原创文章，转载请注明原文章地址，谢谢！
Hadoop是什么
Hadoop是一个由Apache基金会所开发的分布式系统基础架构。其主要解决的是海量数据的存储和分析计算问题。广义上来说，Hadoop通常是指一个更广泛的概念：Hadoop生态圈。
Hadoop发展史
1、Hadoop创始人Doug Cutting，为了实现与Google类似的全文搜索功能，他在Lucene框架基础上进行优化升级，查询引擎和索引引擎。
2、2001年年底Lucene成为Apache基金会的一个子项目。
3、对于海量数据的场景，Lucene框架面对与Google同样的困难，存储海量数据困难，检索海量速度慢。
4、学习和模仿Google解决这些问题的办法：微型版Nutch。
5、可以说Google是Hadoop的思想之源（Google在大数据方面的三篇论文）
GFS>>>>HDFS
Map-Reduce>>>>MR
BigTable>>>>HBase
6、2003-2004年，Google公开了部分GFS和MapReduce思想的细节，以此为基础Doug Cutting等人用了2年业余时间实现了DFS和MapReduce机制，使Nutch性能飙升。
7、2005年Hadoop作为Lucene的子项目Nutch的一部分正式引入Apache基金会。
8、2006年3月份，Map-Reduce和Nutch Distributed File System（NDFS）分别被纳入到Hadoop项目中，Hadoop就此正式诞生，标志着大数据时代来临。
Hadoop的三大发行版本
Hadoop三大发行版本：Apache、Cloudera、Hortonworks。
Apache版本最原始的版本，对于入门学习最好。2006
Cloudera内部集成了很多大数据框架，对应产品CDH。2008
Hortonworks文档较好，对应产品HDP。2011
Hortonworks现在已经被Cloudera公司收购，推出新的品牌CDP。
1、Apache Hadoop
官网地址：http://hadoop.apache.org
下载地址：https://hadoop.apache.org/releases.html
2、Cloudera Hadoop
官网地址：https://www.cloudera.com/downloads/cdh
下载地址：https://docs.cloudera.com/documentation/enterprise/6/release-notes/topics/rg_cdh_6_download.html
（1）2008年成立的Cloudera是最早将Hadoop商用的公司，为合作伙伴提供Hadoop的商用解决方案，主要是包括支持、咨询服务、培训。
（2）2009年Hadoop的创始人Doug Cutting也加盟Cloudera公司。Cloudera产品主要为CDH，Cloudera Manager，Cloudera Support。
（3）CDH是Cloudera的Hadoop发行版，完全开源，比Apache Hadoop在兼容性，安全性，稳定性上有所增强。Cloudera的标价为每年每个节点10000美元。
（4）Cloudera Manager是集群的软件分发及管理监控平台，可以在几个小时内部署好一个Hadoop集群，并对集群的节点及服务进行实时监控。
3、Hortonworks Hadoop
官网地址：https://hortonworks.com/products/data-center/hdp/
下载地址：https://hortonworks.com/downloads/#data-platform
（1）2011年成立的Hortonworks是雅虎与硅谷风投公司Benchmark Capital合资组建。
（2）公司成立之初就吸纳了大约25名至30名专门研究Hadoop的雅虎工程师，上述工程师均在2005年开始协助雅虎开发Hadoop，贡献了Hadoop80%的代码。
（3）Hortonworks的主打产品是Hortonworks Data Platform（HDP），也同样是100%开源的产品，HDP除常见的项目外还包括了Ambari，一款开源的安装和管理系统。
（4）2018年Hortonworks目前已经被Cloudera公司收购。
Hadoop的优势
1、高可靠性：Hadoop底层维护多个数据副本，所以即使Hadoop某个计算元素或存储出现故障，也不会导致数据的丢失。
2、高扩展性：在集群间分配任务数据，可方便的扩展数以千计的节点。
3、高效性：在MapReduce的思想下，Hadoop是并行工作的，以加快任务处理速度。
4、高容错性：能够自动将失败的任务重新分配。
Hadoop组件
Hadoop1.x、2.x、3.x的区别
HDFS
1、NameNode：存储文件的元数据，如文件名、文件目录结构、文件属性（生成时间、副本数、文件权限），以及每个文件的块列表和块所在的DataNode等。
2、DataNode：在本地文件系统存储文件块数据，以及块数据的校验和。
3、Secondary NameNode：监控HDFS状态的辅助后台程序，每隔一段时间获取HDFS元数据的快照。
YARN
MapReduce
1、Map阶段并行处理输入数据。
2、Reduce阶段对Map结果进行汇总。
HDFS、YARN、MapReduce三者关系
大数据技术生态体系
1、Sqoop：Sqoop是一款开源的工具，主要用于在Hadoop、Hive与传统的数据库间进行数据的传递，可以将一个关系型数据库中的数据导进到Hadoop的HDFS中，也可以将HDFS的数据导进到关系型数据库中。
2、Flume：Flume是一个高可用的，高可靠的，分布式的海量日志采集、聚合和传输的系统，Flume支持在日志系统中定制各类数据发送方，用于收集数据。
3、Kafka：Kafka是一种高吞吐量的分布式发布订阅消息系统。
4、Spark：Spark是当前最流行的开源大数据内存计算框架。可以基于Hadoop上存储的大数据进行计算。
5、Flink：Flink是当前最流行的开源大数据内存计算框架。用于实时计算的场景较多。
6、Oozie：Oozie是一个管理Hadoop作业的工作流程调度管理系统。
7、Hbase：HBase是一个分布式的、面向列的开源数据库。HBase不同于一般的关系数据库，它是一个适合于非结构化数据存储的数据库。
8、Hive：Hive是基于Hadoop的一个数据仓库工具，可以将结构化的数据文件映射为一张数据库表，并提供简单的SQL查询功能，可以将SQL语句转换为MapReduce任务进行运行。其优点是学习成本低，可以通过类SQL语句快速实现简单的MapReduce统计，不必开发专门的MapReduce应用，十分适合数据仓库的统计分析。
9、ZooKeeper：它是一个针对大型分布式系统的可靠协调系统，提供的功能包括：配置维护、名字服务、分布式同步、组服务等。
推荐系统架构
Hadoop的运行模式
Hadoop官方网站：http://hadoop.apache.org/
Hadoop运行模式包括：本地模式、伪分布式模式以及完全分布式模式。
- 本地模式：单机运行，只是用来演示一下官方案例。生产环境不用。
- 伪分布式模式：也是单机运行，但是具备Hadoop集群的所有功能，一台服务器模拟一个分布式的环境。个别缺钱的公司用来测试，生产环境不用。
- 完全分布式模式：多台服务器组成分布式环境。生产环境使用。
Hadoop本地安装
Hadoop下载地址：https://archive.apache.org/dist/hadoop/common/hadoop-3.1.3/
1、上传、解压到指定目录
tar -zxvf hadoop-3.1.3.tar.gz -C /opt/module/
2、配置环境变量
vim /etc/profile.d/my_env.sh
#HADOOP_HOME
export HADOOP_HOME=/opt/module/hadoop-3.1.3
export PATH=$PATH:$HADOOP_HOME/bin
export PATH=$PATH:$HADOOP_HOME/sbin
3、重启生效
source /etc/profile
4、查看hadoop版本
hadoop version
本地运行模式（WordCount）
1、在hadoop-3.1.3文件下面创建一个wcinput文件夹。
mkdir wcinput
2、在wcinput文件下创建一个word.txt文件。
vim word.txt
hadoop yarn
hadoop mapreduce
3、回到hadoop-3.1.3目录下。
4、执行
hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-3.1.3.jar wordcount wcinput wcoutput
5、查看结果
cat wcoutput/part-r-00000
hadoop 2
mapreduce 1
yarn 1
Hadoop集群搭建
准备三台虚拟机，Linux系统CentOS-7.5-x86-1804
hadoop102（2核4G，磁盘50G）
hadoop103（2核4G，磁盘50G）
hadoop104（2核4G，磁盘50G）
集群分发脚本
1、scp安全拷贝
scp可以实现服务器与服务器之间的数据拷贝。
示例：
在hadoop102、hadoop103、hadoop104上分别创建好/opt/module和/opt/software目录。
在hadoop102上，将hadoop102中/opt/module/jdk1.8.0_212目录拷贝到hadoop103上。
scp -r /opt/module/jdk1.8.0_212 root@hadoop103:/opt/module
在hadoop103上，将hadoop102中/opt/module/hadoop-3.1.3目录拷贝到hadoop103上。
scp -r root@hadoop102:/opt/module/hadoop-3.1.3 /opt/module/
在hadoop103上操作，将hadoop102中/opt/module目录下所有目录拷贝到hadoop104上。
scp -r root@hadoop102:/opt/module/* root@hadoop104:/opt/module
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。
示例：
删除hadoop103中/opt/module/hadoop-3.1.3/wcinput
rm -rf wcinput/
同步hadoop102中的/opt/module/hadoop-3.1.3 到hadoop103
rsync -av hadoop-3.1.3/ root@hadoop103:/opt/module/hadoop-3.1.3/
3、xsync集群分发脚本
1、mkdir bin
2、cd bin/
3、touch xsync
4、vi xsync
5、xsync脚本内容如下
6、chmod 777 xsync
7、xsync bin/
#!/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:$pdir
done
SSH无密登录配置
1、cd .ssh
2、ssh-keygen -t rsa
3、将公钥分别复制到需要免密登录的机器上
ssh-copy-id hadoop102
ssh-copy-id hadoop103
ssh-copy-id hadoop104
注意点：
还需要在hadoop103上采用root账号配置一下无密登录到hadoop102、hadoop103、hadoop104服务器上。
还需要在hadoop104上采用root账号配置一下无密登录到hadoop102、hadoop103、hadoop104服务器上。
还需要在hadoop102上采用root账号配置一下无密登录到hadoop102、hadoop103、hadoop104服务器上。
.ssh 文件夹下（~/.ssh）的文件功能解释
| 名称 | 解释 |
|---|---|
| known_hosts | 记录 ssh 访问过计算机的公钥（public key） |
| id_rsa | 生成的私钥 |
| id_rsa.pub | 生成的公钥 |
| authorized_keys | 存放授权过的无密登录服务器公钥 |
Hadoop集群配置
| hadoop102 | hadoop103 | hadoop104 | |
|---|---|---|---|
| HDFS | NameNode | SecondaryNameNode | |
| DataNode | DataNode | DataNode | |
| YARN | ResourceManager | ||
| NodeManager | NodeManager | NodeManager |
配置文件
Hadoop配置文件分两类：默认配置文件和自定义配置文件，只有用户想修改某一默认配置值时，才需要修改自定义配置文件，更改相应属性值。
默认配置文件
| 要获取的默认文件 | 文件存放在Hadoop的jar包中的位置 |
|---|---|
| core-default.xml | hadoop-common-3.1.3.jar/core-default.xml |
| hdfs-default.xml | hadoop-hdfs-3.1.3.jar/hdfs-default.xml |
| yarn-default.xml | hadoop-yarn-common-3.1.3.jar/yarn-default.xml |
| mapred-default.xml | hadoop-mapreduce-client-core-3.1.3.jar/mapred-default.xml |
自定义配置文件
core-site.xml、hdfs-site.xml、yarn-site.xml、mapred-site.xml 四个配置文件存放在$HADOOP_HOME/etc/hadoop这个路径上，用户可以根据项目需求重新进行修改配置。
配置集群
core-site.xml
fs.defaultFS
hdfs://hadoop102:8020
hadoop.tmp.dir
/opt/module/hadoop-3.1.3/data
hadoop.http.staticuser.user
root
hdfs-site.xml
dfs.namenode.http-address
hadoop102:9870
dfs.namenode.secondary.http-address
hadoop104:9868
yarn-site.xml
yarn.nodemanager.aux-services
mapreduce_shuffle
yarn.resourcemanager.hostname
hadoop103
yarn.nodemanager.env-whitelist
JAVA_HOME,HADOOP_COMMON_HOME,HADOOP_HDFS_HOME,HADOOP_CO
NF_DIR,CLASSPATH_PREPEND_DISTCACHE,HADOOP_YARN_HOME,HADOOP_MAP
RED_HOME
mapred-site.xml
mapreduce.framework.name
yarn
在hadoop102分发配置到hadoop103、hadoop104
xsync /opt/module/hadoop-3.1.3/etc/hadoop/
启动集群
配置workers
vim /opt/module/hadoop-3.1.3/etc/hadoop/workers
hadoop102
hadoop103
hadoop104
同步所有节点配置文件
xsync /opt/module/hadoop-3.1.3/etc
如果集群是第一次启动，需要在hadoop102节点格式化NameNode。
注意：格式化NameNode，会产生新的集群id，导致NameNode和DataNode的集群id不一致，集群找不到已往数据。如果集群在运行过程中报错，需要重新格式化NameNode的话，一定要先停止NameNode和DataNode进程，并且要删除所有机器的data和logs目录，然后再进行格式化。
hdfs namenode -format
启动HDFS
sbin/start-dfs.sh
在配置了ResourceManager的节点（hadoop103）启动YARN
sbin/start-yarn.sh
Web端查看HDFS的NameNode
hadoop102:9870
Web端查看YARN的ResourceManager
hadoop103:8088
集群测试
上传文件到集群
hadoop fs -mkdir /input
上传小文件
hadoop fs -put $HADOOP_HOME/wcinput/word.txt /input
上传大文件
hadoop fs -put /opt/software/jdk-8u212-linux-x64.tar.gz /
上传文件后查看文件存放在什么位置
查看HDFS文件存储路径
/opt/module/hadoop-3.1.3/data/dfs/data/current/BP-1436128598-192.168.10.102-1610603650062/current/finalized/subdir0/subdir0
查看HDFS在磁盘存储文件内容
cat blk_1073741825
拼接
cat blk_1073741836>>tmp.tar.gz
cat blk_1073741837>>tmp.tar.gz
tar -zxvf tmp.tar.gz
下载
hadoop fs -get /jdk-8u212-linuxx64.tar.gz ./
执行wordcount
hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-3.1.3.jar wordcount /input /output
配置历史服务器
mapred-site.xml
mapreduce.jobhistory.address
hadoop102:10020
mapreduce.jobhistory.webapp.address
hadoop102:19888
分发配置
xsync $HADOOP_HOME/etc/hadoop/mapred-site.xml
在hadoop102启动历史服务器
mapred --daemon start historyserver
查看jobHistory
hadoop102:19888/jobhistory
配置日志的聚集
日志聚集概念：应用运行完成以后，将程序运行日志信息上传到HDFS系统上。
注意：开启日志聚集功能，需要重新启动NodeManager、ResourceManager和HistoryServer。
yarn-site.xml
yarn.log-aggregation-enable
true
yarn.log.server.url
http://hadoop102:19888/jobhistory/logs
yarn.log-aggregation.retain-seconds
604800
分发配置
xsync $HADOOP_HOME/etc/hadoop/yarnsite.xml
关闭NodeManager、ResourceManager和HistoryServer
sbin/stop-yarn.sh
mapred --daemon stop historyserver
启动NodeManager、ResourceManage和HistoryServer
start-yarn.sh
mapred --daemon start historyserver
删除HDFS上已经存在的输出文件
hadoop fs -rm -r /output
执行wordcount程序
hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-3.1.3.jar wordcount /input /output
查看日志
hadoop102:19888/jobhistory
博客内容仅供自已学习以及学习过程的记录，如有侵权，请联系我删除，谢谢！