Apache Hadoop完全分布式集群搭建

文章内容输出来源：拉勾教育大数据高薪训练营

第 1 节 虚拟机环境准备

1. 三台虚拟机(静态IP，关闭防火墙，修改主机名，配置免密登录，集群时间同步)

2. 在/opt⽬目录下创建⽂文件夹

 mkdir -p /opt/lagou/software --软件安装包存放⽬录
 mkdir -p /opt/lagou/servers --软件安装⽬录

3. Hadoop下载地址:https://archive.apache.org/dist/hadoop/common/hadoop-2.9.2/

4.Hadoop官⽹网地址:http://hadoop.apache.org/

5.上传hadoop安装文件到/opt/lagou/software

第 2 节 集群规划

框架	linux121	linux122	linux123
HDFS	NameNode、DataNode	DataNode	SecondaryNameNode、DataNode
YARN	NodeManager	NodeManager	NodeManager、ResourceManager

第 3 节 安装Hadoop

• 登录linux121节点;进⼊入/opt/lagou/software,解压安装文件到/opt/lagou/servers

tar -zxvf hadoop-2.9.2.tar.gz -C /opt/lagou/servers

• 查看是否解压成功

ll /opt/lagou/servers/hadoop-2.9.2

• 添加Hadoop到环境变量 vim /etc/profile

##HADOOP_HOME
export HADOOP_HOME=/opt/lagou/servers/hadoop-2.9.2
export PATH=$PATH:$HADOOP_HOME/bin
export PATH=$PATH:$HADOOP_HOME/sbin

• 使环境变量生效

source /etc/profile

• 验证hadoop

• hadoop目录

1. bin目录:对Hadoop进行操作的相关命令，如hadoop,hdfs等
2. etc目录:Hadoop的配置⽂件目录，如hdfs-site.xml,core-site.xml等
3. lib目录:Hadoop本地库(解压缩的依赖)
4. sbin目录:存放的是Hadoop集群启动停止相关脚本，命令
5. share目录:Hadoop的一些jar,官方案例jar，文档等

3.1 集群配置

Hadoop集群配置 = HDFS集群配置 + MapReduce集群配置 + Yarn集群配置

• HDFS集群配置

1. 将JDK路径明确配置给HDFS(修改hadoop-env.sh)

2. 指定NameNode节点以及数据存储目录(修改core-site.xml)

3. 指定SecondaryNameNode节点(修改hdfs-site.xml)

4. 指定DataNode从节点(修改etc/hadoop/slaves文件，每个节点配置信息占⼀行)

• MapReduce集群配置

1. 将JDK路径明确配置给MapReduce(修改mapred-env.sh)

2. 指定MapReduce计算框架运行Yarn资源调度框架(修改mapred-site.xml)

• Yarn集群配置

1. 将JDK路径明确配置给Yarn(修改yarn-env.sh)

2. 指定ResourceManager⽼大节点所在计算机节点(修改yarn-site.xml)

3. 指定NodeManager节点(会通过slaves⽂件内容确定)

集群配置具体步骤:

HDFS集群配置

 cd /opt/lagou/servers/hadoop-2.9.2/etc/hadoop

• 配置:hadoop-env.sh

将JDK路径明确配置给HDFS

export JAVA_HOME=/opt/lagou/servers/jdk1.8.0_231

• 指定NameNode节点以及数据存储目录(修改core-site.xml)

        fs.defaultFS
    hdfs://linux121:9000



    hadoop.tmp.dir
    /opt/lagou/servers/hadoop-2.9.2/data/tmp

core-site.xml的默认配置: https://hadoop.apache.org/docs/r2.9.2/hadoop-project-dist/hadoop-common/core- default.xml

• 指定secondarynamenode节点(修改hdfs-site.xml)

      dfs.namenode.secondary.http-address
      linux123:50090



    dfs.replication
    3

官⽅默认配置: https://hadoop.apache.org/docs/r2.9.2/hadoop-project-dist/hadoop-hdfs/hdfs-default.xml

• 指定datanode从节点(修改slaves文件，每个节点配置信息占⼀行)

linux121
linux122
linux123

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。

MapReduce集群配置

• 指定MapReduce使用的jdk路径(修改mapred-env.sh)

export JAVA_HOME=/opt/lagou/servers/jdk1.8.0_231

• 指定MapReduce计算框架运行Yarn资源调度框架(修改mapred-site.xml)

mv mapred-site.xml.template mapred-site.xml
vim mapred-site.xml



    mapreduce.framework.name
    yarn

mapred-site.xml默认配置： https://hadoop.apache.org/docs/r2.9.2/hadoop-mapreduce-client/hadoop-mapreduce-client-core/mapred-default.xml

Yarn集群配置

• 指定JDK路径

vim yarn-env.sh
export JAVA_HOME=/opt/lagou/servers/jdk1.8.0_231

• 指定ResourceMnager的master节点信息(修改yarn-site.xml)

    yarn.resourcemanager.hostname
    linux123



    yarn.nodemanager.aux-services
    mapreduce_shuffle

yarn-site.xml的默认配置：https://hadoop.apache.org/docs/r2.9.2/hadoop-yarn/hadoop-yarn-common/yarn-default.xml

• 指定NodeManager节点(slaves文件已修改)

注意:

Hadoop安装目录所属⽤户和所属⽤户组信息，默认是501 dialout，而我们操作Hadoop集群的⽤户使用的是虚拟机的root用户，

所以为了避免出现信息混乱，修改Hadoop安装⽬录所属⽤户和用户组!!

chown -R root:root /opt/lagou/servers/hadoop-2.9.2

3.2 分发配置

编写集群分发脚本rsync-script

• 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

# 命令 选项参数 要拷⻉的⽂件路径/名称 目的用户@主机:目的路径/名称
rsync -rvl $pdir/$fname $user@$host:$pdir/$fname

2. 选项参数说明

选项	功能
-r	递归
-v	显示复制过程
-l	拷贝符号连接

• rsync案例

1. 三台虚拟机安装rsync (执⾏安装需要保证机器联网)

yum install -y rsync

2.把linux121机器上的/opt/lagou/software⽬录同步到linux122服务器的root用户下的/opt/目录

rsync -rvl /opt/lagou/software/ root@linux122:/opt/lagou/software

• 集群分发脚本编写

1. 需求:循环复制文件到集群所有节点的相同目录下

rsync命令原始拷贝:

rsync  -rvl   /opt/module    root@linux123:/opt/

2. 期望脚本

脚本+要同步的文件名称

3. 说明:在/usr/local/bin这个目录下存放的脚本，root⽤户可以在系统任何地⽅直接执行。

4. 脚本实现

(1)在/usr/local/bin⽬录下创建⽂件rsync-script，文件内容如下:

#!/bin/bash
#1 获取命令输入参数的个数，如果个数为0，直接退出命令
paramnum=$#
if((paramnum==0)); then
echo no params;
exit;
fi

#2 根据传入参数获取⽂件名称
p1=$1
file_name=`basename $p1`
echo fname=$file_name

#3 获取输入参数的绝对路径
pdir=`cd -P $(dirname $p1); pwd`
echo pdir=$pdir

#4 获取用户名称
user=`whoami`

#5 循环执行rsync
for((host=121; host<124; host++)); do
echo ------------------- linux$host --------------
 rsync -rvl $pdir/$file_name $user@linux$host:$pdir
done

(2)修改脚本 rsync-script 具有执行权限

chmod 777 rsync-script

(3)调⽤脚本形式:rsync-script ⽂件名称

rsync-script /home/root/bin

(4) 调用脚本分发Hadoop安装⽬录到其它节点

rsync-script /opt/lagou/servers/hadoop-2.9.2

第 4 节 启动集群

注意:如果集群是第一次启动，需要在Namenode所在节点格式化NameNode，非第⼀次不用执⾏格式化Namenode操作!!

4.1 单节点启动

[root@linux121 hadoop-2.9.2]$ hadoop namenode -format

格式化命令执行效果:

格式化后创建的⽂件:/opt/lagou/servers/hadoop-2.9.2/data/tmp/dfs/name/current

1. 在linux121上启动NameNode

[root@linux121 hadoop-2.9.2]$ hadoop-daemon.sh start namenode
[root@linux121 hadoop-2.9.2]$ jps

2. 在linux121、linux122以及linux123上分别启动DataNode

[root@linux121 hadoop-2.9.2]$ hadoop-daemon.sh start datanode
[root@linux121 hadoop-2.9.2]$ jps
3461 NameNode
3608 Jps
3561 DataNode

[root@linux122 hadoop-2.9.2]$ hadoop-daemon.sh start datanode
[root@linux122 hadoop-2.9.2]$ jps
3190 DataNode
3279 Jps

[root@linux123 hadoop-2.9.2]$ hadoop-daemon.sh start datanode
[root@linux123 hadoop-2.9.2]$ jps
3237 Jps
3163 DataNode

3. web端查看Hdfs界⾯

http://linux121:50070

查看HDFS集群正常节点:

1. Yarn集群单节点启动

 
[root@linux123 servers]# yarn-daemon.sh start resourcemanager
[root@linux123 servers]# jps
7881 ResourceManager
8094 Jps

[root@linux122 servers]# yarn-daemon.sh start nodemanager
[root@linux122 servers]# jps
8166 NodeManager
8223 Jps

[root@linux121 servers]# yarn-daemon.sh start nodemanager
[root@linux121 servers]# jps
8166 NodeManager
8223 Jps

4.2 集群群起

1. 如果已经单节点⽅式启动了Hadoop,可以先停止之前的启动的Namenode与Datanode进程,如果之前Namenode没有执⾏格式化，这里需要执⾏格式化!!!!

hadoop namenode -format

2. 启动HDFS

[root@linux121 hadoop-2.9.2]$ sbin/start-dfs.sh
[root@linux121 hadoop-2.9.2]$ jps
4166 NameNode
4482 Jps
4263 DataNode

[root@linux122 hadoop-2.9.2]$ jps
3218 DataNode
3288 Jps

[root@linux123 hadoop-2.9.2]$ jps
3221 DataNode
3283 SecondaryNameNode
3364 Jps

3. 启动YARN

[root@linux122 hadoop-2.9.2]$ sbin/start-yarn.sh

注意:NameNode和ResourceManger不是在同一台机器，不能在NameNode上启动YARN，应该在ResouceManager所在的机器上启动YARN。

4.3 Hadoop集群启动停止命令汇总

1. 各个服务组件逐⼀启动/停止

(1)分别启动/停止HDFS组件

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

(2)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

(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

第 5 节 集群测试

1. HDFS 分布式存储初体验

从linux本地⽂件系统上传下载⽂件验证HDFS集群⼯作正常

hdfs dfs -mkdir -p /test/input
#本地home⽬录创建⼀个文件
cd /root
vim test.txt
hello hdfs
#上传linxu⽂件到Hdfs
hdfs dfs -put /root/test.txt /test/input
#从Hdfs下载文件到linux本地
hdfs dfs -get /test/input/test.txt

2. MapReduce 分布式计算初体验

• 在HDFS⽂件系统根目录下面创建⼀个wcinput文件夹

[root@linux121 hadoop-2.9.2]$ hdfs dfs -mkdir /wcinput

• 在/root/⽬录下创建⼀个wc.txt文件(本地文件系统)

[root@linux121 hadoop-2.9.2]$ cd /root/
[root@linux121 wcinput]$ touch wc.txt

• 编辑wc.txt⽂件，在⽂件中输入如下内容

vim wc.txt

hadoop mapreduce yarn
hdfs hadoop mapreduce
mapreduce yarn lagou
lagou
lagou

• 保存退出，上传wc.txt到Hdfs⽬录/wcinput下

:wq

hdfs dfs -put wc.txt /wcinput

• 回到Hadoop目录/opt/lagou/servers/hadoop-2.9.2，执行程序

[root@linux121 hadoop-2.9.2]$ hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.9.2.jar wordcount /wcinput /wcoutput

• 查看结果

[root@linux121 hadoop-2.9.2]$ hdfs dfs -cat /wcoutput/part-r-00000
hadoop  2
hdfs    1
lagou   3
mapreduce       3
yarn    2

第 6 节 配置历史服务器

在Yarn中运行的任务产生的⽇志数据不能查看，为了查看程序的历史运行情况，需要配置一下历史日志服务器。具体配置步骤如下:

1. 配置mapred-site.xml

[root@linux121 hadoop]$ vi mapred-site.xml

在该⽂件⾥面增加如下配置。

  mapreduce.jobhistory.address
  linux121:10020



    mapreduce.jobhistory.webapp.address
    linux121:19888

2. 分发mapred-site.xml到其它节点

rsync-script mapred-site.xml

3. 启动历史服务器

[root@linux121 hadoop-2.9.2]$ sbin/mr-jobhistory-daemon.sh start historyserver

4. 查看历史服务器是否启动

[root@linux121 hadoop-2.9.2]$ jps

5. 查看JobHistory

http://linux121:19888/jobhistory

6.1 配置⽇志的聚集

日志聚集:应用( Job)运⾏完成以后，将应⽤运⾏日志信息从各个task汇总上传到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HistoryManager。 开启⽇志聚集功能具体步骤如下:

1. 配置yarn-site.xml

[root@linux121 hadoop]$ vi yarn-site.xml

在该⽂件⾥面增加如下配置。

  yarn.log-aggregation-enable
  true



  yarn.log-aggregation.retain-seconds
  604800

2. 分发yarn-site.xml到集群其它节点

rsync-script yarn-site.xml

3. 关闭NodeManager 、ResourceManager和HistoryManager

[root@linux121 hadoop-2.9.2]$ sbin/yarn-daemon.sh stop resourcemanager
[root@linux121 hadoop-2.9.2]$ sbin/yarn-daemon.sh stop nodemanager
[root@linux121 hadoop-2.9.2]$ sbin/mr-jobhistory-daemon.sh stop historyserver

4. 启动NodeManager 、ResourceManager和HistoryManager

[root@linux121 hadoop-2.9.2]$ sbin/yarn-daemon.sh start resourcemanager
[root@linux121 hadoop-2.9.2]$ sbin/yarn-daemon.sh start nodemanager
[root@linux121 hadoop-2.9.2]$ sbin/mr-jobhistory-daemon.sh start historyserver

5. 删除HDFS上已经存在的输出⽂件

[root@linux121 hadoop-2.9.2]$ bin/hdfs dfs -rm -R /wcoutput

6. 执行WordCount程序

 [root@linux121 hadoop-2.9.2]$ hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.9.2.jar wordcount /wcinput /wcoutput

7. 查看⽇志，如图所示

http://linux121:19888/jobhistory