Hadoop离线_Apache Hadoop的三种运行环境介绍及环境搭建
文章目录
- 1 三种运行环境介绍
- 2 standAlone环境搭建
-
- 2.1 下载apache hadoop并上传到服务器
- 2.2 修改配置文件
-
-
-
-
- 2.2.1 修改core-site.xml文件
- 2.2.2 修改hdfs-site.xml文件
- 2.2.3 修改hadoop-env.sh文件
- 2.2.4 mapred-site.xml文件
- 2.2.5 yarn-site.xml文件
- 2.2.6 修改slaves文件
-
-
-
- 2.3 创建数据存放目录
- 2.4 启动集群
- 2.5 登陆
- 3 搭建伪分布式环境
-
-
- 3.1 关闭单节点集群，删除/export/servers/hadoop-2.7.5/hadoopDatas，重新创建文件夹
- 3.2 修改配置文件slaves，将安装包分发到第二台和第三台机器上，启动集群
- 3.3 启动集群
- 3.4 浏览器上登陆
-
- 4 搭建完全分布式环境
-
-
- 4.1 解压安装包
- 4.2 修改配置文件
-
- 4.2.1 修改core-site.xml
- 4.2.2 修改hdfs-site.xml
- 4.2.3 修改hadoop-env.sh
- 4.2.4 修改mapred-site.xml
- 4.2.5 修改yarn-site.xml
- 4.2.6 修改slaves
- 4.3 创建文件夹和安装包分发
- 4.4 启动集群
- 4.5 登陆
-
1 三种运行环境介绍
- standAlone环境
单机版的hadoop运行环境，主节点从节点运行在同一台机器上 - 伪分布式环境
主节点都在一台机器上，从节点分开到其他机器上（可以借助三台机器来实现） - 完全分布式环境
主节点全部分散到不同机器上（NameNode Active,NameNode StandBy,ResourceManager 主节点,ResourceManager 备份节点
2 standAlone环境搭建
2.1 下载apache hadoop并上传到服务器
官方网址：hadoop下载地址
上传到/export/softwares/，并解压到/export/servers/
tar -zxvf hadoop-2.7.5.tar.gz -C /export/servers/
hadoop的本地库：/hadoop-2.7.5/lib/native（里面集成了一些C程序，包括了一些压缩的支持）
检测本地库的支持：bin/hadoop checknative
snappy是谷歌提供的一种解压缩算法
2.2 修改配置文件
在hadoop的etc/hadoop目录下，修改以下文件：cd /export/servers/hadoop-2.7.5/etc/hadoop
2.2.1 修改core-site.xml文件
核心配置文件，主要定义了我们的集群是分布式，还是本机运行
fs.default.name</name>
<!-- hdfs://表示我们使用分布式的文件系统的实现
决定了我们namenode在哪台机器上实现 -->
hdfs://192.168.52.100:8020</value>
</property>
hadoop.tmp.dir</name>
<!-- 临时文件的存放目录 -->
/export/servers/hadoop-2.7.5/hadoopDatas/tempDatas</value>
</property>
io.file.buffer.size</name>
<!-- 缓冲区大小，实际工作中根据服务器性能动态调整 -->
4096</value>
</property>
fs.trash.interval</name>
<!-- 开启hdfs的垃圾桶机制，
删除掉的数据可以从垃圾桶中回收，单位分钟 -->
10080</value>
</property>
</configuration>
2.2.2 修改hdfs-site.xml文件
分布式文件系统的核心配置，决定了我们数据存放在哪个路径，数据的副本，数据的block块大小
<!--定义我们secondaryNamenode的通信地址，
辅助namenode管理元数据信息的-->
dfs.namenode.secondary.http-address</name>
node01:50090</value>
</property>
<!--50070这个端口定义的是我们通过浏览器访问我们hdsf的端口-->
dfs.namenode.http-address</name>
node01:50070</value>
</property>
<!--定义了我们元数据fsimage的存储路径，fsimage就是我们的元数据信息
两个路径用逗号,隔开-->
dfs.namenode.name.dir</name>
file:///export/servers/hadoop-2.7.5/hadoopDatas/namenodeDatas,file:///export/servers/hadoop-2.7.5/hadoopDatas/namenodeDatas2</value>
</property>
<!-- 定义dataNode数据存储的节点位置，实际工作中，一般先确定磁盘的挂载目录，然后多个目录用，进行分割 -->
dfs.datanode.data.dir</name>
file:///export/servers/hadoop-2.7.5/hadoopDatas/datanodeDatas,file:///export/servers/hadoop-2.7.5/hadoopDatas/datanodeDatas2</value>
</property>
<!--一个edits文件的存放位置，一部分元数据信息-->
dfs.namenode.edits.dir</name>
file:///export/servers/hadoop-2.7.5/hadoopDatas/nn/edits</value>
</property>
<!--元数据保存点存放的位置-->
dfs.namenode.checkpoint.dir</name>
file:///export/servers/hadoop-2.7.5/hadoopDatas/snn/name</value>
</property>
<!--edits元数据存放的位置-->
dfs.namenode.checkpoint.edits.dir</name>
file:///export/servers/hadoop-2.7.5/hadoopDatas/dfs/snn/edits</value>
</property>
<!--文件的副本数，安全机制-->
dfs.replication</name>
1</value>
</property>
<!--文件系统的权限机制是否要打开，权限比较弱，先关掉-->
dfs.permissions</name>
false</value>
</property>
<!--文件block块的大小，默认180M-->
dfs.blocksize</name>
134217728</value>
</property>
</configuration>
2.2.3 修改hadoop-env.sh文件
配置我们jdk的home路径
export JAVA_HOME=/export/servers/jdk1.8.0_141
2.2.4 mapred-site.xml文件
定义了我们关于mapreduce运行的一些参数
<!--指定我们mapreduce运行的框架是yarn-->
mapreduce.framework.name</name>
yarn</value>
</property>
<!--mapreduce的小任务模式开启-->
mapreduce.job.ubertask.enable</name>
true</value>
</property>
<!--定义了我们jobhistory的通信地址
jobhistory是我们查看历史完成的任务信息-->
mapreduce.jobhistory.address</name>
node01:10020</value>
</property>
<!--浏览器界面查看我们的jobhistory地址-->
mapreduce.jobhistory.webapp.address</name>
node01:19888</value>
</property>
</configuration>
2.2.5 yarn-site.xml文件
定义我们的yarn集群
<!--定义我们resourceManager所在的机器-->
yarn.resourcemanager.hostname</name>
node01</value>
</property>
<!--定义mapreduce的框架-->
yarn.nodemanager.aux-services</name>
mapreduce_shuffle</value>
</property>
<!--开启日志的聚集功能，可以让我们在19888端口上，
jobhistory界面上查看我们运行的日志-->
yarn.log-aggregation-enable</name>
true</value>
</property>
<!--保存时长604800秒-->
yarn.log-aggregation.retain-seconds</name>
604800</value>
</property>
</configuration>
2.2.6 修改slaves文件
定义了我们的从节点是哪些机器,也就是DataNode和NodeManager运行在哪些机器上
node01
2.3 创建数据存放目录
单机版只在一台机器上
cd /export/servers/hadoop-2.7.5/
mkdir -p /export/servers/hadoop-2.7.5/hadoopDatas/tempDatas
mkdir -p /export/servers/hadoop-2.7.5/hadoopDatas/namenodeDatas
mkdir -p /export/servers/hadoop-2.7.5/hadoopDatas/namenodeDatas2
mkdir -p /export/servers/hadoop-2.7.5/hadoopDatas/datanodeDatas
mkdir -p /export/servers/hadoop-2.7.5/hadoopDatas/datanodeDatas2
mkdir -p /export/servers/hadoop-2.7.5/hadoopDatas/nn/edits
mkdir -p /export/servers/hadoop-2.7.5/hadoopDatas/snn/name
mkdir -p /export/servers/hadoop-2.7.5/hadoopDatas/dfs/snn/edits
2.4 启动集群
要启动Hadoop集群，需要启动HDFS和YARN两个模块
注意：首次启动HDFS时，必须对其进行格式化操作，本质上是一些清理和准备工作，因为此时的HDFS在物理上还是不存在的
在bin目录下执行：
hdfs namenode -format或者hadoop namenode -format
在sbin目录下执行：
启动HDFS模块：sbin/start-dfs.sh
关闭HDFS:stop-all.sh
jps # 查看已启动
启动YARN模块：sbin/start-yarn.sh
关闭YARN：stop-yarn.sh
历史完成任务模块：sbin/mr-jobhistory-daemon.sh start historyserver
关闭：mr-jobhistory-daemon.sh stop historyserver
2.5 登陆
HDFS集群查看端口：node01:50070
Yarn集群查看端口：node01:8088
历史任务完成界面：node01:19888
3 搭建伪分布式环境
3.1 关闭单节点集群，删除/export/servers/hadoop-2.7.5/hadoopDatas，重新创建文件夹
# 关闭单节点集群
stop-dfs.sh
stop-yarn.sh
mr-jobhistory-daemon.sh stop historyserver
# 删除文件夹
rm -rf hadoopDatas/
# 重新创建文件夹
mkdir -p /export/servers/hadoop-2.7.5/hadoopDatas/tempDatas
mkdir -p /export/servers/hadoop-2.7.5/hadoopDatas/namenodeDatas
mkdir -p /export/servers/hadoop-2.7.5/hadoopDatas/namenodeDatas2
mkdir -p /export/servers/hadoop-2.7.5/hadoopDatas/datanodeDatas
mkdir -p /export/servers/hadoop-2.7.5/hadoopDatas/datanodeDatas2
mkdir -p /export/servers/hadoop-2.7.5/hadoopDatas/nn/edits
mkdir -p /export/servers/hadoop-2.7.5/hadoopDatas/snn/name
mkdir -p /export/servers/hadoop-2.7.5/hadoopDatas/dfs/snn/edits
3.2 修改配置文件slaves，将安装包分发到第二台和第三台机器上，启动集群
将slaves内容改为：
node01
node02
node03
安装包分发：
cd /export/servers/
scp -r hadoop-2.7.5 node02:$PWD
scp -r hadoop-2.7.5 node03:$PWD
3.3 启动集群
第一台机器：
cd /export/servers/hadoop-2.7.5/
bin/hdfs namenode -format
sbin/start-dfs.sh
sbin/start-yarn.sh
sbin/mr-jobhistory-daemon.sh start historyserver
第二台机器：
sbin/hadoop-daemon.sh start datanode
sbin/yarn-daemon.sh start nodemanager
第三台机器：
sbin/hadoop-daemon.sh start datanode
sbin/yarn-daemon.sh start nodemanager
3.4 浏览器上登陆
node01:50070
4 搭建完全分布式环境
4.1 解压安装包
- 停止之前hadoop集群的所有服务
node01
node02
node03
- 删除所有机器上的所有服务
三台机器上执行
rm -rf /export/servers/hadoop-2.7.5/
- 解压安装包到node01机器上
cd /export/softwares
tar -zxvf hadoop-2.7.5.tar.gz -C ../servers/
4.2 修改配置文件
进入hadoop文件
cd /export/servers/hadoop-2.7.5/etc/hadoop
4.2.1 修改core-site.xml
<!-- 指定NameNode的HA高可用的zk地址 -->
ha.zookeeper.quorum</name>
node01:2181,node02:2181,node03:2181</value>
</property>
<!-- 指定HDFS访问的域名地址 -->
fs.defaultFS</name>
hdfs://ns</value>
</property>
<!-- 临时文件存储目录 -->
hadoop.tmp.dir</name>
/export/servers/hadoop-2.7.5/data/tmp</value>
</property>
<!-- 开启hdfs垃圾箱机制，指定垃圾箱中的文件七天之后就彻底删掉
单位为分钟
-->
fs.trash.interval</name>
10080</value>
</property>
</configuration>
4.2.2 修改hdfs-site.xml
<!-- 指定命名空间 -->
dfs.nameservices</name>
ns</value>
</property>
<!-- 指定该命名空间下的两个机器作为我们的NameNode -->
dfs.ha.namenodes.ns</name>
nn1,nn2</value>
</property>
<!-- 配置第一台服务器的namenode通信地址 -->
dfs.namenode.rpc-address.ns.nn1</name>
node01:8020</value>
</property>
<!-- 配置第二台服务器的namenode通信地址 -->
dfs.namenode.rpc-address.ns.nn2</name>
node02:8020</value>
</property>
<!-- 所有从节点之间相互通信端口地址 -->
dfs.namenode.servicerpc-address.ns.nn1</name>
node01:8022</value>
</property>
<!-- 所有从节点之间相互通信端口地址 -->
dfs.namenode.servicerpc-address.ns.nn2</name>
node02:8022</value>
</property>
<!-- 第一台服务器namenode的web访问地址 -->
dfs.namenode.http-address.ns.nn1</name>
node01:50070</value>
</property>
<!-- 第二台服务器namenode的web访问地址 -->
dfs.namenode.http-address.ns.nn2</name>
node02:50070</value>
</property>
<!-- journalNode的访问地址，注意这个地址一定要配置 -->
dfs.namenode.shared.edits.dir</name>
qjournal://node01:8485;node02:8485;node03:8485/ns1</value>
</property>
<!-- 指定故障自动恢复使用的哪个java类 -->
dfs.client.failover.proxy.provider.ns</name>
org.apache.hadoop.hdfs.server.namenode.ha.ConfiguredFailoverProxyProvider</value>
</property>
<!-- 故障转移使用的哪种通信机制 -->
dfs.ha.fencing.methods</name>
sshfence</value>
</property>
<!-- 指定通信使用的公钥 -->
dfs.ha.fencing.ssh.private-key-files</name>
/root/.ssh/id_rsa</value>
</property>
<!-- journalNode数据存放地址 -->
dfs.journalnode.edits.dir</name>
/export/servers/hadoop-2.7.5/data/dfs/jn</value>
</property>
<!-- 启用自动故障恢复功能 -->
dfs.ha.automatic-failover.enabled</name>
true</value>
</property>
<!-- namenode产生的文件存放路径 -->
dfs.namenode.name.dir</name>
file:///export/servers/hadoop-2.7.5/data/dfs/nn/name</value>
</property>
<!-- edits产生的文件存放路径 -->
dfs.namenode.edits.dir</name>
file:///export/servers/hadoop-2.7.5/data/dfs/nn/edits</value>
</property>
<!-- dataNode文件存放路径 -->
dfs.datanode.data.dir</name>
file:///export/servers/hadoop-2.7.5/data/dfs/dn</value>
</property>
<!-- 关闭hdfs的文件权限 -->
dfs.permissions</name>
false</value>
</property>
<!-- 指定block文件块的大小 -->
dfs.blocksize</name>
134217728</value>
</property>
</configuration>
4.2.3 修改hadoop-env.sh
export JAVA_HOME=/export/servers/jdk1.8.0_141
4.2.4 修改mapred-site.xml
<!--指定运行mapreduce的环境是yarn -->
mapreduce.framework.name</name>
yarn</value>
</property>
<!-- MapReduce JobHistory Server IPC host:port -->
mapreduce.jobhistory.address</name>
node03:10020</value>
</property>
<!-- MapReduce JobHistory Server Web UI host:port -->
mapreduce.jobhistory.webapp.address</name>
node03:19888</value>
</property>
<!-- The directory where MapReduce stores control files.默认 ${
hadoop.tmp.dir}/mapred/system -->
mapreduce.jobtracker.system.dir</name>
/export/servers/hadoop-2.7.5/data/system/jobtracker</value>
</property>
<!-- The amount of memory to request from the scheduler for each map task. 默认 1024-->
mapreduce.map.memory.mb</name>
1024</value>
</property>
<!--
mapreduce.map.java.opts</name>
-Xmx1024m</value>
</property> -->
<!-- The amount of memory to request from the scheduler for each reduce task. 默认 1024-->
mapreduce.reduce.memory.mb</name>
1024</value>
</property>
<!--
mapreduce.reduce.java.opts</name>
-Xmx2048m</value>
</property> -->
<!-- 用于存储文件的缓存内存的总数量，以兆字节为单位。默认情况下，分配给每个合并流1MB，给个合并流应该寻求最小化。默认值100-->
mapreduce.task.io.sort.mb</name>
100</value>
</property>
<!--
mapreduce.jobtracker.handler.count</name>
25</value>
</property>-->
<!-- 整理文件时用于合并的流的数量。这决定了打开的文件句柄的数量。默认值10-->
mapreduce.task.io.sort.factor</name>
10</value>
</property>
<!-- 默认的并行传输量由reduce在copy(shuffle)阶段。默认值5-->
mapreduce.reduce.shuffle.parallelcopies</name>
25</value>
</property>
yarn.app.mapreduce.am.command-opts</name>
-Xmx1024m</value>
</property>
<!-- MR AppMaster所需的内存总量。默认值1536-->
yarn.app.mapreduce.am.resource.mb</name>
1536</value>
</property>
<!-- MapReduce存储中间数据文件的本地目录。目录不存在则被忽略。默认值${
hadoop.tmp.dir}/mapred/local-->
mapreduce.cluster.local.dir</name>
/export/servers/hadoop-2.7.5/data/system/local</value>
</property>
</configuration>
4.2.5 修改yarn-site.xml
<!-- Site specific YARN configuration properties -->
<!-- 是否启用日志聚合.应用程序完成后,日志汇总收集每个容器的日志,这些日志移动到文件系统,例如HDFS. -->
<!-- 用户可以通过配置"yarn.nodemanager.remote-app-log-dir"、"yarn.nodemanager.remote-app-log-dir-suffix"来确定日志移动到的位置 -->
<!-- 用户可以通过应用程序时间服务器访问日志 -->
<!-- 启用日志聚合功能，应用程序完成后，收集各个节点的日志到一起便于查看 -->
yarn.log-aggregation-enable</name>
true</value>
</property>
<!--开启resource manager HA,默认为false-->
yarn.resourcemanager.ha.enabled</name>
true</value>
</property>
<!-- 集群的Id，使用该值确保RM不会做为其它集群的active -->
yarn.resourcemanager.cluster-id</name>
mycluster</value>
</property>
<!--配置resource manager 命名-->
yarn.resourcemanager.ha.rm-ids</name>
rm1,rm2</value>
</property>
<!-- 配置第一台机器的resourceManager -->
yarn.resourcemanager.hostname.rm1</name>
node03</value>
</property>
<!-- 配置第二台机器的resourceManager -->
yarn.resourcemanager.hostname.rm2</name>
node02</value>
</property>
<!-- 配置第一台机器的resourceManager通信地址 -->
yarn.resourcemanager.address.rm1</name>
node03:8032</value>
</property>
yarn.resourcemanager.scheduler.address.rm1</name>
node03:8030</value>
</property>
yarn.resourcemanager.resource-tracker.address.rm1</name>
node03:8031</value>
</property>
yarn.resourcemanager.admin.address.rm1</name>
node03:8033</value>
</property>
yarn.resourcemanager.webapp.address.rm1</name>
node03:8088</value>
</property>
<!-- 配置第二台机器的resourceManager通信地址 -->
yarn.resourcemanager.address.rm2</name>
node02:8032</value>
</property>
yarn.resourcemanager.scheduler.address.rm2</name>
node02:8030</value>
</property>
yarn.resourcemanager.resource-tracker.address.rm2</name>
node02:8031</value>
</property>
yarn.resourcemanager.admin.address.rm2</name>
node02:8033</value>
</property>
yarn.resourcemanager.webapp.address.rm2</name>
node02:8088</value>
</property>
<!--开启resourcemanager自动恢复功能-->
yarn.resourcemanager.recovery.enabled</name>
true</value>
</property>
<!--在node1上配置rm1,在node2上配置rm2,注意：一般都喜欢把配置好的文件远程复制到其它机器上，但这个在YARN的另一个机器上一定要修改，其他机器上不配置此项-->
yarn.resourcemanager.ha.id</name>
rm1</value>
If we want to launch more than one RM in single node, we need this configuration</description>
</property>
<!--用于持久存储的类。尝试开启-->
yarn.resourcemanager.store.class</name>
org.apache.hadoop.yarn.server.resourcemanager.recovery.ZKRMStateStore</value>
</property>
yarn.resourcemanager.zk-address</name>
node02:2181,node03:2181,node01:2181</value>
For multiple zk services, separate them with comma</description>
</property>
<!--开启resourcemanager故障自动切换，指定机器-->
yarn.resourcemanager.ha.automatic-failover.enabled</name>
true</value>
Enable automatic failover; By default, it is enabled only when HA is enabled.</description>
</property>
yarn.client.failover-proxy-provider</name>
org.apache.hadoop.yarn.client.ConfiguredRMFailoverProxyProvider</value>
</property>
<!-- 允许分配给一个任务最大的CPU核数，默认是8 -->
yarn.nodemanager.resource.cpu-vcores</name>
4</value>
</property>
<!-- 每个节点可用内存,单位MB -->
yarn.nodemanager.resource.memory-mb</name>
512</value>
</property>
<!-- 单个任务可申请最少内存，默认1024MB -->
yarn.scheduler.minimum-allocation-mb</name>
512</value>
</property>
<!-- 单个任务可申请最大内存，默认8192MB -->
yarn.scheduler.maximum-allocation-mb</name>
512</value>
</property>
<!--多长时间聚合删除一次日志 此处-->
yarn.log-aggregation.retain-seconds</name>
2592000</value><!--30 day-->
</property>
<!--时间在几秒钟内保留用户日志。只适用于如果日志聚合是禁用的-->
yarn.nodemanager.log.retain-seconds</name>
604800</value><!--7 day-->
</property>
<!--指定文件压缩类型用于压缩汇总日志-->
yarn.nodemanager.log-aggregation.compression-type</name>
gz</value>
</property>
<!-- nodemanager本地文件存储目录-->
yarn.nodemanager.local-dirs</name>
/export/servers/hadoop-2.7.5/yarn/local</value>
</property>
<!-- resourceManager 保存最大的任务完成个数 -->
yarn.resourcemanager.max-completed-applications</name>
1000</value>
</property>
<!-- 逗号隔开的服务列表，列表名称应该只包含a-zA-Z0-9_,不能以数字开始-->
yarn.nodemanager.aux-services</name>
mapreduce_shuffle</value>
</property>
<!--rm失联后重新链接的时间-->
yarn.resourcemanager.connect.retry-interval.ms</name>
2000</value>
</property>
</configuration>
4.2.6 修改slaves
node01
node02
node03
4.3 创建文件夹和安装包分发
创建文件夹
mkdir -p /export/servers/hadoop-2.7.5/data/dfs/nn/name
mkdir -p /export/servers/hadoop-2.7.5/data/dfs/nn/edits
mkdir -p /export/servers/hadoop-2.7.5/data/dfs/nn/name
mkdir -p /export/servers/hadoop-2.7.5/data/dfs/nn/edits
安装包分发：
cd /export/servers
scp -r hadoop-2.7.5/ node02:$PWD
scp -r hadoop-2.7.5/ node03:$PWD
更改node的rm2
在第二台机器执行
cd /export/servers/hadoop-2.7.5/etc/hadoop
vim yarn-site.xml
<!--在node3上配置rm1,在node2上配置rm2,注意：一般都喜欢把配置好的文件远程复制到其它机器上，
但这个在YARN的另一个机器上一定要修改，其他机器上不配置此项
注意我们现在有两个resourceManager 第三台是rm1 第二台是rm2
这个配置一定要记得去node02上面改好
-->
yarn.resourcemanager.ha.id</name>
rm2</value>
If we want to launch more than one RM in single node, we need this configuration</description>
</property>
4.4 启动集群
启动HDFS
在第一台机器执行cd /export/servers/hadoop-2.7.5
bin/hdfs zkfc -formatZK #格式化zk
sbin/hadoop-daemons.sh start journalnode #启动journalnode
bin/hdfs namenode -format #格式化NameNode上面所有的数据
bin/hdfs namenode -initializeSharedEdits -force #强制初始化元数据信息
sbin/start-dfs.sh #启动HDFS
在第二台机器执行：cd /export/servers/hadoop-2.7.5
bin/hdfs namenode -bootstrapStandby #设置NameNode为StandBy状态
sbin/hadoop-daemon.sh start namenode
sbin/hadoop-daemon.sh start datanode
启动YARN
在第二台机器上执行
cd /export/servers/hadoop-2.7.5
sbin/start-yarn.sh
在第三台机器上执行
cd /export/servers/hadoop-2.7.5
sbin/start-yarn.sh
启动Jobhistory
在第三台机器上
cd /export/servers/hadoop-2.7.5
sbin/mr-jobhistory-daemon.sh start historyserver
node01:
node02:
node03:
4.5 登陆
node01机器查看hdfs状态：node01:50070
node02机器查看hdfs状态：node02:50070
yarn集群访问查看：node03:8088
历史任务浏览界面：node03:19888
