Hadoop学习笔记(一)Hadoop快速入门：1.完全分布式运行模式
准备、过程
虚拟机：VMware Workstation 12 Pro
操作系统：CentOS Linux release 7.2.1511 (Core)
控制终端：Secure CRT
Hadoop版本：Hadoop-2.7.3
JDk版本：jdk1.8.0_40
1）准备3台虚拟机（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
常见错误及解决方案
虚拟机准备
请参考文章：
Cent OS 7系统的安装、VMware Tools安装及设置共享文件夹
虚拟机中克隆虚拟机的步骤
编写集群分发脚本xsync
-
1.scp（secure copy）安全拷贝
-
（1）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）
-
（2）基本语法
scp -r $pdir/$fname $user@hadoop$host:$pdir/$fname命令 递归 要拷贝的文件路径/名称 目的用户@主机:目的路径/名称 -
（3）案例实操
-
（a）在hadoop101上，将hadoop101中/opt/module目录下的软件拷贝到hadoop102上。
[hadoop@hadoop101 /]$scp -r /opt/module root@hadoop102:/opt/module -
（b）在hadoop103上，将hadoop101服务器上的/opt/module目录下的软件拷贝到hadoop103上。
[hadoop@hadoop103 opt]$sudo scp -r hadoop@hadoop101:/opt/module root@hadoop103:/opt/module -
（c）在hadoop103上操作将hadoop101中/opt/module目录下的软件拷贝到hadoop104上。
[hadoop@在hadoop103 opt]$scp -r hadoop@hadoop101:/opt/module root@hadoop104:/opt/module注意：拷贝过来的/opt/module目录，别忘了在hadoop102、hadoop103、hadoop104上修改所有文件的，所有者和所有者组。
sudo chown hadoop:hadoop -R /opt/module -
（d）将hadoop101中/etc/profile文件拷贝到hadoop102的/etc/profile上。
[hadoop@hadoop101 ~]$sudo scp /etc/profile root@hadoop102:/etc/profile -
（e）将hadoop101中/etc/profile文件拷贝到hadoop103的/etc/profile上。
[hadoop@hadoop101 ~]$sudo scp /etc/profile root@hadoop103:/etc/profile -
（f）将hadoop101中/etc/profile文件拷贝到hadoop104的/etc/profile上。
[hadoop@hadoop101 ~]$sudo scp /etc/profile root@hadoop104:/etc/profile注意：拷贝过来的配置文件别忘了source一下/etc/profile。
-
-
-
2.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。
-
（1）基本语法
rsync -rvl $pdir/$fname $user@hadoop$host:$pdir/$fname命令 选项参数 要拷贝的文件路径/名称 目的用户@主机:目的路径/名称
选项参数：
-
（2）案例实操
- （a）把hadoop101机器上的/opt/software目录同步到hadoop102服务器的root用户下的/opt/目录
[hadoop@hadoop101 opt]$rsync -rvl /opt/software/ root@hadoop102:/opt/software
- （a）把hadoop101机器上的/opt/software目录同步到hadoop102服务器的root用户下的/opt/目录
-
-
3.xsync集群分发脚本
-
（1）需求：循环复制文件到所有节点的相同目录下
-
（2）需求分析：
- （a）rsync命令原始拷贝：
rsync -rvl /opt/module root@hadoop103:/opt/ - （b）期望脚本：
xsync要同步的文件名称
- （a）rsync命令原始拷贝：
- （c）说明：在/home/hadoop/bin这个目录下存放的脚本，hadoop用户可以在系统任何地方直接执行。
-
（3）脚本实现
- （a）在/home/atguigu目录下创建bin目录，并在bin目录下xsync创建文件，文件
内容如下：
[hadoop@hadoop102 ~]$mkdir bin
[hadoop@hadoop102~]$cd bin/
[hadoop@hadoop102 bin]$touch xsync
[hadoop@hadoop102 bin]$vi xsync
- （a）在/home/atguigu目录下创建bin目录，并在bin目录下xsync创建文件，文件
-
在该文件中编写如下代码
#!/bin/bash
#1 获取输入参数个数，如果没有参数，直接退出
pcount=$#
if((pcount==0)); then
echo no args;
exit;
fi
#2获取文件名称
p1=$1
fname=`basename $p1`
echo fname=$fname
#3获取上级目录到绝对路径
pdir=`cd -P $(dirname $p1); pwd`
echo pdir=$pdir
#4获取当前用户名称
user=`whoami`
#5循环
for((host=103;host<105;host++)); do
echo ------------------- hadoop$host --------------
rsync -rvl $pdir/$fname $user@hadoop$host:$pdir
done
- （b）修改脚本xsync具有执行权限
[hadoop@hadoop102 bin]$chmod 777 xsync - （c）调用脚本形式：xsync文件名称
[hadoop@hadoop102 bin]$xsync /home/hadoop/bin
注意：如果将xsync放到/home/atguigu/bin目录下仍然不能实现全局使用，可以将xsync移动到/usr/local/bin目录下。
集群配置
-
1.集群部署规划
-
2.配置集群
-
（1）核心配置文件
配置core-site.xml：
[hadoop@hadoop102 hadoop]$vi core-site.xml
在该文件中编写如下配置：<!--指定HDFS中NameNode的地址--> <property> <name>fs.defaultFS</name> <value>hdfs://hadoop102:9000</value> </property> <!--指定Hadoop运行时产生文件的存储目录--> <property> <name>hadoop.tmp.dir</name> <value>/opt/module/hadoop-2.7.2/data/tmp</value> </property> -
（2）HDFS配置文件
配置hadoop-env.sh
[hadoop@hadoop102 hadoop]$vi hadoop-env.sh
export JAVA_HOME=/opt/module/jdk1.8.0_144
配置hdfs-site.xml
[hadoop@hadoop102 hadoop]$vi hdfs-site.xml
在该文件中编写如下配置
dfs.replication副本数的配置默认为3，也可把这个配置删除，直接用默认的<property> <name>dfs.replication</name> <value>3</value> </property> <!--指定Hadoop辅助名称节点主机配置--> <property> <name>dfs.namenode.secondary.http- address</name> <value>hadoop104:50090</value> </property> -
（3）YARN配置文件
配置yarn-env.sh
[hadoop@hadoop102 hadoop]$vi yarn-env.sh
exportJAVA_HOME=/opt/module/jdk1.8.0_144
配置yarn-site.xml
[hadoop@hadoop102 hadoop]$vi yarn-site.xml
在该文件中增加如下配置<!--Reducer获取数据的方式--> <property> <name>yarn.nodemanager.aux-services</name> <value>mapreduce_shuffle</value> </property> <!--指定YARN的ResourceManager的地址--> <property> <name>yarn.resourcemanager.hostname</name> <value>hadoop103</value> </property> -
（4）MapReduce配置文件
配置mapred-env.sh
[hadoop@hadoop102 hadoop]$vi mapred-env.sh
export JAVA_HOME=/opt/module/jdk1.8.0_144
配置mapred-site.xml
[hadoop@hadoop102hadoop]$cpmapred-site.xml.template mapred-site.xml
[hadoop@hadoop102hadoop]$vimapred-site.xml
在该文件中增加如下配置<!--指定MR运行在Yarn上--> <property> <name>mapreduce.framework.name</name> <value>yarn</value> </property>
-
-
3．在集群上分发配置好的Hadoop配置文件
[hadoop@hadoop102 hadoop]$xsync /opt/module/hadoop-2.7.2/ -
4．查看文件分发情况
[hadoop@hadoop103 hadoop]$cat /opt/module/hadoop-2.7.2/etc/hadoop/core-site.xml
集群单节点启动
-
1.如果集群是第一次启动，需要格式化NameNode
[hadoop@hadoop102 hadoop2.7.2]$hadoop namenode -format如果是第N此格式化，需要先把hadoop2.7.2目录下的data和logs文件夹删除，然后在执行命令，且格式化过程中不能出现选项，要一直顺利的下来。这样才能格式化成功。
-
2.在hadoop102上启动NameNode
[hadoop@hadoop102 hadoop2.7.2]$hadoop-daemon.sh start namenode
[hadoop@hadoop102 hadoop2.7.2]$jps
3461 NameNode -
3.在hadoop102、hadoop103以及hadoop104上分别启动DataNode
[hadoop@hadoop102 hadoop2.7.2]$hadoop-daemon.sh start datanode
[hadoop@hadoop102 hadoop-2.7.2]$jps
3461 NameNode
3608 Jps
3561 DataNode
[hadoop@hadoop103 hadoop-2.7.2]$hadoop-daemon.sh start datanode
[hadoop@hadoop103 hadoop-2.7.2]$jps
3190 DataNode
3279 Jps
[hadoop@hadoop104 hadoop-2.7.2]$hadoop-daemon.sh start datanode
[hadoop@hadoop104 hadoop-2.7.2]$jps
3237 Jps
3163 DataNode
SSH无密登录配置
-
1.配置ssh
-
（1）基本语法
ssh 另一台电脑的ip地址
-
（2）ssh连接时出现Hostkeyverificationfailed的解决方法
[hadoop@hadoop102 opt]$ssh 192.168.1.103 Theauthenticityofhost'192.168.1.103(192.168.1.103)'can't be established. RSA key fingerprint is cf:1e:de:d7:d0:4c:2d:98:60:b4:fd:ae:b1:2d:ad:06. Are you sure you want to continue connecting (yes/no) ? Host key verification failed. -
（3）解决方案如下：直接输入yes
-
-
2.无密钥配置
-
（1）免密登录原理，如图所示
免密登陆原理
每发送一条报文，都要加密两次、解密两次。（发送方用发送方私钥加密一次，接收方公钥加密一次。接收方用接收方私钥解密一次，发送方公钥解密一次。） -
（2）生成公钥和私钥：
[hadoop@hadoop102 .ssh]$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） -
（3）将公钥拷贝到要免密登录的目标机器上
[hadoop@hadoop102 .ssh]$ssh-copy-id hadoop102
[hadoop@hadoop102 .ssh]$ssh-copy-id hadoop103
[hadoop@hadoop102 .ssh]$ssh-copy-id hadoop104注意：
还需要在hadoop102上采用root账号，配置一下无密登录到hadoop102、hadoop103、hadoop104；
还需要在hadoop103上采用hadoop账号配置一下无密登录到hadoop102、hadoop103、hadoop104服务器上。
-
-
3. .ssh文件夹下（~/.ssh）的文件功能解释
在这里有些人使用的是dsa加密，个人感觉都差不多。关于dsa和rsa的大致区别，请看文章：
DSA和RSA加密算法的区别
群启集群
-
1. 配置slaves
cd /opt/module/hadoop-2.7.2/etc/hadoop/
[hadoop@hadoop102 hadoop]$vi slaves
在该文件中增加如下内容：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
[hadoop@hadoop102 hadoop]$xsync slaves -
2. 启动集群
-
（1）如果集群是第一次启动，需要格式化NameNode （注意格式化之前，一定要先停止上次启动的所有namenode和datanode进程，然后再删除data和log数据）
[hadoop@hadoop102 hadoop-2.7.2]$bin/hdfs namenode -format -
（2）启动HDFS
[hadoop@hadoop102 hadoop-2.7.2]$sbin/start-dfs.sh [hadoop@hadoop102 hadoop-2.7.2]$jps 4166 NameNode 4482 Jps 4263 DataNode [hadoop@hadoop103 hadoop-2.7.2]$jps 3218 DataNode 3288 Jps[hadoop@hadoop104 hadoop-2.7.2]$jps 3221 DataNode 3283 SecondaryNameNode 3364 Jps -
（3）启动YARN
[hadoop@hadoop103 hadoop-2.7.2]$sbin/start-yarn.sh注意：NameNode和ResourceManger如果不是同一台机器，不能在NameNode上启
动YARN，应该在ResouceManager所在的机器上启动YARN。 -
（4）Web端查看 SecondaryNameNode
（a）浏览器中输入：http://hadoop104:50090/status.html
（b）查看SecondaryNameNode信息
-
-
3.集群基本测试
-
（1）上传文件到集群
上传小文件
[hadoop@hadoop102 hadoop-2.7.2]$hdfs dfs -mkdir -p /user/hadoop/input
[hadoop@hadoop102 hadoop-2.7.2]$hdfs dfs -put wcinput/wc.input /user/hadoop/input
上传大文件
[hadoop@hadoop102 hadoop-2.7.2]$bin/hadoop fs -put /opt/software/hadoop-2.7.2.tar.gz /user/hadoop/input -
（2）上传文件后查看文件存放在什么位置
- （a）查看HDFS文件存储路径
[hadoop@hadoop102 subdir0]$pwd
/opt/module/hadoop-2.7.2/data/tmp/dfs/data/current/BP-938951106-192.168.10.107-1495462844069/current/finalized/subdir0/subdir0 - （b）查看HDFS在磁盘存储文件内容
[hadoop@hadoop102 subdir0]$cat blk_1083626111
- （a）查看HDFS文件存储路径
-
（3）拼接
[hadoop@hadoop102 subdir0]$cat blk_1083626114>>tmp.file
[hadoop@hadoop102 subdir0]$cat blk_1083626115>>tmp.file
[hadoop@hadoop102 subdir0]$tar -zxvf tmp.file -
（4）下载
[hadoop@hadoop102 hadoop-2.7.2]$bin/hadoop fs -get /user/hadoop/input/hadoop-2.7.2.tar.gz./
-
集群启动/停止方式总结
-
1.各个服务组件逐一启动/停止
-
（1）分别启动/停止HDFS组件
hadoopdaemon.sh start/stop namenode/datanode/secondarynamenode -
（2）启动/停止YARN
yarndaemon.sh start/stop resourcemanager/nodemanager
-
-
2.各个模块分开启动/停止（配置ssh是前提）常用
-
（1）整体启动/停止HDFS
start-dfs.sh / stop-dfs.sh -
（2）整体启动/停止YARN
start-yarn.sh / stop-yarn.sh
-
不建议使用start-all.sh / stop-all.sh，因为通常namenode和resourcemanager不配置在同一个机器上，所以，用all容易出错（就连hadoop官方也不建议用）
常见错误及解决方案
-
1）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 -
2）主机名称配置错误
-
3）IP地址配置错误
-
4）ssh没有配置好
-
5）root用户和atguigu两个用户启动集群不统一
-
6）配置文件修改不细心
-
7）未编译源码
Unabletoloadnative-hadooplibraryforyourplatform...usingbuiltin-javaclasseswhere applicable
17/05/22 15:38:58 INFO client.RMProxy: Connecting to ResourceManager at hadoop108/192.168.10.108:8032
-
8）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$10.run(Job.java:1287) at java.security.AccessController.doPrivileged(NativeMethod) at javax.security.auth.Subject.doAs(Subject.java:415)解决办法：
（1）在/etc/hosts 文件中添加192.168.1.102 hadoop102
（2）主机名称不要起hadoop hadoop000等特殊名称 -
9）DataNode和NameNode进程同时只能工作一个。
（1）NameNode再format初始化之后
（2）DataNode在启动之后也会生成和NameNode一样的clusterId（集群id）
（3）再次格式化NameNode，生成新的clusterid，与未删除DataNode的clusterid不一致
（4）解决办法：在格式化之前，先删除DataNode里面的信息（默认在/tmp，如果配置了该目录，那就去你配置的目录下删除数据） -
10）jps发现进程已经没有，但是重新启动集群，提示进程已经开启。原因是在linux的根目
录下/tmp目录中存在启动的进程临时文件，将集群相关进程删除掉，再重新启动集群。
-
11）jps不生效。
原因：全局变量hadoopjava没有生效。解决办法：需要source /etc/profile文件。
-
12）8088端口连接不上
[hadoop@hadoop102 桌面]$cat /etc/hosts
注释掉如下代码
#127.0.0.1 localhost localhost.localdomainlocalhost4localhost4.localdomain4
#::1 hadoop102