <property>
  3. <!—配置三台NameNode -->
  4. dfs.nameservices
  5. ns1,ns2,ns3
  6. property>
  7. <property>
  8. <!—第一台NameNode的机器名和rpc端口,指定了NameNode和DataNode通讯用的端口号 -->
  9. dfs.namenode.rpc-address.ns1
  10. bigdata-senior01.chybinmy.com:8020
  11. property>
  12. <property>
  13. <!—第一台NameNode的机器名和rpc端口,备用端口号 -->
  14. dfs.namenode.serviceerpc-address.ns1
  15. bigdata-senior01.chybinmy.com:8022
  16. property>
  17. <property>
  18. <!—第一台NameNode的http页面地址和端口号 -->
  19. dfs.namenode.http-address.ns1
  20. bigdata-senior01.chybinmy.com:50070
  21. property>
  22. <property>
  23. <!—第一台NameNode的https页面地址和端口号 -->
  24. dfs.namenode.https-address.ns1
  25. bigdata-senior01.chybinmy.com:50470
  26. property>
  27. <property>
  28. dfs.namenode.rpc-address.ns2
  29. bigdata-senior02.chybinmy.com:8020
  30. property>
  31. <property>
  32. dfs.namenode.serviceerpc-address.ns2
  33. bigdata-senior02.chybinmy.com:8022
  34. property>
  35. <property>
  36. dfs.namenode.http-address.ns2
  37. bigdata-senior02.chybinmy.com:50070
  38. property>
  39. <property>
  40. dfs.namenode.https-address.ns2
  41. bigdata-senior02.chybinmy.com:50470
  42. property>
  43. <property>
  44. dfs.namenode.rpc-address.ns3
  45. bigdata-senior03.chybinmy.com:8020
  46. property>
  47. <property>
  48. dfs.namenode.serviceerpc-address.ns3
  49. bigdata-senior03.chybinmy.com:8022
  50. property>
  51. <property>
  52. dfs.namenode.http-address.ns3
  53. bigdata-senior03.chybinmy.com:50070
  54. property>
  55. <property>
  56. dfs.namenode.https-address.ns3
  57. bigdata-senior03.chybinmy.com:50470
  58. property>
  59. configuration>
  •  

 

6、 配置core-site.xml

  1. <configuration>
  2. <property>
  3. hadoop.tmp.dir
  4. /opt/modules/hadoopha/hadoop-2.5.0/data/tmp
  5. property>
  6. configuration>
  •  

hadoop.tmp.dir设置hadoop临时目录地址,默认时,NameNode和DataNode的数据存在这个路径下。

7、 配置slaves文件

  1. bigdata-senior01.chybinmy.com
  2. bigdata-senior02.chybinmy.com
  3. bigdata-senior03.chybinmy.com
  •  

8、 配置yarn-site.xml

  1. <configuration>
  2. <property>
  3. yarn.nodemanager.aux-services
  4. mapreduce_shuffle
  5.    
  6. <property>
  7. yarn.resourcemanager.hostname
  8. bigdata-senior02.chybinmy.com
  9.    
  10. <property>
  11. yarn.log-aggregation-enable
  12. true
  13.    
  14. <property>
  15. yarn.log-aggregation.retain-seconds
  16. 106800
  17.    
  18. configuration>
  •  

9、 分发到其他节点

分发之前先将share/doc目录删除,这个目录中是帮助文件,并且很大,可以删除。

  1. [hadoop@bigdata-senior01 hadoop-2.5.0]$ scp -r /opt/modules/ /opt/modules/hadoopfederation bigdata-senior02.chybinmy.com:/opt/modules
  2. [hadoop@bigdata-senior01 hadoop-2.5.0]$ scp -r /opt/modules/hadoopfederation bigdata-senior03.chybinmy.com:/opt/modules
  •  

10、 格式化NameNode

在第一台上进行NameNode格式化。

[hadoop@bigdata-senior01 hadoop-2.5.0]$ bin/hdfs namenode -format -clusterId hadoop-federation-clusterId

  •  

这里一定要指定一个集群ID,使得多个NameNode的集群ID是一样的,因为这三个NameNode在同一个集群中,这里集群ID为hadoop-federation-clusterId。

在第二台NameNode上。

[hadoop@bigdata-senior02 hadoop-2.5.0]$ bin/hdfs namenode -format -clusterId hadoop-federation-clusterId

  •  

在第二台NameNode上。

[hadoop@bigdata-senior03 hadoop-2.5.0]$ bin/hdfs namenode -format -clusterId hadoop-federation-clusterId

  •  

11、 启动NameNode

在第一台、第二台、第三台机器上启动NameNode:

  1. [hadoop@bigdata-senior01 hadoop-2.5.0]$ sbin/hadoop-daemon.sh start namenode
  2. [hadoop@bigdata-senior02 hadoop-2.5.0]$ sbin/hadoop-daemon.sh start namenode
  3. [hadoop@bigdata-senior03 hadoop-2.5.0]$ sbin/hadoop-daemon.sh start namenode
  •  

启动后,用jps命令查看是否已经启动成功。

查看HDFS Web页面,此时三个NameNode都是standby状态。

史上最详细的Hadoop环境搭建,从0开始,图解全部过程_第51张图片

史上最详细的Hadoop环境搭建,从0开始,图解全部过程_第52张图片

史上最详细的Hadoop环境搭建,从0开始,图解全部过程_第53张图片

12、 启动DataNode

  1. [hadoop@bigdata-senior01 hadoop-2.5.0]$ sbin/hadoop-daemon.sh start datanode
  2. [hadoop@bigdata-senior02 hadoop-2.5.0]$ sbin/hadoop-daemon.sh start datanode
  3. [hadoop@bigdata-senior03 hadoop-2.5.0]$ sbin/hadoop-daemon.sh start datanode
  4. 启动后,用jps命令确认DataNode进程已经启动成功。

    四十九、测试HDFS Federation

    1、 修改core-site.xml

    在bigdata-senior01机器上,修改core-site.xml文件,指定连接的NameNode是第一台NameNode。

    [hadoop@bigdata-senior01 hadoop-2.5.0]$ vim etc/hadoop/core-site.xml

  5. <configuration>
  6. <property>
  7. fs.defaultFS
  8. hdfs://bigdata-senior01.chybinmy.com:8020
  9. property>
  10. <property>
  11. hadoop.tmp.dir
  12. /opt/modules/hadoopfederation/hadoop-2.5.0/data/tmp
  13. property>
  14. configuration>
  15.  
  16. 2、 在bigdate-senior01上传一个文件到HDFS

  17. [hadoop@bigdata-senior01 hadoop-2.5.0]$ bin/hdfs dfs -mkdir /tmp
  18. [hadoop@bigdata-senior01 hadoop-2.5.0]$ bin/hdfs dfs -put ~/shuffle_daily.sh /tmp/shuffle_daily.sh
  19.  
  20. 3、 查看HDFS文件

    史上最详细的Hadoop环境搭建,从0开始,图解全部过程_第54张图片

    可以看到,刚才的文件只上传到了bigdate-senior01机器上的NameNode上了,并没有上传到其他的NameNode上去。

    这样,在HDFS的客户端,可以指定要上传到哪个NameNode上,从而来达到了划分NameNode的目的。

你可能感兴趣的:(大数据,环境搭建,Hadoop,使用,配置,Linux,Centos7,轻松了解大数据,技术分享,学习,操作系统,框架)